赵禹：智赋新质：工业AI规模化落地的解法——让工业智慧成为AI时代的新生产力

9月5-7日，2026年第23届精益数字化创新大会在国家会展中心（天津）圆满举办。天津爱波瑞科技发展有限公司总裁、银核智能科技（天津）有限公司CEO赵禹围绕《智赋新质：工业AI规模化落地的解法——让工业智慧成为AI时代的新生产力》主题，在大会开幕式暨主论坛上发表演讲。

以下为赵禹演讲实录：

时至今日我们不需多谈我们为什么要用AI，AI有没有价值，我更多想跟各位专家、各位领导分享的话题是“如何从让我们把AI从可用变成好用，甚至在我们工业企业规模化落地”。

回顾过往这一年，大家有一个深刻感知，AI的速度正在以周为单位不断地进化。两天前相关新闻，GPT6.0发布之后，他们的高管放出豪言“AGI时代就此开启”。我们相信在座的各位企业家、各位领导有一个感知——我们从未深刻感受到企业的进化速度已经远远跟不上AI的进化速度。还有一个非常大的深刻的变化，过往我们可能有5名员工来自于3个部门完成的一组任务、一个事项，现在由一个智能体就能完成。我们不禁在思考，AI时代对我们的组织、对我们的流程将会引发什么样的变革和重塑？

AI经济有“五层蛋糕”理论，从底层的能源层，到芯片，到基础设施，到模型，进入到应用层，前四层决定了AI能不能做，只有到应用层决定AI好不好做、有没有价值。AI的价值是自下而上不断去汇聚的。在应用层，我们的工业场景、制造业的场景最丰富，包括了像研发设计、生产制造、物流供应链、营销等等。所以，工业AI是AI价值最终的兑现层。但是也有一个不争的事实，一组国际权威机构的调研数据显示，84%制造业高管受访者承认已经从AI开始获得初步价值，但是只有20%的应用得到了规模化的落地和实现。100多位COO受访表示，真正AI进入到我们企业的生产和经营层的用力最终还不到2%。

如此大的规模化的鸿沟，作为工业企业，作为制造业企业，在这一轮竞赛里最终比拼的可能不是谁家的模型和算力更强，因为模型只要有钱就能采购。

我们最终说工业AI能走到规模化在自家企业能够落地，有三个显著标志：1.AI从员工个人的单点用的工具真正进入到生产经营。2.从单点的应用到运营的全价值链条进行有效拓展。3.从一个个场景创新，最终变成整个我们组织能力的提升。

今年福特汽车的故事特别引发我们的触动，今年6月，美国一家科技媒体报道，福特汽车在导入AI质检系统之后，又重新请回了他们曾经的350名的资深工程师。这批工程师做什么？第一，培养他们的新员工。第二，参与他们的AI质检系统相关的训练。福特高管表示，过去错误地认为只要引入了先进的大模型，输入相关的指令，我们的产品质量就能获得更高的提升。但是我们不知道，如果没有我们的工程师参与相关知识的训练，也拿不到我们想要的效果。

福特的故事不仅仅引发人们的深思，福特公司缺AI吗？不缺。缺数据吗？也不尽然。他们缺的是什么？真正缺的是累积几十年的工业智慧。福特的案例告诉我们，AI这件事情在福特并不是失败了，而是只有AI是不够的。

工业智能真正想取得成功是需要AI技术乘以工业智慧，乘以人的智慧和能力。累积几十年的工业智慧，包括专家经验、工艺诀窍、异常规律、问题解决方法、历史案例、企业规则。所以，人的经验可以退休，企业的智慧永远不能退休。

我们把视角拉回到中国的工业现场，这是一组来自于今年精益数智化创新大赛组委会的数据，我们收集了大赛初赛AI赛道的157个作品，进行了总结。我们欣喜地看到，各类AI技术已经开始进入到工业现场，覆盖到生产、质量、设备、能源、供应链、营销等等诸多领域，这些作品广泛应用了人工智能技术，包括知识图谱、机器学习、大语言模型、智能体、计算机视觉。

我们提炼这些作品也发现了三个值得引人深思的信号：

1.仍然有更多单点场景落地，而缺乏有效的场景复制。

2.单一作品使用9种AI技术的，从评委的视角并不如使用6种AI技术的评价更高。究其原因，整个改善的作品是怎么做业务架构的？从问题发现到根因分析到最后问题解决有没有有效的闭环。所以，AI并不是唯技术论。

3.闭环有、融合弱，尤其是在课题立项和根因分析这两个环节，我们发现使用精益问题分析方法，结合AI技术的作品仍然不多。

所以，我们会发现AI的点已经大量出现，但是下一步是如何提高业务与技术架构的能力、场景复制的能力、精益和AI融合的能力。

今年1月份以来，我们持续走访了大概100多家企业，企业高层都不拒绝也不否认AI的价值，但是大家普遍透露出三个焦虑：

焦虑1：安全与进化焦虑。

大型企业在部署AI，使用AI技术，但数据是不能出域的，知识也不能出域。如何确保数据和知识不出域的情况下，还能享受到实时更新的大模型的技术以及智能体不断迭代和进化的能力？

我们跟一家企业的中基层员工进行访谈，我印象非常深刻，他们说我在用类似于WorkBuddy等等这些非常先进的智能体的能力，但是我只敢在我自己家里个人电脑去用，没法在企业用。我问企业相关的IT部门，我们企业现在的算力和模型部署的情况怎么样？我们得到的答案是企业目前还在用三年前采购的DeepSeek大模型。

对企业来讲，安全和进化应该是双选题，而不是唯一的选择，我们应该既要安全，又要跟得上AI技术的进化。

焦虑2：人才断层焦虑。

AI时代需要的是既懂业务又能提炼高价值场景，又能基于场景，能够把智能体最终落地的一批人才，这样的人才在我们的企业非常非常短缺。所以，不是技术跑不通，是组织接不住。

焦虑3：价值变现。

如何寻找有效的高价值场景，如何评估我们的ROI。如果这个智能体失败了，谁来担责？这是价值变现的焦虑。

基于以上的这些痛点和问题，银核智能一直在思考，我们的答案是什么？就是我们提出的“一二五方法论”，如何确保工业AI能够规模化落地，我们认为应该有一个核心：工业知识工程。两翼，一翼是安全工程；另外一翼是人才工程，同时有五层级技术确保，从底层的基础设施算力，到模型层、AIP的开发平台层，到工业知识与数据层，再到最上面，就是最核心的FDE，以及最终应用于真正的工业场景、价值变现的能力。

我们认为真正最后让我们的工业AI能够规模化落地企业的标志，不是我的企业现在能做出100个智能体，而是如何持续地做出智能体，并且把价值落地，我们才叫“规模化”。具体展开：

一核的工业知识工程，我们认为工业知识工程包含五类工业知识要素：

1.内嵌了老师傅经验：我们的隐性知识和专家诀窍、专家经验；

2.一套能描绘工业物理世界的本体模型；

3.高质量数据；

4.精益全价值链方法论；

5.企业与行业规则。

我们有效把这五类工业知识进行总结、提炼、汇总，把它们有效进行采集，结构化、语料化、关联化之后，就能形成被智能体调用的宝贵的工业智能资产，智能体可以去做推理、判断、决策。尤其是这里面精益全价值方法论融合了爱波瑞沉淀了27年，在各个行业领域所沉淀下来的最佳经验和实践、问题解决方法。

本体模型：我们联合了将近200位爱波瑞的专家顾问，做出了横跨于行业和管理领域的119个标准的工业本体库，可以供企业进行调用。有的工业知识工程不仅让AI回答是什么，还能回答为什么、怎么办、怎么做？

安全工程&人才工程：安全工程就是能够让我们的AI进得来、跟得上。人才工程是让我们的企业能够接得住、用得好。人才工程在近期我们更多是要帮助企业去培养、去挖掘AI复合型人才，在远期一定是帮助企业去重塑我们的组织能力。因为在智能体进化越来越快的时代，我们的员工花名册里早晚会有很多数字员工。怎么样去管理好这些数字员工，怎么加强人机协同，一定是我们的组织在不远的未来要面临的课题。

五层技术架构：底层，我们要联合我们的生态伙伴给企业提供最佳的算力和适配的模型，中间打通工业知识。顶层深耕工业场景。FDE的能力是工业问题解决能力和AI工程能力的加成，企业说我要做一个智能体不是一上来就做智能体，一定是专家先去诊断问题，然后再看要不要用AI技术，要用哪些技术，怎么评估它的量化成果。

三个实践案例

案例1：从“人防”到“智防”， 某大型钢铁企业无组织排放智能化管控案例

这家企业原来有2000多个无组织排放气体的排放点位，200多个监控指标，75路摄像头的视频监控。一旦没有人在监控中心盯着摄像头时，很容易发生气体泄漏，引发进一步环保督察的责任，问题非常严重。

我们的解决方案是，先用精益去定义问题，定义权责闭环，然后把这些传统的摄像头加上大脑，用我们自研的视觉平台，有效采集数据，并且通过小模型的训练，分析这些无组织排放气体的动作特征，然后再推送到LDC平台进行异常告警以及用智能化的方式去进行根因分析，驱动最终的持续改善。

精益定义问题，AI感知异常，智能化进行闭环的改善。这个案例反映了工业AI的价值不在于用什么技术，而是能不能改变企业实际的业务结果。

案例2：AI如何参与经营

AI如何帮助我们的企业进行成本的智能化穿透，从算成本到懂经营？这家企业经常会面临客户去拆分订单，把高利润产品拿掉只保留低利润产品，或者客户极致压价，就会导致销售人员为了拿单就去签单和接单，但是往往产品做出来了，后期盘账才发现这个订单亏损了。传统的管理会计往往是事后性感觉，报表出来亏损已经发生，很难瞬间穿越回亏损的实际去找到根因，原来要组织多个部门，搜集几天的数据才能找出来。这个时候我们就可以利用AI技术结合工业知识工程去解决这个问题。

我们把成本方面的专家经验、本体模型、高质量数据，以及精益成本管控的方法，以及相关的财务规则全部注入到智能体，智能体就能够理解产品和订单、BOM和工序之间的关系。什么是成本动因，什么是分摊成本，什么是统计成本，就可以做到成本的归集、穿透、归因、模拟、预警甚至最后决策。之后销售人员在接单之前，如果运用了成本穿透的智能体，智能体能自动进行不同订单产品的组合，穿透到每一个产品从制造成本到零部件成本，再到成本归因、成本动因，能够告诉我们这一单到底是亏了还是盈利了，我们就能及时地采取有效的措施。所以，没有工业知识，AI看到的只是数字；有了工业知识，能够看到利润怎么产生、怎么流失。

案例3：AI赋能组织

这是某家整船制造公司的案例，这家公司即将被获评为第二批领航工厂。领航工厂获评之后要进入两年培育期，两年的要求是60%的场景一定是要用AI覆盖。如何覆盖？如果光靠IT部门肯定做不成，因为几百个场景都要AI覆盖。怎么办？我们和企业高层商量，企业高层非常笃定，一定要选各个业务部门最精兵强将的业务骨干过来，然后给他们插上AI的翅膀，带着他们一起去找场景，筛选高价值场景，最后用三个月时间上线三个智能体。

企业领导人非常坚信，只有把首批AI的生力军培养出来，企业所谓的精益数字化转型或者是AI转型这件事情才能开始有效落地，才能有第二批、第三批的人出来。

我们认为真正的AI复合型人才是真正把业务问题能够变成AI解法，再把AI解法最后变成实际业务结果的人。

路在脚下，在此我有三个呼吁：一是呼吁广大企业能够开放场景，让最先进的AI技术能够和最真实的工业场景实现双向奔赴；二是一定要让企业积累几十年的宝贵工业智慧，能够通过工程化的方式，成为AI时代的核心资产；三是能够让AI能力从少数员工所使用的工具，真正进化为整个组织的能力。最后，我用一场穿越两千年的古人和今人的对话结束我今天的分享。

西汉的《盐铁论》说“明者因时而变，知者随事而制”。META公司的创始人扎克伯克也说，“最大的风险是不去承担任何风险”。古人和今人都为我们揭示了一句很简单的道理，就是“时不我待”。模型会不断进化，知识也会不断迭代，我们唯一要做的就是不能等待。未来的竞争不是模型和算力的竞争，而是哪家企业最先把宝贵的工业智慧转化为智能时代可以去调用的工业资产。

最后，祝福大家，愿我们的工业智慧都能够成为我们新的核心竞争力。