Eileen 中国制造业正处在向高端化、智能化、绿色化转型的阶段，工业AI被视作回应提质、降本、增效、安全与绿色发展诉求的一条路径，市场需求随之加快释放。IDC调研数据显示，我国工业企业应用大模型及智能体的比例，已从2024年的9.6%升至2025年的47.5%。36氪研究院测算，2026年我国工业AI可落地市场规模为1163亿元，2030年有望超过3000亿元，年均复合增速超过25%。与此同时，高质量数据稀缺、模型可靠性不足、前期投入高、复合型人才断层等问题同时存在，单点试错或外挂式赋能的模式已难以适应工业场景的要求。36氪研究院据此发布《2026年中国工业AI行业发展研究报告》。
四类瓶颈相互交织
数据方面，高质量异常样本稀缺，跨系统数据孤岛突出，行业标准尚未统一，模型的鲁棒性训练缺少支撑。技术方面，模型的黑箱特性与工业对安全的高要求之间存在矛盾，虚实迁移效果不稳定，多模态数据融合能力有限，可靠性难以满足生产需要。成本方面，硬件、算力与实施的综合投入偏高，中小企业回报周期较长，付费意愿受到限制。认知方面，一线人员接受度不足，复合型人才缺口较大，管理层与执行层的认知也存在脱节。这些问题彼此放大，抬高了规模化落地的门槛。
五要素协同与流程工业实践
报告认为，破解瓶颈需要多维度协同：建设高质量数据体系，通过“采、治、用”全链条治理打通孤岛、沉淀数据资产；推动机理与技术融合，把工业工艺原理转化为可计算规则，提升模型可解释性与场景适配性；采用成本可控的工程化实施，压缩投入、缩短回报周期；补齐复合型人才与认知协同的短板；依靠场景化适配与闭环验证，沿“试点—验证—推广”的路径推进。
在流程工业领域，连续生产、强机理约束和高安全要求的特性，使纯数据驱动的模式难以深入核心生产环节。以中控技术为代表的头部企业，基于数十年工业机理积累，以自研时间序列大模型TPT和通用控制系统UCS为核心，构建自主运行工厂系统AOP，已在氯碱、石化等行业形成规模化标杆案例，并在降本增效、减人提效、安全管控等维度取得可量化的验证。
