作者：彭昭（智次方创始人、云和资本联合创始合伙人）

物女皇：让AI穿工装

这是我的第400篇专栏文章。

1月7日，八部门联合印发《“人工智能+制造”专项行动实施意见》。1月12日，工信部部长李乐成在接受新华社访谈时表示要“培育一批重点行业智能体、智能原生企业”。种种最新定调，这几天在圈子里激起了不小的浪花。

大家的眼睛通常盯着那些显眼的数字：“3-5个通用大模型”，“1000个高水平工业智能体”。但在我看来，只盯着这些KPI还不够完整。这份文件，连同李部长的讲话，实则是国家层面发出的一个极其强烈的“纠偏信号”，更是一次对行业价值的“重估信号”。

这让我联想到1月10日下午由清华大学基础模型北京市重点实验室、智谱AI发起的AGI-Next前沿峰会上，杨强（加拿大皇家科学院院士）、唐杰（智谱首席科学家、清华大学教授）、林俊旸（阿里巴巴Qwen技术负责人）、姚顺雨（腾讯“CEO/总裁办公室”首席AI科学家）这些顶尖专家们在圆桌对话中的真实发声。

图源：01Founder

如果将政策的风向和专家的冷思考放在一起，坦诚的说，我们必须承认一个听起来有些刺耳和残酷的现实：中国的AI，正在玩一场“约束下的游戏”。

这里所说的“约束”，是指相对于OpenAI这类顶级玩家，我们在算力储备和探索性研究上存在的数量级差距。正因为受到各种“约束”，我们玩不起“百模大战”那种烧钱的消耗战，也赌不起AGI不知何时才会降临的随机涌现。

李乐成部长提出的“以万千小场景汇聚形成融合大场面”，恰恰是这种“资源集约、工程极致”战略的最佳注脚。

这句话的分量很重，它实际上宣告了那个仅仅依靠“堆算力、炼大模型”来讲故事的时代，在制造业已经彻底结束了。我们需要透过政策的字里行间，看到工业AI正在发生的三个根本性的价值迁移。

从“模型竞赛”到“模数共振”：工业AI的护城河在迁移

过去两年，资本市场的热钱像疯了一样涌向基础大模型层，仿佛谁拥有了最大的参数量，谁就拥有了未来。然而，《意见》里那句看似轻描淡写的“推动3-5个通用大模型在制造业深度应用”，实则力透纸背。

这不仅仅是筛选，更是在给过热的“百模大战”按下暂停键。

林俊旸在圆桌上的那个比喻，至今让我回味无穷。他说：“富人（OpenAI）拿算力做Research探索无人区，穷人（我们）拿算力做业务赌确定性。”这话听着扎心，却道出了中国工业AI的生存法则。

李乐成部长在最新的讲话中，特意用了“牵住工业数据这个‘牛鼻子’”这样接地气的表述，并提出启动“工业数据筑基行动”。这背后的逻辑再清晰不过：未来的竞争高地，已经从单纯的“拥有模型”，不可逆转地转向了“拥有高质量数据集”和“模型微调能力”。

在这个逻辑下，我们必须告别“智商焦虑”，转而拥抱“工程极致”。在To C的聊天窗口里，模型智商从92分提升到98分，用户可能只是觉得它“变得更机灵了一点”，甚至感知不强；但在To B的工业现场，这6分的差距，就是“良品”与“废品”的天壤之别，是利润与亏损的分水岭。要填平这6分的鸿沟，不能靠盲目扩大参数规模，那是富人的玩法，我们玩不起。我们要走的，是“算法与基建的极致联合优化”这条窄门。

这也倒逼着我们修正投资和实施人工智能的逻辑。说实话，我现在不再迷信那些动不动就声称要“超越GPT-5”的通用模型团队。相反，我们应该开始拿着放大镜寻找那些“抠门”的团队。他们懂得在有限的算力下，通过蒸馏、量化，甚至是看似笨拙的硬编码结合，把模型性能在缺陷检测、排产优化这些特定工业场景里压榨到极致。这种“抠”，才是工业AI真正的性感之处。

最后，我们不得不谈到数据的定价权重估。正如李部长所言，要“建设一批高质量行业数据集”。在算力受限的大背景下，数据质量成了唯一的杠杆。谁能用更少的数据、更小的模型解决问题，谁就拥有了工业AI时代的生存权。这不再是关于谁的模型更大，而是关于谁的数据更“纯”，谁的工程更“精”。

从“辅助工具”到“数字员工”：工业软件的商业模式正在崩塌与重建

《意见》里提到的“1000个高水平工业智能体”，以及李乐成部长直接抛出的培育“智能原生企业”的概念，在我看来，这绝对是一个极具深远影响的信号。

很多人还在惯性思维里打转，把“智能体”看作是更高级的软件功能，或者是一个更聪明的对话机器人。但在我看来，智能体绝非改良，它是传统工业软件的“革新者”。

传统的MES、ERP本质上是“工具”，是给人用的，其商业模式简单粗暴：卖License，按人头或按节点收费。而AIoT智能体具备感知、决策、执行的闭环能力，它不再是工具，而更像是一个“数字员工”。当软件的角色发生质变，商业模式的崩塌与重建就在所难免。

不过，我必须给现在市场上火热的智能体创业潮泼一盆冷水：“套壳”做工业智能体，注定是死路一条。

一个非常冷酷但真实的结论：“模型即产品”。在工业场景中，智能体遇到的长尾问题，比如某种极其特殊的焊接瑕疵，或者特定温湿度下的材料形变，靠修修补补提示词是根本解决不了的。解决这些长尾场景的唯一路径，是必须回到模型层，通过“烧卡”重训来修复。这意味着，那些没有底层训练能力、只能调用API的“中间商”，将彻底失去响应工厂现场千奇百怪需求的能力，最终被市场淘汰。

更深一层的变革在于对“Coding能力”的重新定义。李部长在讲话中特意提到了“破解工业标准协议兼容互通等瓶颈”，这与AI专家们在圆桌对话中提到的“下一场硬仗是Coding”不谋而合。在制造业，Coding不仅仅是写几行Python代码，更是生成控制逻辑，是直接生成PLC或CNC代码。未来的工业智能体，如果不能跨越IT与OT的鸿沟，不具备直接驱动机器的能力，就只能是纸上谈兵。

这一切最终将重塑商业模式。当软件变成了“数字员工”，收费模式将自然而然地从“按账号收费”转向“按结果收费”。雇佣一个工人是按产出付钱，雇佣一个数字员工亦然。资本的嗅觉是最灵敏的，他们将毫不犹豫地抛弃那些只会做漂亮对话和演示界面的公司，转而拥抱那些“左手懂垂类模型训练，右手懂工业控制协议”的硬核技术公司。因为只有后者，才真正拿到了通往“智能原生企业”的入场券。

从“单点突破”到“生态主导”：中间层的机会与“死亡之谷”

圆桌上林俊旸那个关于“3-5年后中国AI全球领先概率仅20%”的判断，确实听得人心里一沉。算力鸿沟摆在那里，而我们文化基因里那种“太爱确定性”的惯性，似乎也成了阻碍颠覆性创新的绊脚石。

但如果换个角度，辩证地看，这未必全是坏事。

因为制造业，恰恰是一个最需要“确定性”的行业，也是最容不下“幻觉”的地方。

OpenAI那种天马行空的探索精神，固然适合科学发现的“从0到1”，但中国工程师骨子里那种“求稳”和“死磕”的精神，恰恰是工业AI“从1到100”落地的最佳土壤。

李乐成部长反复强调的“万千小场景汇聚”，其实正是这种确定性在产业层面的具体体现。我们也许对于做出最惊艳的通用大模型并没有十足把握，但我们完全有能力把每一个细分场景打磨得最透彻。

这就引出了腾讯姚顺雨提到的“To B的智商溢价”理论。在消费互联网，用户可能因为好玩而容忍胡说八道，但在工业市场，逻辑完全不同。企业愿意为一个能把10个任务做对9个的模型支付200美金，却不会为一个能写诗但偶尔报错的模型付一分钱。这就是工业市场的冷酷逻辑：我们不需要模型风花雪月，我们需要它在判断设备故障、预测良率时绝对准确。这种对精准度的极致追求，正是中国技术公司擅长的战场。

然而，从实验室的模型到工厂的产线，中间横亘着一道著名的“死亡之谷”。这次《意见》中特别强调了“中试验证环节”，可谓切中要害。我非常看好那些能够利用AI技术缩短中试周期、降低试错成本的技术服务商。在未来的生态中，他们有可能是连接科研与产业的关键桥梁，是帮助制造业跨越“死亡之谷”的摆渡人。

说到底，既然我们在AGI那场仰望星空的“登月竞赛”中胜算未定，那么在“工业落地”这场脚踏实地的阵地战中，我们就必须赢，也输不起。这需要一种“笨笨的坚持”。

这种坚持，不是站在聚光灯下发布炫酷的Demo，而是沉下心来，深入充满油污和噪音的车间，去把每一个数据标注好，去把每一个反馈回路打通。这听起来不性感，甚至很枯燥，但这才是中国工业AI真正的护城河。

写在最后

此次发布的《“人工智能+制造”专项行动实施意见》，在我看来，与其说是新一轮竞赛的发令枪，不如说是一声尖锐的“清场哨”。它吹响了投机者离场的终章，也吹响了实干家集结的号角。

筛选和培育AI团队的策略已经非常清晰，甚至可以说有些“冷酷”：果断避开那些还在讲“通用大模型”宏大叙事的腰部团队，因为那是巨头的战场；重仓那些拥有“模型重训能力”且真正打通了“工业数据闭环”的垂类AIoT智能体公司；支持那些坦承自己资源“受限”的创业者。正因为资源有限，他们才被逼练就了极致的工程落地能力，而不是靠烧钱堆算力。

未来的万亿级工业AI市场，注定属于那些敢让大模型脱下西装、穿上工装，真正下沉到车间，去解决一个个具体、琐碎甚至看起来乏味的工程问题的企业。

这才是“人工智能+制造”真正的中国叙事。