如今，随着算力算法的持续精进、数据要素的价值释放以及工业场景的深度适配，AI 与工业的融合已超越简单的工具应用层面，迈入 “重塑生产要素、重构产业生态、重定义人机关系” 的新阶段。传统工业中 “人机料法环” 的孤立运作模式、数据孤岛导致的效率桎梏、经验依赖带来的发展局限等痛点，正通过 AI 技术的渗透逐步破解。

面向 2035 年，这一融合进程将迎来质的飞跃 —— 工业智能不再是遥远的概念，而是贯穿生产全流程、覆盖产业全链条、影响社会全维度的现实图景。从工厂车间的智能运维到跨区域的供应链协同，从绿色能源的智能调度到智慧建筑的空间升级，AI 正以多元形态深度嵌入工业体系的核心环节，推动生产模式、商业模式与社会组织形态的系统性变革。

在此背景下，梳理工业与 AI 融合的演进逻辑、愿景图景、技术架构与实践路径，对于把握未来产业发展机遇、抢占全球工业智能竞争制高点具有重要意义。本文基于当前技术发展态势与产业实践探索，对 2035 年工业智能的融合形态、应用场景与发展基石进行系统性展望，以期为行业发展提供参考与启示。

一、狭义层面：AI深度赋能“人机料法环”

面向2035，工业智能将深度赋能“人机料法环”五大工业要素，工业与AI的融合愿景将呈现“五个与”。

•与人类对齐（人）：AI将与人类的经验、认知和判断实现对齐，辅助提升人类技能，减少幻觉和出错。每一名工程师都有一个或多个Agent，大幅提高工作效率，典型的如创成式设计、设备故障自主检修、解释质量问题根因等；

•与机器共融（机）：AI赋予设备全面感知、任务规划和自主决策能力，减少意外停机时间，释放设备最大生产力。典型的场景如设备预测性维护、机械臂自适应避障等；

•与生产协同优化（料）：AI将提升物料从采购、仓储到生产配送全流程的动态精准配置，实现更少的库存和浪费，更快的周转和效率，个性化的产品和服务等。典型的场景如基于订单数据和大数据分析预测的生产、精准供应链管理等；

•与工艺知识共智（法）：AI将推动生产工艺从经验驱动到数据驱动、机理模型驱动，将人工经验和行业专识转化为可复用的数字化规则。典型的场景如钢铁冶炼温度控制、芯片制造良率提升、实时优化注塑温度等；

•与物理世界交互（环）：AI将依托实体在物理世界中完成对环境的理解，对人类指令的理解和对任务的规划、分解和执行。机器人数量远超工人数量、人类不再需要做危险、辛苦、重复的体力活。

二、广义层面：工业与AI重塑未来世界

从更大范围看，工业与AI的融合还将通过重塑未来工业，改变消费者的生活方式和社会组织形态，将人类带向更美好的生活：

•劳动力升级重塑生产模式：具身智能机器人正改写制造业生产格局，2035年全球“人形机器人”市场规模将达到2700亿元人民币。同时，具身智能可替代全球25%的重复性、高风险制造业岗位，推动劳动力向技术研发、创意设计等高端领域升级，重塑生产模式与就业结构；

•高效节能互联，驱动空间智能升级：随着低碳理念与智能技术融合，智能建筑成为新建建筑和旧楼改造的主流方向。到2035年，全球智慧建筑市场规模预计达到1万亿美元，这些建筑不仅能降低能源消耗，还能通过环境感知智能控制提升居住与办公舒适度；

•智能低碳出行，开启移动第三空间：自动驾驶技术突破与新能源转型并行，让出行场景迎来变革。2035年全球自动驾驶汽车产业规模将突破7.2万亿美元，届时自动驾驶车辆不仅能减少交通事故、缓解交通拥堵，还将化身“移动第三空间”，支持办公、娱乐等多元需求，重构出行体验；

•绿色能源更智能，呵护蓝色星球：在“双碳”目标推动下，可再生能源与智能技术结合加速能源转型。2035年全球可再生能源发电总装机容量预计增至11.2TW，通过AI调度、智能储能等技术，这些可再生能源将更高效地接入电网，减少对传统能源的依赖，守护地球生态；

三、AI将重新定义人类角色

在AI的帮助下，工业软件等生产工具将从计算机辅助人模式（CAx）向人辅助计算机模式（HAx）转变。未来的商业模式将是AI解决方案提供商直接向工业企业交付结果、创造价值，实现Result as a Service。在这一变革中，人类与技术的角色关系将重新定义，人类角色向更高阶的提出问题和监督执行转变，大多数体力和脑力劳动将由Physical AI和Agentic AI和完成。

•AI将逐渐承担复杂的技术工作，不仅是辅助工具，也是自主决策的“队友”。例如，工业大模型可结合生产历史数据、设备运行参数与工艺标准，自动生成能耗优化、产能调配等具体方案，人类无需参与基础方案设计，只需聚焦关键节点的审核，大幅减少工作量；

•与之对应，人类角色将向更高阶的提出问题和监督执行转变——作为“管理者”，人类负责设定AI的工作目标与伦理边界，确保技术方向契合业务战略；作为“协调者”，人类统筹AI与其他系统、跨部门团队的协作，并通过编排AI工作流，实现不同模块、系统之间的融合。

Result as a Service强调的是AI带来的结果、价值，而非过程、工具和技术使用情况。工业企业不必深入理解AI算法，而是准确定义问题和需求，由AI解决方案提供商直接向工业企业交付结果、创造价值，工业企业按价值付费。

图1 AI推动人机关系变革

然而，人类与AI协同关系的变化并非一蹴而就——AI将经历从辅助人类开展基础工作，到与人类深度协同，再到主导业务流程的渐变过程，实现对业务的接管。

•阶段一：AI作为辅助角色，人类员工承担核心任务。人类员工负责业务分析、指令下达以及具体业务动作执行等关键环节。而AI助手则根据人类员工的需求和指令，去收集历史信息数据、调取相关图表，并生成全新的报表等，为人类员工的决策和执行提供数据支撑，就如同是工作的“得力助手”，让基础信息处理更便捷；

阶段二：AI进化为协同角色，人类员工的工作重点是审核。AI副驾驶出现，它具备了预测业务趋势、制定方案建议以及进行风险预警的能力。它不再仅仅是数据的搬运工，而是能基于对业务的理解，为人类员工提供更具前瞻性和指导性的支持，人类员工则主要对AI输出的内容进行审核，对最终的准确性负责；

•阶段三：AI成为主导角色，人类员工聚焦异常处理和特定问题改进。更多的AI副驾驶升级为AI Agent，它能够实现流程的自动化运转，并将流程进度实时共享给人类员工。人类员工不再需要参与每一个业务流程的执行，而是重点关注关键节点的审核、对异常问题的接管，以及日常的监督抽查等工作，真正从繁琐的常规事务中解放出来，将精力投入到更具创造性和挑战性的工作中。

图2 工业AI Agent赋能工业软件的三阶段

通过三个阶段的循序渐进，工业AI agent与工业软件将支撑实现全局最优。从最初的不同员工、不同业务系统互为孤岛，数据不互通；到AI先行，打破孤岛，基于工业软件提供数据源和基础逻辑；再到人类员工与AI的双向奔赴，每个员工掌管多个AI智能体，通过自然语言、图形等自然交互方式，多个不同的智能体之间也可以共享上下文、协作完成任务。

•最初，我们处于“局部最优”状态，不同员工所对接的ERP、PLM、MES等业务系统，在UI界面、逻辑、数据等层面形成各自的“孤岛”，系统间数据难以互通，员工开展工作时，信息割裂，难以从整体视角统筹业务；

随后，进入“AI先行、软件筑基”阶段，AI打破了系统与数据的孤岛局面。依托工业软件（如ERP、PLM、MES等）提供的数据源和基础逻辑，AI化身助手或副驾驶，能整合分散的数据与业务逻辑，助力实现全局层面的优化，为后续更深度的人机协同与系统联动奠定基础；

•最终，达成“双向奔赴，多智能体协同”的理想状态。模型智能、UI、接口、产品形态同步演进，多智能体协同机制走向成熟。此时，人类员工可通过语言、手势等自然交互方式，高效管理多个AI智能体；同时，不同的AI智能体之间也能顺畅共享上下文，具备长程思考能力，并能协同完成复杂任务，真正实现从局部到全局的跨越。

图3 从局部最优到全局最优

四、 人工智能与数据的关系

人工智能的本质是“数据智能”，工业数据的质量与流通效率是工业智能能否实现的关键，因此需夯实数据基础，构建高质量数据生态。

•工业智能的核心并非单纯的数据规模，而是数据的“有效知识密度”。要借助知识图谱等方式融合领域知识，关联多源异构数据，将原始数据转化为可理解、可推理的高价值信息。无质量、无关联的数据堆砌难以产生可靠的工业智能，“数据×知识”的融合才是驱动工业AI价值释放的关键杠杆，即“有多少数据，才有多少智能”；

•各行业需形成统一的数据字典和信息模型，若缺乏统一标准，设备、参数、事件等核心概念的定义会陷入混乱，语义层面将出现“鸡同鸭讲”的状况，数据跨系统应用也会成为空谈。工业迫切需要构建基于统一语义（如OPC UA）的互联架构，以此实现从终端设备到云端数据的端到端贯通，为人工智能提供可流动、可理解的高质量数据“血液”；

数字孪生技术可以帮助工业企业构建“数字主线”，实现数据“不治而顺”，进而打造贯穿产品全生命周期的数据闭环。与此同时，工业领域的数字孪生技术能够助力企业在虚拟空间中验证设计、优化流程，形成可追溯、可复用的数据资产。

随着大模型规模参数不断提升，人类数据、互联网数据正面临枯竭困境。据研究机构Epoch预测，高质量的语言数据存量预计在2026年就会耗尽。但值得注意的是，机器数据、时序数据等工业数据，目前仍处于远未充分开发的状态，它们犹如待挖掘的海量宝藏，蕴藏着极为巨大的发展潜力，将成为工业智能的坚实底座。

图4 高质量语料数据数量及大模型开发参数增长对比

五、工业软件是工业AI的基础

工业软件是工业AI应用的基础，AI与工业软件的融合也将持续加深。IDC数据显示，2024年基础工业软件中应用AI技术的占比为9%，随着技术演进，到2029年这一占比预计将提升至22%。进一步对比二者差异：传统工业软件更侧重于为员工提供数字化工具，交互上依赖传统UI，集成多通过API、数据平台等手段，付费模式以一次性授权或按期订阅为主。而工业AI Agent则聚焦于“员工+Agent协同”的模式，借助AI技术、自然交互方式以及知识图谱、上下文工程、MCP1等，直接向用户交付结果，最终按结果来付费。

图5 传统工业软件与工业AI Agent的关系

二者将形成双螺旋式的协同进化态势。预计到2035年，工业AI Agent的应用渗透率在工业软件中将达50%。工业AI的发展推动传统工业软件走向平民化、碎片化、后台化。

•平民化，传统工业软件从“奢侈品”转变为“普惠工具”。工业知识图谱与AI深度结合，能把专家知识进行数字化转化和沉淀，大大降低了行业的入门门槛；同时，“平台+生态”的模式不断拓展，覆盖了更广泛的中小企业市场，让更多企业能享受到工业软件的便利；

•碎片化，传统工业软件告别“大而全”，走向“小而专”。垂直场景不断被解耦与重构，工业软件的功能模块逐渐细分，成为一个个独立的APP；行业Know-how也被封装成细分行业的知识图谱或模型，更精准地服务于特定领域需求；

•后台化，传统工业软件从“前台界面”演变为“隐形引擎”。传统软件的核心能力慢慢沉淀，成为智能化的平台基座；以Manus为代表的“后台自治”模式正在逐步替代传统的人机交互界面，让工业软件在后台更高效地发挥作用。

六、知识图谱是工业智能的关键

结合工业领域实际需求与工业智能发展态势，我们认为工业多智能体系统将是演进方向，而工业知识图谱是其中的关键因素。工业场景中，数据“碎片化”与“语义鸿沟”问题普遍存在。工厂内部ERP、MES、SCADA、PLM等各类系统以及传感器、维护日志等载体所产生的海量、异构数据存在格式不同、标准不一、语义模糊等问题；除数据库中的结构化数据外，大量宝贵知识存在于非结构化文本中，如设备说明书、维护手册、专家经验总结、事故报告、技术论文等。同时，工业决策对“可解释性”要求极高，需要构建“认知智能”。这是由于在涉及安全、质量、高价值设备或关键流程的场景中，“黑箱”模型是不可接受的。因此，工业智能不仅需要“感知”能力以实现视觉检测、传感器数据转换等，更需要“认知”能力来理解上下文并运用领域知识进行判断和决策。

因此，我们提出“工业多智能体系统≈通用大模型+工业知识+物理引擎+智能应用+数据底座”的架构。通用大模型凭借泛化推理能力，能突破传统工业软件的规则边界，形成动态决策中枢；工业知识层面，基于多模态数据抽取工业知识，知识图谱、模型作为工业Know-How的数字化载体之一，通过多模态融合与动态更新可实现精准决策；工业物理引擎通过高精度仿真与实时孪生，弥合数字空间与物理世界的鸿沟；工业数据底座则通过“统一真相源”，为其他组件提供高质量、结构化且易于访问的数据，成为驱动系统运行的“燃料”。

知识图谱之所以将成为工业智能化的核心竞争力，是因为它能够实现隐性知识显性化，从图片、视频、声音等多模态数据中抽取知识，构建工业知识基座；它能为智能决策提供支撑，通过生成式设计意图保障与约束求解助力决策；它还具备复杂系统建模能力，支撑全生命周期协同，能推动知识复用与效率革命，减少重复性投入和浪费。

基于知识图谱的战略价值，如何共建共享是业界的关键命题。我们认为，产业龙头企业应积极开放场景与数据，联合高校、研究所及生态伙伴等，共建工业知识图谱，实现联合创新。从工业智能的技术逻辑看，工业数据是基础底座；基于此，企业可以开展面向多模态数据的工业知识抽取工作，涵盖结构化文本的概念层构建、结构/半结构/无结构文档与图片的显性知识抽取，以及包含2D图纸、3D数模在内的隐性知识挖掘。基于这些抽取的知识，进一步构建知识图谱，实现多门类、多环节、多场景、多学科覆盖。最终，构建完整的工业知识图谱，可辅助大模型推理，实现各类智能应用，推动工业智能化迈向新高度。这一过程中，技术底座标准化、产学研协同共建以及知识资产共享需要贯穿始终，为工业知识图谱的发展与应用提供保障。

文章节选自《工业与AI融合应用指南》 版权归作者所有，转载仅供学习交流