工厂原生AI：PPT里的AI和工厂里的AI，中间隔了多远？

2026 世界人工智能大会刚落幕，全网都在讨论智能体手机、人形机器人和 Kimi K3。但在一场规格不低、气氛冷静得多的圆桌会上，一个更接地气的问题被反复追问：AI 从 PPT 走进工厂，到底还差几步？

答案可能比你以为的更复杂。

工厂不是互联网

上海精智董事长魏杰在圆桌会上抛出了一个概念：工厂原生 AI（Factory-Native AI）。

要理解这个概念，先得理解它不是什么。工厂原生 AI 不是给生产线加装一套 AI 质检模块，也不是挂一个数据分析大屏。魏杰的定义是：一个能够理解工业约束、参与生产决策、并对最终结果负责的智能系统。

这和互联网 AI 的差别有多大？一句话就能说明白——互联网算法说错了可以道歉，工厂 AI 推荐错一个工艺参数，零件报废、产线停产，损失是真金白银。

魏杰指出了工业 AI 落地的三个系统性难题：

**第一，数据难获取。**工厂每天产生海量数据——订单、图纸、工艺参数、设备状态、质检报告——但它们分散在不同系统、不同设备、不同人员手里。更致命的是，这些数据缺乏完整的生产语义。AI 看到的只是一串参数和一张工单，读不懂它们之间隐藏的因果链条。

**第二，模型难专业。**一个工艺方案不是答对一道题那么简单。它要同时满足公差、材料、设备、刀具、热处理、质量和交付日期等多重约束。一个排产方案还得考虑人员技能、物料齐套、工序衔接、订单优先级——这些不是通用大模型能"猜"出来的。

**第三，验证场景稀缺。**互联网产品可以快速上线、快速试错，但工厂没有这种奢侈。一次误判可能造成批量报废，一次不合理排产可能让整条产线等料。容错率接近零。

"沃土"：一个开源工艺大模型的野心

在圆桌会现场，上海精智发布了一款名为"沃土"的开源工艺大模型。

"沃土"的训练数据来自真实制造现场：近 10 万张原始工程图纸，30 万道非标工序数据。它的目标不是做一个通用问答机器人，而是让 AI 从真实的制造数据里"长"出来——工厂既是数据源，也是训练场和验证场。

目前上海精智的实践已经覆盖近 300 家制造企业，涵盖机加工、压铸、钣金、注塑等核心工艺环节，客户包括特斯拉的电机供应商和复兴号的零部件供应商。

魏杰的野心不止于此。"沃土"开源，意味着他希望这个模型成为中国制造工艺的智能底座，让更多中小工厂能把 AI 真正用起来，而不是看着 PPT 干着急。

物理 AI：说不了一句"对不起"

如果说魏杰代表的是"工业软件派"，那海清智元副总经理柴剑代表的是另一个思路：物理 AI。

柴剑把 AI 分成两条路径——数字 AI 和物理 AI。数字 AI 基于文本和图像语料生成内容，物理 AI 通过端侧设备直接感知真实世界，做出实时决策。

两者的核心区别是：数字 AI 说错了可以重来，物理 AI 打错方向盘的结果是致命的。柴剑称之为"不可回滚"。

海清智元的核心产品是多光谱 AI 火灾预警系统，已经在数据中心、电力系统和能源设施中落地。一个值得注意的信号是，公司第一大客户已经从传统工业客户转向了数据机房——这说明 AI 算力基建本身的扩张，正在反向拉动工业 AI 的需求。

共识：别跟着热闹走，跟着利润走

圆桌会最后，时空象限创业孵化器负责人曹莉莉的总结简洁到让人难忘："跟着利润走，别跟着热闹走。"

她以团队孵化的 AI 潮玩项目举例：先用 59 元的基础产品验证市场、实现百万级销量，再把具身智能技术降维应用到 IP 上。"先盈利、再迭代，依托稳定营收反哺技术研发，这才是长期主义。"

恩和科技 AI & Computation 总监宋任剑则给出了一个更根本的观察：一个行业被 AI 取代的速度，取决于数据闭环的迭代速度。

"Coding 已经没人手动写了，因为开发者用 AI 迭代模型的速度足够快。生物制造领域也一样，物理实验的数据能有多快回流到模型中，决定了 AI 能走多远。"

这恰恰是工厂原生 AI 要解决的核心问题：能不能让数据从产线到模型的闭环转起来？能不能让模型在真实约束下持续进化？

写在最后

WAIC 2026 最热闹的是人形机器人和智能体手机。但真正决定 AI 能走多远的，可能是这些不那么热闹的角落——真实的工厂、真实的医院、真实的商场里，AI 能不能稳定地、可持续地、可盈利地运行。

当行业集体从"秀参数"转向"算利润"，也许才是 AI 真正成熟的开始。