作者：彭昭（智次方创始人、云和资本联合创始合伙人）

物女皇：AI重构工业底座

这是我的第431篇专栏文章。

最近，我和涛思数据创始人陶建辉做了一次深度对谈，此前他曾经分享过一个很有画面感的细节，他去卷烟厂和现场工程师聊天，对方打量了一下他，说：“你身上都没有烟味”。

这句话说的是他，其实也是在说如今的AI大模型。语言能力再逆天，进了工厂也就是个“新员工”。它不知道“3号炉出口温度显示620度”究竟意味着什么，不知道这个炉子属于哪条产线，不知道正常波动范围是多少，更不知道它的上下游联动机制。

关于大模型如何进工厂的窘境，行业里已经讨论了很久。在这次对谈中，我整理了一些数据，是5家头部工业互联网企业的招股书和年报，合计1700多页。

如果把这5份财报与档案，和海外过去十几年的工业数字化样本放在一起，我们能回答一个比“大模型如何进工厂”更早、也更该回答的问题：上一代替大模型“修路”的工业互联网平台们，为什么纷纷折戟？

破灭的平台神话：一份长达14年的“实验报告”

让我们首先把目光投向海外。2012年GE首次在全球提出工业互联网概念，2013年正式推出Predix平台产品。GE曾为其数字化转型投入超过40亿美元，数字部门人数峰值近2.8万人。然而2018年GE重组数字业务后，其“横向平台”的宏大叙事宣告终结；西门子MindSphere在2016年高调登场，却在2023年黯然更名为Insights Hub，降格为产品组件；同年，Google IoT Core与IBM Watson IoT平台相继低调关停；SAP的Leonardo品牌也早已悄然淡出。

视线拉回国内。工信部“双跨平台”名单从2019年的10家，一路狂奔扩容到2023年的51家，随后收缩，评价体系开始分级。资本市场上，树根互联于2023年从科创板撤回IPO，成为转折事件之一。

按弗若斯特沙利文的统计口径，在国内基于平台的工业数据智能解决方案市场，排名第一的企业，其市场份额仅为1.7%。十余年的行业宏大叙事，七年的双跨名单角逐，先后50余家顶尖企业入选，最终聚合出来的“行业第一”，份额甚至不到五十分之一。

这不仅是一家公司的成绩单，更是一张残酷的行业实验报告。

结论呼之欲出：工业领域，不存在所谓的“平台经济学”。

“平台”这个词，是从消费互联网借来的。它成立的核心前提叫“网络效应”：多一个用户，其他用户手里的网络就更值钱。但工业数据天生没有这个属性。A厂的产线连上平台，不会让B厂的连接变得更有价值，跨客户的外部性几乎为零。没有网络效应，就没有赢家通吃。

第二个困局，在于服务的边际成本是“人”。

消费平台服务1亿人和服务100万人的服务器成本相差无几，但工业平台每多一个客户，就必须多塞进去一个项目组。GE数字部门一度堆到近2.8万人；树根互联曾在两年内员工从500多人暴涨到1500人，2021年人均创收34万元，但同年人均摊到的亏损却超过了这个数字。每个员工创造的收入，甚至填不上他分摊的财务窟窿。

第三个困局，是收费的“锚”定错了。

上一代平台想收的是入场费：连接费、平台使用费、订阅费。但纵观近五十年的工业史，客户只心甘情愿为两样东西掏钱：一样是验收过的确定性结果，所以项目制大行其道。但项目制的代价很明显，一旦下游资本开支踩刹车，项目制收入当期就会归零，毫无缓冲垫。

另一样是替换成本极高的“年金”，标准答案是OSIsoft（PI System）。这家年收入约4亿美元的公司，先被AVEVA花50亿美元买下，施耐德随后又以超百亿美元的估值将AVEVA整体私有化。巨头们买的是什么？是全球两万多个站点几十年的数据沉淀，以及上面的海量应用。客户根本换不动，维保费只能年年照付。

反观上一代平台，两头都不占：既没有按结果收费的硬核交付能力，也没有让客户换不动的存量资产。

破局的转折点：AI如何解开“2.5个”死结

转折点终于来了。上述三大困局，AI的出现直接动摇了其中的“两个半”。

先看第二个困局，边际成本。陶建辉告诉我，过去一年他几乎天天用AI写代码、写文档，公司内部研发效率提高了至少5倍。软件的生产成本率先实现断崖式下降。更关键的是服务成本：部署、答疑、排障、报表、面板…过去每个客户都需要压上一个项目组的活儿，如今完全可以交给系统里的AI智能体承接。服务的边际成本在工业软件历史上第一次得到指数级压缩。

再看第一个困局，网络效应，被解决了一半：语义。过去做数据标准化、建信息模型，本质上是为下一个项目做“公益”。干活的是这一单，受益的是下一单，没有客户愿意为它单独付钱。于是标准化永远推不动，五十家双跨平台恨不得有一百套模型。

比如，“620”这个数字孤立存在时，什么都不是，它可以是温度，是转速，甚至只是一个随意的编号。所谓的“语义”，就是挂在这个数字身上的一整串说明书。它代表温度，单位是摄氏度，测点位于3号炉出口，隶属二车间一号产线。它的正常波动范围在580度到650度之间，超过680度必须报警。它的上游是配料工序，下游是冷却工序。只有贴上这些标签，AI大模型拿到这个数字时，才能真正明白它是什么、和谁有关联。这就好比给工厂的全部数据编纂了一部“字典”，让AI可以逐条查阅每个词的真实含义。

AI大模型可能将改变这件事的收益结构，本体建没建好，直接决定了AI能不能干活。只有每个对象有身份、每条关系被显式表达、每条数据带业务语义，大模型才读得懂那句“620度”。

语义，第一次有了直接买主，“字典”可能将会成为核心产品。谁的语义模型成为了事实标准，谁就可能握住工业AI的读取权入口。

第三个困局，收费锚点，动得最深，因为计价的锚定彻底换了。

AI大模型天生具有概率性和不确定性，而工业现场要求绝对的确定性。因此，基础的“功能”可以免费，因为AI让代码和功能的生产成本大幅下降；但“责任”没法免费。企业真正愿意掏钱的，是确保这套系统不出错的“保险”，包括服务保障、合规审计、权限分级、以及人在环内（Human-in-the-loop）的关键把关。

这构成了商业版与免费版之间那道坚实的收费墙。用一句话概括：功能免费，责任收费。

这里需要引入一个新的概念。PI System的年金锚定在“数据搬不走”上，但AI正在持续击穿迁移成本，代码可以生成，数据可以搬运，连本体模型都可能一键导出，“换不动”这项资产正在快速贬值。年金模式不会消失，但锚点可能会转移：从过去“数据搬不走”的被动绑定，转换到如今“责任必须有人扛”的主动服务。

2.5个困局说完，剩下的那半个是：客户数据层的网络效应，AI依然没有创造出来。工厂依然不想见到别家的数据，单厂闭环依然是工业界的铁律…

但奇妙的是，网络效应似乎有了萌芽。

增长新飞轮：争夺“模型记忆”与“AI主权”

工业软件历史上第一条真实的增长飞轮，可能将生长在“AI大模型的记忆”里。

过去，软件公司需要耗费大量销售资源去说服企业的CIO购买产品。但在AI时代，越来越多的代码编写、系统集成和技术选型，正在由AI智能体自动完成。软件的采购决策者，正在从“人”变成“模型”。

如果你的工业软件开源程度高、在AI的训练语料库和工具注册表里出现得越多，AI在生成方案时，就会默认优先调用你的工具。部署量随之增加，又会产生更多语料，形成正向循环。

上一代平台争夺的是CIO的预算，这一代底座争夺的是“模型记忆”。

同时，更有意思的是，海外最成功的数据公司之一Palantir，在财报中强调了另一个卖点：“AI主权”。

Palantir公司在2025财年收入达44.75亿美元，增长56%；2026年二季度收入19.4亿美元，增长93%，单季净利润10.6亿美元，净利润率高达55%。其CEO亚历克斯·卡普在2025年报的署名评论里，把这一趋势称作“认知的大宗商品化”，半年后，他把卖点进一步推到“AI主权”。他反复向客户保证，你们工厂的私有数据和工艺优势，绝不会被拿去训练任何公共模型。

一边是开源工具靠“进入语料”获得AI的青睐与分发；另一边是Palantir靠“隔绝语料”向客户出售信任。

这看似矛盾，实则拼出了一张完整的工业AI商业版图：作为基础设施的“工具”，越公共越好，这决定了你能否被AI广泛调用；而客户具体的“工艺语境”，越私密越好，这决定了工厂的核心竞争力。

什么是“语境”？语境是这条数据以及周边的来龙去脉，是当时当地的全局状况。只认识“3号炉出口温度620度”还远远不够。此刻这个炉子在生产什么编号的产品？是刚点火的升温阶段，还是已经稳定生产了8个小时？昨晚有没有换过一批新原料？这家厂的老师傅是不是习惯把温度压得比同行低10度？同样是620度，放在升温阶段完全正常，放在稳产阶段却可能是故障的前兆。判断这条数据究竟是好是坏所需要的全部背景信息，就是语境。

简而言之：语义让AI“认字”，语境让AI“懂事”。语义是单条数据的标签，而语境是整个现场的生态。

文章开头卷烟厂工程师那句“你身上没有烟味”，一语道破的正是AI缺乏语境的窘境，大模型认识“温度”这两个字，但它没在这个厂里摸爬滚打过，不懂这里的规矩、习惯和当下的突发状况。

理解了这一层，商业上为什么要将语义和语境两者分开对待，也就豁然开朗了。

字典（语义）是可以且必须标准化的，温度就该统一叫温度，不能这家叫Temp，那家叫T01。谁的字典格式成了通用标准，谁就赢得了生态，因此它天然适合做成公共的基础设施。

但语境里，藏着每家工厂的“独门绝技”，配方、参数、老师傅几十年的手感，这是企业赢过同行的核心资产，绝不能沦为公共知识，更不能变成别人模型的训练数据。

作为工具的语义标准，越公开、越多人用越好；而作为核心资产的现场语境，越私密越值钱。这一代数据底座的全部生意，就是同时做好这两件方向相反的事。

两条路线由此分岔：

一条是Palantir的“手工高价”路线：帮客户建私有模型 + 工程师贴身服务 + 为结果负责。这条路极其昂贵且挑客户，单季55%的净利率证明了它的极高天花板，但它本质上是高端项目制，绕开了平台经济学。

另一条则是“体量路径”：底层引擎开源、基础平台免费、押注在规模与生态。这正是上一代工业互联网平台没修成的那条路，赌注就是AI真的能把边际交付成本降下来。

写在最后

回望过去14年，工业互联网平台的拓荒者们不可谓不努力，但他们试图用消费互联网的“平台经济学”去硬套工业的复杂现实，最终难逃商业模式的引力法则。

如今，大模型的涌现并非仅仅提供了一个更聪明的对话框，而是重构了工业软件的成本结构与价值锚点。

当代码生成的边际成本大幅摊薄，当语义模型让数据真正具备了可读性，当商业模式从“卖门票”走向“收责任费”，工业数字化的齿轮才真正开始咬合。

大模型进工厂的下半场，比拼的不再是宏大叙事，而是谁能最快在泥泞的工业现场，帮AI把那身“烟味”染上。