4月18日，在奇點智能技術大會「AI+行業(yè)落地實踐」分會場，中能拾貝創(chuàng)始人兼CTO劉勇給出了他的判斷與答案：中國作為制造業(yè)大國，人工智能最大的賽道未來將會在工業(yè)。但工業(yè)場景對確定性、可靠性和安全性的極致追求，決定了它不能簡單復制消費互聯(lián)網(wǎng)的AI落地路徑，必須建立一套專屬的工程化理論方法和可靠的技術工具集。
 

基于這一判斷，中能拾貝提出了以“SDKIP（Signal信號數(shù)字化→Data數(shù)據(jù)資產(chǎn)化→Knowledge知識語義化→Intelligence智能自主化→Purpose意圖具象化）”為核心的方法論，并發(fā)布了其工業(yè)智能操作系統(tǒng)（CyberwIIOS）及工業(yè)模型引擎（IIOS IME），破解長期困擾工業(yè)領域的“數(shù)據(jù)割裂”與“知識隔閡”難題。
 

工業(yè)將成為人工智能未來最大的落地賽道
 

“今天我的主題，在 CSDN 的會議上應該算是比較特別的一個。中國作為制造業(yè)大國，我個人認為，人工智能未來最大的賽道，一定會在工業(yè)。” 演講開篇，劉勇便直接點明了工業(yè)賽道在 AI 時代的核心價值，同時也直面行業(yè)現(xiàn)狀：人工智能在工業(yè)領域的應用落地，整體節(jié)奏仍相對滯后。
 

在他看來，這種滯后并非源于行業(yè)需求不足，而是工業(yè)場景的核心屬性決定的 —— 工業(yè)生產(chǎn)對確定性、可靠性、安全性有著極致的、近乎苛刻的追求，這與當前通用大模型天生的不確定性、幻覺問題形成了本質矛盾。而這，也正是整個工業(yè)智能行業(yè)必須面對的核心課題：想要讓人工智能在工業(yè)場景真正落地，我們是否應該擁有一套專屬的工程化理論方法，以及一套能夠完整支撐落地的技術工具集？
 

這也正是劉勇本次分享的核心主題，更是中能拾貝深耕行業(yè) 21 年給出的答案。作為國家專精特新重點小巨人企業(yè)，中能拾貝已成立 21 年，始終聚焦能源電力行業(yè)，定位工業(yè)智能產(chǎn)品與服務提供商，以 “拾貝” 為核心產(chǎn)品品牌，打造工業(yè)智能操作系統(tǒng)底座，構建完整的工業(yè)智能產(chǎn)品與服務體系，助力資產(chǎn)密集型企業(yè)實現(xiàn)數(shù)字化轉型，同時也是智能水電廠等多項國家、行業(yè)標準的發(fā)起、編制單位，是工業(yè)智能化領域的資深踐行者。
 

通用大模型，能解決工業(yè) AI 的落地難題嗎？
 

歷經(jīng)二十余年的數(shù)字化建設，劉勇所深耕的能源電力行業(yè)，早已建成了能夠支撐正常業(yè)務運行的數(shù)字化技術平臺與應用體系。從物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能技術的底層支撐，到電力生產(chǎn)經(jīng)營的全鏈路業(yè)務覆蓋，再到水電廠、儲能電站的安全區(qū)、控制區(qū)、生產(chǎn)管理區(qū)的分級體系建設，電力企業(yè)已經(jīng)完成了基礎的數(shù)據(jù)支撐與應用支撐搭建。
 

但當行業(yè)想要進一步引入大模型，構建真正可用的工業(yè)智能應用時，卻陷入了核心困境，這也引發(fā)了劉勇的核心拷問：只靠通用大模型，真的能解決工業(yè) AI 的工程化落地難題嗎？答案顯然是否定的。他在會上拆解了工業(yè) AI 落地的三大核心痛點，也是通用大模型無法直接突破的行業(yè)壁壘。
 

第一是數(shù)據(jù)與知識的雙重割裂。工業(yè)領域二十余年的數(shù)字化建設中，絕大多數(shù)核心數(shù)據(jù)與業(yè)務知識，都沉淀在了系統(tǒng)架構設計、詳細設計、應用代碼、復雜數(shù)據(jù)庫表關聯(lián)關系、用戶手冊與作業(yè)流程中，形成了大量數(shù)據(jù)孤島與知識壁壘。如果直接將這些原始數(shù)據(jù)與文檔輸入大模型，不僅要重復漫長的業(yè)務邏輯重構過程，重走一遍數(shù)字化的 “長征路”，更無法從根源上解決大模型的幻覺問題，難以適配工業(yè)場景的準確性要求。
 

第二是智能體開發(fā)的碎片化困境。當前工業(yè)領域的智能體開發(fā)，大多停留在任務型 AI 助手階段，技術體系碎片化，依賴工作流驅動的定制化開發(fā)，無法實現(xiàn) AI 原生的、意圖驅動的自動化應用構建，更難以形成具備本體認知能力的多智能體協(xié)同體系，無法適配工業(yè)場景復雜、聯(lián)動的業(yè)務需求。
 

第三是高容錯與零容錯的場景鴻溝。正如中國信通院余院長所言，當前大模型的應用，更多集中在高容錯的輔助工作場景。但在工業(yè)領域，尤其是能源電力行業(yè)，對設備運行、生產(chǎn)操作、系統(tǒng)控制有著絕對的安全、可靠、正確要求，任何執(zhí)行偏差都可能引發(fā)設備損壞、大面積停電甚至人身安全事故，這種零容錯的場景要求，正是通用大模型難以深入工業(yè)核心生產(chǎn)環(huán)節(jié)的關鍵原因。
 

劉勇直言，工業(yè) AI 落地的核心瓶頸，從來都不僅僅是人工智能技術的先進性不足，而是要打破數(shù)據(jù)割裂與知識隔閡，讓人工智能真正理解工業(yè)領域的策略與規(guī)則，能夠正確、可靠、安全地執(zhí)行任務。
 

工業(yè) AI 工程化，必須吃透的雙輪驅動核心體系
 

針對工業(yè) AI 落地的核心痛點，劉勇在會上正式發(fā)布了中能拾貝打磨多年的SDKIP 工業(yè) AI 工程化全鏈路方法論，以及支撐這套方法論落地的工業(yè)智能操作系統(tǒng)底座CyberwIIOS ，而這套體系的核心，正是數(shù)據(jù)與知識雙輪驅動。
 

SDKIP方法論的底層邏輯，是以讓工業(yè)資產(chǎn)更安全、更經(jīng)濟、更智能的核心意圖（P）為牽引，構建從信號（S）到數(shù)據(jù)（D）、到知識（K）、到智能體（I）、再到意圖（P）實現(xiàn)的全鏈路閉環(huán)。這套體系徹底重構了工業(yè) AI 的落地邏輯：將工業(yè) AI 實施的核心工作，從傳統(tǒng)的應用開發(fā)與軟件設計，轉移到了數(shù)據(jù)資產(chǎn)構建（D）與工業(yè)知識沉淀（K）兩大核心環(huán)節(jié)上。
 

而支撐這套雙輪驅動體系落地的，正是兩大核心模型引擎，也是工業(yè) AI 工程化必須吃透的核心能力：
 

● 信息模型：讓 AI 真正 “讀懂” 工業(yè)數(shù)據(jù)，破解數(shù)據(jù)割裂難題
 

針對工業(yè)數(shù)據(jù)割裂、大模型無法準確調用數(shù)據(jù)的問題，中能拾貝采用基于 MOF 的建模框架，通過M0 對象 —M1 模型 —M2 元模型 —M3 元元模型的四層建模體系，構建標準化的工業(yè)信息模型。
 

該模型通過強邏輯關聯(lián)，將數(shù)據(jù)庫中存儲的結構化數(shù)據(jù)，以及非結構化、半結構化工業(yè)數(shù)據(jù)進行統(tǒng)一綁定與映射，同時實現(xiàn)與物聯(lián)網(wǎng)物模型的無縫對接，讓工業(yè)現(xiàn)場的信號采集能夠準確映射到信息模型中，形成高度可靠的工業(yè)數(shù)據(jù)集。這一設計讓大模型在讀取、調用工業(yè)數(shù)據(jù)時，能夠實現(xiàn)精準匹配，從數(shù)據(jù)層面杜絕幻覺導致的錯誤輸出，讓 AI 真正 “讀得懂” 工業(yè)數(shù)據(jù)。
 

● 本體模型：讓 AI 真正 “理解” 工業(yè)業(yè)務，破解知識壁壘難題
 

解決了數(shù)據(jù)問題后，更核心的是讓 AI 理解工業(yè)場景的業(yè)務邏輯、規(guī)則與策略。劉勇團隊選擇通過本體模型，構建基于統(tǒng)一語義的工業(yè)專業(yè)知識體系，實現(xiàn)領域知識的標準化沉淀與復用。
 

以電力基建場景為例，本體模型會將變電站建設的全工序流程、各環(huán)節(jié)的施工與驗收規(guī)范、監(jiān)理的工作權責與執(zhí)行標準、不同工序對應的規(guī)范條文，全部轉化為標準化的本體知識，實現(xiàn)工業(yè)業(yè)務全流程的強邏輯、高精準表達。通過本體模型，工業(yè)領域復雜的策略、規(guī)則、處理流程被轉化為大模型可理解、可執(zhí)行的邏輯，從業(yè)務層面保障 AI 輸出的合規(guī)性與正確性，讓 AI 真正 “理解” 工業(yè)業(yè)務。
 

兩大模型的融合對接，構成了IIOS 工業(yè)智能操作系統(tǒng)最核心的IIOS IME 工業(yè)模型引擎的基礎機制。該引擎不僅實現(xiàn)了工業(yè)數(shù)據(jù)的強約束管理與工業(yè)知識的精準化表達，還配套了覆蓋全主流工業(yè)協(xié)議的協(xié)議棧，支撐工業(yè)現(xiàn)場信號的接入與處理，同時為上層應用提供統(tǒng)一語義定義、知識推理、數(shù)據(jù)交互、知識挖掘的核心能力支撐，成為工業(yè) AI 原生應用開發(fā)的核心底座。
 

以工程化體系，筑牢 AI 落地的安全與價值底線
 

在劉勇看來，這套數(shù)據(jù)與知識雙驅動的工程化體系，并非消除了工業(yè)系統(tǒng)開發(fā)的復雜性，而是實現(xiàn)了復雜性的合理轉移 —— 從傳統(tǒng)的代碼編寫、規(guī)則理解，轉移到了本體設計、規(guī)則編寫與模型推理計算上。而這種轉移的核心價值，是讓工業(yè)智能化應用的研發(fā)，從純手工的 “古法編程”，升級為可預期、可實現(xiàn)的流水線式自動化生成模式。
 

演講最后，劉勇結合中能拾貝的落地實踐，給所有工業(yè)智能化從業(yè)者，給出了明確的落地路徑與行動建議。
 

在落地節(jié)奏上，要遵循分級落地、安全優(yōu)先的原則。他提出了成熟的大小模型協(xié)同落地方案：在工業(yè)場站邊緣側，通過機理模型、機器學習等可控可靠的小模型處理工業(yè)信號，保障現(xiàn)場數(shù)據(jù)處理的確定性；在云端管理側，通過大模型實現(xiàn)意圖理解，打造面向工業(yè)人員的 AI 員工，支撐智慧運營、智慧生產(chǎn)與智慧管理。針對工業(yè)控制場景，越靠近底層的過程控制環(huán)節(jié)越審慎應用 AI，當前人工智能核心落地場景集中在多能互補、系統(tǒng)協(xié)控、網(wǎng)源協(xié)同等上層調度環(huán)節(jié)，從根源上保障生產(chǎn)安全。
 

在確定性保障上，要筑牢三道核心防線：一是以行業(yè)規(guī)程規(guī)范為核心的標準校驗，所有 AI 輸出必須符合工業(yè)行業(yè)的強制標準與規(guī)程；二是分區(qū)分級的權限管控與人工預演，基于電力行業(yè)安全分區(qū)的嚴格安全防護體系，實現(xiàn) AI 應用的分級落地與人工核驗；三是以數(shù)字孿生仿真技術為核心的技術驗證，所有 AI 方案先在與真實工業(yè)系統(tǒng)機理一致的數(shù)字孿生體中完成仿真驗證，再落地到真實生產(chǎn)系統(tǒng)中。
 

在企業(yè)轉型路徑上，要走 “漸進滲透 + 全面升級” 的雙線路線：一是基于企業(yè)原有業(yè)務脈絡進行 AI 能力滲透，在設備故障診斷、資產(chǎn)全生命周期管理、系統(tǒng)控制等現(xiàn)有業(yè)務環(huán)節(jié)實現(xiàn)效率提升，這是最易落地、最快實現(xiàn)價值的路徑；二是圍繞 “自主執(zhí)行的好員工、業(yè)務增效的好助手、輔助決策的好參謀” 三大方向，全面構建企業(yè)數(shù)字大腦與超級智能體，實現(xiàn)企業(yè)數(shù)字化架構的全面升級。
 

在商業(yè)化與行業(yè)共創(chuàng)上，劉勇也公布了開放的合作模式：一是標準化的工業(yè)智能工具集與產(chǎn)品體系的開放售賣；二是 SDKIP方法論的行業(yè)分享與共創(chuàng)，推動工業(yè) AI 工程化體系的持續(xù)演進；三是各類細分行業(yè)的解決方案聯(lián)合落地，在電力等核心優(yōu)勢行業(yè)開放成熟解決方案，同時與合作伙伴共創(chuàng)非電力行業(yè)的定制化落地方案。