軟硬協同、雲邊融合、垂類模型:工業AI的三大真相

作者:彭昭(智次方創始人、雲和資本聯合創始合夥人)
物聯網智庫 原創
這是我的第372篇專欄文章。
當AI遇上工業,真正的挑戰才剛剛開始。
在AI大模型席捲全球、生成式AI持續重新整理公眾認知的當下,工業界的智慧化程序,卻仍處在一個“熱在雲端、冷在現場”的臨界點。
模型可以繪畫、寫作、生成程式碼,卻難以真正嵌入一條產線、控制一臺裝置、最佳化一個流程。與消費級AI的爆發相比,工業AI的落地始終顯得緩慢、複雜,甚至令人沮喪。
但這一次,或許真的不一樣。
在COMPUTEX 2025展會期間,研華科技舉辦了一系列重量級產業主題會議,邀請多位業界意見領袖、技術專家與合作伙伴,共同探討技術如何驅動新一輪的數字化轉型浪潮。而在這一系列對話中,最為核心的正是研華科技董事長劉克振(KC)與我之間的一場深度交流。
在對話中,KC不僅回顧了物聯網平臺十年前的泡沫與幻滅,更坦率地指出:“工業智慧不是不會發生,而是還缺一個催化劑。”而這個催化劑,正是AI與邊緣計算的融合。
在這次對談中,研華首次提出其最新的品牌宣言:Edge Computing & WISE-Edge in Action,並宣告將在五大垂直產業全面推進工業智慧化的落地佈局。
作為全球工業物聯網領域的領導廠商,研華長期深耕邊緣硬體與工業軟體平臺,在過去十年默默積累、持續打磨。如今,她試圖在AI成為“可部署智慧”的關鍵節點上,完成一次戰略重構:不是空談“平臺夢想”,而是構建“軟硬協同、雲邊閉環”的現實路徑。
本文將圍繞這次對話中的核心觀點進行深入解析:工業AI為何遲遲無法落地?模型強大為何在工廠難以找到用武之地?AI與邊緣的融合,究竟帶來了什麼根本性改變?更重要的是,對於整個產業鏈來說,我們該以什麼樣的心態、節奏與策略走進這場被稱為“物理AI”的新時代?

工業AI的“第二次機會”來了,但這次不一樣

“我們在2018年熱烈討論物聯網平臺的機會與合作,當時大家都相信這會是一場產業革命。但現實是——沒人真正成功。”研華科技董事長劉克振(KC)在本次對話中直言不諱,也是對過去十年“工業智慧化”熱潮最真實的註腳。
的確,大約十年前,工業物聯網(IIoT)被視為下一個“萬億級風口”,全球無數科技與製造巨頭紛紛推出平臺戰略:GE的Predix、西門子的MindSphere,以及研華自己的WISE-PaaS…但幾年過去,大多數平臺要麼停滯、要麼轉型,工業智慧化的承諾並未如期兌現。
KC用一句話總結了原因:“…不是不會發生,而是缺了一種催化劑。”這個催化劑,正是AI,特別是AI與邊緣計算的融合。
過去十年,工業界所期待的“平臺革命”之所以難以落地,一個根本問題是:工業現場的複雜性、異構性、即時性、安全性,讓傳統雲平臺的邏輯在工廠、醫院、電網等物理場景中失效。AI雖強,卻始終“落不了地”;模型雖大,卻始終離現場太遠。
這正是我們在本次對話中反覆強調的觀點:工業場景並不缺模型,缺的是“能跑得起來的AI”。
AI再強,如果它只能在雲端執行、需要海量算力、耗時數秒才能出結果,那麼它對一條需要毫秒級決策的產線來說是毫無意義的。真正能改變工業的,不是“更聰明的演算法”,而是“更貼地的智慧”。
這也正是邊緣計算的意義所在。Edge,不是一個新的硬體形態,而是一種新型智慧部署方式:讓感知、決策、執行三者,在現場完成閉環。
邊緣計算讓模型“跑在現場”,讓演算法“嵌入流程”,讓AI從一個“技術外掛”變成“系統能力”。這不是讓AI更強,而是讓系統本身更主動、更響應、更安全、更穩定。
這一次與研華的對話讓我感覺到:工業AI的第二次機會,正在到來。但這一次,它不再是雲端的熱鬧實驗,而是地面上的系統戰。
它的本質不在於是否擁有“更大的模型”,而在於是否能夠構建“更小的閉環”;不在於演算法能處理多少語義,而在於它能否控制一個具體的物理變數;不在於能否驚豔演示,而在於能否穩定執行。
換句話說:這次的工業AI,不需要“看起來很強”,它需要“跑得起來”,能夠“嵌入現場”。

工業AI的落地邏輯:軟硬協同+雲邊閉環+垂類模型

如果說工業AI的“第二次機會”已經到來,那麼接下來的問題就是:它將以怎樣的路徑真正落地?
這不只是一個技術問題,更是一個系統工程——需要軟硬體的協同演進,需要計算架構的重新部署,更需要模型範式的重新定義。而在我與KC的對話中,三個關鍵詞逐漸清晰地浮現出來:軟硬協同、雲邊閉環、垂類模型。它們構成了工業AI落地的“三段式推進邏輯”。

1. 軟硬協同:AI不是“雲裡飛”,而是“地上跑”

KC在對話中反覆強調,研華的戰略定位從來不是做“最終方案”,而是做“系統元件的供應者”。這背後,其實是一種深刻的路徑選擇:工業AI的落地,不是靠一個完美的解決方案,而是靠一套可組合、可複製、可演進的系統元件。
研華的三層架構非常值得借鑑:
  • 第一層是邊緣硬體——涵蓋超過1000個SKU的現場級運算裝置,適配各種工業環境;
  • 第二層是WISE-Edge容器化軟體平臺——提供驅動介面、容器工具、API對接能力;
  • 第三層是垂直領域應用模組——將AI能力封裝成可直接部署的行業模組。
這個架構的關鍵,並不在於“誰做出了AI”,而在於誰能把AI嵌入到工業系統的日常執行中。
工業現場不是一張白紙,它是一個高度複雜、冗餘、多源異構的生態系統。任何AI能力,都必須透過“軟硬協同”的方式,與已有系統無縫對接、穩定執行。
這意味著:工業AI不是“雲裡飛”的模型,而是“地上跑”的系統工程。

2. 雲邊協同:閉環比演算法更重要

很多AI專案失敗的根源,不在於演算法不行,而在於它們從未真正跑過一條完整的閉環。我在對話中提到,工業AI的核心,不是“能不能訓練出一個好模型”,而是“能不能讓這個模型在現場執行”。這就要求系統具備四個關鍵特性:
  • 即時性:工業系統不能等雲端運算結果,它要在現場秒速響應;
  • 可靠性:即使斷網、掉電,也要本地繼續執行,不能癱瘓;
  • 安全性:資料不能隨意上傳,必須保障本地隱私與合規性;
  • 適應性:每一個工廠、每一條產線,都是獨一無二的,需要“專屬智慧”。
這些能力的核心,不在雲,而在邊。邊緣計算的價值,正是讓感知、決策、執行三者形成物理反饋閉環,而不僅僅是邏輯鏈條。
我經常說,“工業不是語文題,也不是數學題,而是物理題。”通用大模型能理解語義,但工業現場需要控制變數;它不是開放世界,而是多約束系統;不是生成知識,而是執行邏輯。
因此,工業AI的落地,不是“跑得更聰明”,而是“跑得更完整”。模型再強,如果不能閉環,就是空談。

3. 垂類模型:小模型才是大機會

AI之所以在工業場景“水土不服”,還有一個根本原因:通用模型的抽象邏輯,與工業的具體性天然衝突。
工業不是“理解世界”,而是“控制系統”;不是“生成答案”,而是“規避故障”。比起一個大而全的通用模型,工業更需要一個垂直、專用、可控的小模型。
比如為數控機床預測刀具磨損而訓練的模型,它的引數量或許只有幾千萬,但它對感測器資料、裝置介面、工藝邏輯、報警機制都深度定製,真正能在產線中長期穩定執行。它的價值,不在於“能生成”,而在於“能運營”。
如果比喻通用大模型是“百科全書”,那麼垂類模型需要成為工業的“操作手冊”。
工業AI的未來,屬於這些能嵌入流程、跑通閉環、繫結客戶的小模型。它們可能不驚豔,但極具粘性;可能不萬能,但極具效率。真正有價值的模型,不是最強的,而是最“接地氣”的。
從軟硬協同,到雲邊閉環,再到垂類模型,這三者構成了工業AI落地的系統三角。它不是技術的疊加,而是邏輯的重構;它不是風口的敘事,而是能力的閉環。
這也意味著,工業AI的未來,不屬於“最聰明的模型提供者”,而屬於“最能跑通系統閉環的能力構建者”。

生態角色重新劃分,工業智慧體的價值鏈將重構

如果說軟硬協同、雲邊閉環與垂類模型共同構成了工業AI的落地邏輯,那麼接下來的問題是:誰來做這件事?價值鏈如何重構?產業鏈上的不同玩家又該如何參與?
在我們的對話尾聲,KC給出了一幅清晰的產業角色圖景:未來工業AI生態將由三類核心角色組成:元件供應商、系統整合商,以及垂類智慧體開發者。
這不是一個靜態分工,而是一個動態協同的系統架構,預示著工業智慧價值網路的重構邏輯。

1. 元件供應商:做對“底層”,不爭“頂層”

研華選擇了最樸素也最具戰略縱深的位置——成為全球工業AI生態的元件供應者。這意味著它不追求“閉環終端”的控制權,而專注於提供可複製、可整合、可定製的邊緣硬體、容器化軟體、行業模組三大類核心模組。
正如KC所說,研華的角色不是“做菜”,而是“提供最好的食材、調料和食譜”,讓系統整合商能夠快速交付場景化的工業AI方案。這種角色定位有兩個巨大優勢:
  • 一是避免價值鏈“碰撞”,與更多夥伴形成互補而非競爭;
  • 二是形成規模化“中臺能力”,在多專案、多行業之間積累平臺級能力。
對於其他硬體廠商、工具平臺提供者而言,這是一種可借鑑的思路:在工業AI中佔據一個結構性位置,而不是追逐短期的客戶訂單或全棧解決方案的幻覺。

2. 系統整合商:連線“最後一公里”,但別試圖吃下全程

工業智慧化的複雜性決定了沒有任何一個玩家可以獨立完成從硬體到模型、從部署到運維的全棧閉環。這正是系統整合商(SI)不可替代的價值所在——他們最瞭解客戶現場、工藝流程、行業規範,能夠將通用能力“翻譯”為特定場景下的可執行方案。
但新的挑戰也隨之而來:傳統的“專案制交付”已無法滿足工業AI的持續演化需求。未來的SI必須具備平臺思維、產品意識和持續運營能力。這意味著:
  • 從“一次性交付”轉向“持續整合+資料閉環”;
  • 與元件商、模型商建立長期協同機制,而非一錘子買賣;
  • 更要認清邊界:不要幻想成為“AI模型公司”,而是成為“AI系統的整合節點”。

3. 垂類智慧體開發者:誰能“吃透場景”,誰就掌握閉環

最後一個關鍵角色,是垂類智慧體的開發者。這可能是初創公司,也可能是大型企業的行業子公司,甚至可能是某些傳統工業軟體廠商的“重生體”。他們的任務,是圍繞某一類工藝、流程或裝置,開發出可執行、可演進、可收費的工業AI模型與Agent智慧體系統。
KC在對話中提到,未來的工業客戶更傾向於在現場部署小型私有云,並在其上執行專屬垂類模型。這意味著:
  • 通用大模型不再是唯一解,“工藝級智慧體”將成為新常態
  • 模型價值不在於引數規模,而在於“是否能跑通資料-決策-反饋閉環”;
  • 誰能吃透一個行業的知識圖譜、感測器邏輯、控制介面,誰就能構建出不可替代的場景智慧。
這將是工業AI最激烈也最有價值的戰場。
無論是元件供應商、系統整合商,還是垂類智慧體開發者,就產業鏈整體而言,我們的建議是:放棄“全棧幻想”,建立“協同機制”。
在消費級AI領域,“全棧自研”或許是一種豪情;但在工業AI領域,這更可能是一種幻想。
工業智慧系統需要感知、控制、邊緣計算、領域知識、運維體系、閉環反饋、合規機制等多項能力協同,任何一個角色想“包打天下”,最終都將陷入系統性不可持續。
真正的策略,是認清自己的結構性價值,找到最佳生態位,並與上下游建立清晰、穩定、長期的協同機制。工業AI的成功,不屬於孤膽英雄,而屬於協作網路。

寫在最後

工業AI,不需要急著爆發,而是更該慢慢變深。
回到文章開頭的問題:為什麼我們在十年前錯判了工業網際網路平臺的爆發?也許答案並不複雜——我們高估了短期變革的速度,卻低估了系統演進的難度。
如今,工業AI正迎來“第二次機會”。但這一次,我們不該再用“平臺革命”或“模型奇蹟”的眼光來看待它。工業智慧化不是某一項技術的突破,而是一場系統性的認知重構與能力重構。它無法一蹴而就,但一旦紮根,將深刻重塑整個產業的底層邏輯。
真正值得關注的,不是下一家“釋出大模型”的工業AI公司,而是那些在看似緩慢的節奏中,持續構建閉環能力、不斷打磨軟硬協同、深耕垂直場景的長期主義者。他們可能不會最先出現在新聞頭條,但他們將是最晚離場的贏家。
這也是我在與KC深度對話後的最大感觸——工業AI的未來,不屬於最炫目的技術,而屬於最紮實的系統能力;不屬於“AI替代人”的幻想,而屬於“AI與行業知識深度融合”的現實。
我們正走進一個新階段,AI不再只是智慧的象徵,而正在成為產業的“新常識”。它不再是實驗室裡的高光時刻,而是每天每秒都在裝置、流程、工藝中默默執行的生產力工具。
所以,是時候放下對“爆發性奇蹟”的執念,轉而堅定投入到“漸進式深耕”的路徑中。讓AI不僅能看懂世界,更能改變工廠;不僅能生成答案,更能執行決策;不僅能飛在雲端,更能紮根現場。
這才是工業AI真正的意義。
近期活動


相關文章