寇二平

“【提示】2026第六届数智化颁奖典礼将于8月5日在北京举行颁奖点击可报名参加颁奖典礼丨此次人物榜单/奖项的评选依然会进行初审、公审、终审三轮严格评定，并会在国内外渠道大规模发布传播欢迎申报。

在今年的世界人工智能大会（WAIC）上，一位制造业CIO跟我说："我们参加了许多培训，也尝试建了七八个智能体应用，但没有一个能在车间里真正用起来。现在特别焦虑，一方面想用但实在不知道怎么做。"

这句话我听了太多遍。2026年过半，AI的能力在飞速跃升，但工业现场的落地率并没有同步增长。这不是技术不够先进的问题，是整个行业还没有认识到工业AI场景落地真正的卡点在哪里。

过去几年，我们公司在高端装备制造和电力能源领域做了大量AI落地实践。我越来越确信一件事：工业AI落不了地，不是因为模型不够大，而是因为三道坎还没迈过去——数据、模型、工程化。这三道坎，每一道都不是靠砸钱或堆参数能解决的。

第一道坎：AI Ready的高质量数据集，到底怎么建

行业里有个共识：数据是AI的原料。但这个共识太笼统了，笼统到没有可操作性。

真正的问题是：企业手里有大量数据，但这些数据不是"AI就绪"的。Gartner对AI Ready数据有个定义——经过精心准备、组织并结构化，方便在AI中得到优化使用的数据。关键词是"精心准备"。工业企业的现实是：数据散落在各个系统里，格式不统一，语义不一致，质量参差不齐。76%的高管认为数据质量是AI落地的首要风险。

那企业构建高质量数据集的路径是什么？

我的判断是：不能从"数据有什么"出发，要从"模型需要什么"倒推。这就是信通院提出的"以模引数"——先定义模型需要什么能力，再反推需要什么数据，最后才知道要清洗什么、标注什么。顺序搞反了，就是花大量资源清洗了一堆用不上的数据。

具体路径上，AI Ready数据有三种形态：ML-Ready（特征化数据，服务传统机器学习）、LLM-Ready（语言化数据，服务大模型微调和知识库）、Agent-Ready（流程化数据，服务智能体）。同一个球磨机的振动信号，做成ML-Ready是提取频域特征做故障分类；做成Agent-Ready则是把整个诊断流程编码为智能体可执行的流程数据。加工深度完全不同，企业需要根据应用目标选择。

企业不需要一次性把三种数据都建好。务实的做法是选一个痛点明确、范围可控的场景，先跑通"采集—预处理—标注—质量验证"的完整闭环。我们在风机运检项目中就是这么做的：先完成8个核心知识库的构建，用T+6个月验证数据集价值，再用T+12个月扩展应用。先把一个场景打穿，建立信心和方法论，再规模化复制。

还有一个被严重低估的问题：数据标注的本质是多模态数据的结构化语义提取，它需要统一的业务语义支撑。而企业数据治理的成果物——主数据、数据标准、业务术语、指标标准——恰恰就是标注的标签来源。这意味着，传统数据治理不是过时了，而是比以往任何时候都更重要。高质量数据集建设不是另起炉灶，是在数据治理基础上向多模态、向AI应用场景的延伸。

第二道坎：大模型是全科医生，小模型是专科医生，不可偏废

关于模型选型，行业里存在两种极端：一种认为"大模型万能"，什么都想用大模型解决；另一种认为"大模型不可控"，退回小模型的舒适区。

我的看法是：大模型是全科医生，小模型是专科医生，两者不可偏废。

大模型擅长理解、规划、生成——它是"大脑"。但在工业现场，很多任务需要的是精准执行：实时监测设备工况、毫秒级故障定位、高频信号分析。这些任务，一个经过专门训练的小模型，效率更高、成本更低、部署更灵活。小模型是"工具"，是"手"。

在风机运检项目里，我们用的是大小模型协同架构：大模型负责故障研判和检修方案生成，小模型负责实时工况监测和故障定位。两者配合，才是一个完整的智能体。

但比大小模型选择更重要的问题，是如何让大模型在工业场景里变得可信。

通用大模型的本质是语言统计——它在计算"最可能的token序列"。但在工业场景，"最可能"和"正确"之间隔着一条鸿沟。设备参数的安全阈值、工艺标准的约束条件、质量判责的业务规则——这些不是从语言统计里能学到的。

我的答案是：给大模型配一张"企业地图"。这张地图就是动态本体图谱。

基于本体论构建的企业知识框架有四层：概念层（企业有哪些核心业务对象）、关系层（这些对象之间是什么关系）、约束层（有哪些不能违反的规则）、实例层（具体的事实和数据）。大模型在这张地图里工作时，每一次推理都沿着本体定义的合法路径进行，输出必须通过约束层验证。解释不由AI"编造"，而是推理路径本身。

这在技术路线上属于神经符号AI（NSAI）的实践。但我更愿意称其为NSAI的工程化实现——本体论+大模型满足了工程化的三个必要条件：组件间有明确的结构化接口（本体是神经与符号之间的API）；天然满足工业级软件的可测试、可维护、可观测、可部署四个非功能需求；一套框架承载NSAI的三大范式。

从RAG到KAG再到OAG，是一个从"检索信息"到"理解知识"再到"构建认知"的跃迁过程。RAG只能检索片段，无法处理复杂逻辑；知识图谱增强了多步推理，但动态更新困难；而本体增强生成（OAG）把业务语义、规则和活动统一定义，支撑多智能体协同，这才是工业级可信AI的落地路径。

在出错成本极高的工业场景里，可解释、可控制、可回溯不是加分项，是准入门槛。本体论+大模型恰恰是当前技术条件下，唯一能同时满足"理解自然语言"和"保证推理可靠"这两个需求的路径。

第三道坎：工程化不是做项目
是建飞轮

如果说前两道坎是技术层面的，第三道坎是关于组织模式和工程能力方面的。

什么是工程化？工程化是低成本、标准件、可重复使用、可直接部署。一个AI方案如果每次都要从零开始定制，那叫手工作坊，不叫工程化。

但AI转型时代的工程化，面临一个根本矛盾：客户需求无法明确定义。

传统IT项目的逻辑是签合同、定需求、开发实施、验收交付。但AI不是这样。在AI转型阶段，客户自己也不知道AI到底能做到什么程度——他们需要的是和懂行的人一起探索。这不是需求不清晰的问题，是AI的价值本身需要通过实践来发现的。

这就是FDE（Forward Deployed Engineer）工作模式存在的理由。

FDE不是传统意义上的交付工程师。传统交付工程师是项目的执行者，按SOW完成既定任务，验收签字走人。FDE是客户业务的共同责任人，他站在产品研发和业务价值交付的交叉点上，与客户共同开发——我们称之为"联合创新"。

FDE的工作模式可以用一个无限循环来理解。公司侧（研发）：需求规划→开发迭代→版本发布，FDE负责把客户现场的真实洞察持续输入产品路线图。客户侧（现场）：场景洞察→落地部署→价值验证，FDE全程陪跑，打通"最后一公里"。两个循环通过FDE在交叉点持续双向流动——洞察回流驱动产品改进，能力输出驱动客户价值，形成一个自我促进优化的飞轮模型。

这个模式要跑通，关键在于把每次交付的成果要素化、标准化。FDE在客户现场做的事情，不能是一次性定制开发，而要持续沉淀为可复用的工程化资产：数据Ready模板、本体建模方法论、行业分析模型、智能体技能库。这些资产沉淀下来，下一次面对同类行业的客户就不需要从零开始——本体模型可以复用，数据标准可以继承，技能可以组合调用。这才是工程化的本质：最大限度地复用知识和能力，把边际成本降下来。

同时，FDE模式还有一个常被忽视的价值：锻炼团队。在AI时代，最稀缺的不是技术能力，而是"既懂行业又懂AI"的复合型人才。FDE在客户现场陪跑的过程中，深度理解行业know-how，同时把AI工程化方法论带回研发团队。这种双向的人才培养机制，比任何培训课程都有效。

我们在油气井工艺设计文档生成项目中验证了这个模式：基于本体与大模型构建"参数抽取→规则校验→人工复核→模板生成"的智能体，把工艺设计文档的编制周期从3天压缩到2小时。更重要的是，这个项目沉淀下来的参数本体、校验规则和模板，可以迁移到其他专业文档场景复用。一个项目的交付成果，变成了可复用的工程化资产。

写在最后

2026年，工业AI将从"模型竞赛"进入"工程化竞赛"。大模型的能力趋同是大概率事件。真正的差距将出现在三个地方：数据能不能AI Ready、模型能不能支撑可靠推理、场景能不能形成闭环飞轮。

这不是比谁的模型参数多，是比谁的地基打得牢。而地基这个东西，看不见、摸不着，但决定了你能盖多高的楼。

工业企业数智化转型最大的风险，不是技术落后，是认知惯性——用信息化的思维去做智能化的事，用项目制的逻辑去管AI的价值。不打破这些惯性，再先进的技术也只能停留在PPT里。工业AI落地必须跨过数据、模型和工程化的三道坎。

·申报人“寇二平”简介：

寇二平，美林数据技术股份有限公司AI应用研究院院长。长期专注于工业大数据、数据治理与工业AI应用领域，致力于推动AI技术在高端装备制造、电力能源等行业的工程化落地。