工业AI一年从9.6%冲到47.5%，瓶颈换成了数据和人

本文解读：《2026年中国工业AI行业发展研究报告-36氪》 · 共 54 页 · 原文

工业AI这一年最猛的数字是渗透率：据 IDC 调研，我国工业企业应用大模型及智能体的比例，从 2024 年的 9.6% 跳到 2025 年的 47.5%，多环节同步部署的比例从 1.7% 涨到 35%。

但 36氪这份 54 页的报告没有顺着势头往下夸，它把下一步的障碍摆得很明白：数据、技术、成本、认知四大瓶颈互相放大。

最刺眼的是数据：某流程工业工厂全年正常运行数据有 10TB，故障数据只占 0.03%，还多是碎片化记录，模型没法在这种样本上练出鲁棒性。

技术侧的落差也很直接，流程工业里基于大模型的智能系统使用率只有 29.3%，绝大多数企业还停在 L2 人机协同自动化。报告给出的出路不是换模型，而是把机理和数据一起做，再按 L0 到 L5 逐级往上走。

渗透率已经跑在能力前面，这才是这份报告最该被记住的判断。

图源：《2026年中国工业AI行业发展》（第1页） · 原文

一、为什么拿流程工业当试金石

报告把工业AI定义为人工智能在制造、能源、采矿等垂直领域的深度应用，但重点观察的对象锁死在流程工业。

理由有三个：连续生产带来实时闭环需求，物理化学反应过程要求机理与数据融合，安全低碳效益的约束让 AI 的价值更容易量化。

离散工业的痛点在别处，设备利用率低、排程复杂、交付周期长，落地难点是场景碎片化、非标程度高、数据标准化难。流程工业的难点则完全不同，机理复杂度高、安全冗余要求严、模型必须深度融合工艺知识。

报告还列出工业AI的三个特性：物理闭环、安全可靠、机理融合，每一项都直接对应通用AI的短板。最典型的一条是通用AI缺乏物理因果与空间约束，模型容易算出「数字合理但现场无法执行」的结论。

流程工业不是最容易做的场景，是最骗不了人的场景。

图源：《2026年中国工业AI行业发展》（第2页） · 原文

二、中国71%的应用比例全球第一，但短板在底层

基于 MHP 对全球约 1200 家制造业企业的调研，各经济体工业AI应用比例分化明显。中国以 71% 领跑，印度 61%、美国 57% 紧随其后，墨西哥 51%、英国 48%，德语区工业强国只有 37%。

报告对这个数留了一句注解：这反映的是企业部署意向，与实际生产环节的深度渗透率可能存在差异。三条路径的差异也很清楚：美国走技术原生与生态垄断，聚焦高端制造回流；欧盟合规优先，围绕工业5.0推进人机协作与绿色制造。

中国走的是政策引导加市场落地，依托连续 16 年世界第一的制造业规模，推全行业、全链条的规模化普及。但制约同样明确：底层芯片、基础工业软件和高端模型工具链仍是短板，工业数据质量与协同水平有待提升。

应用广度领先不等于技术自主，这两件事在报告里被分开评价。

图源：《2026年中国工业AI行业发展》（第3页） · 原文

三、市场规模怎么算出来的：75 万元乘以 51.7 万家

报告把「可变现市场规模」和「潜在经济效益」拆开算，只取能落地、能营收的那部分。需求侧的算法很直白：规上制造业企业 51.7 万家，按单家年均 AI 投入 75 万元测算，理论空间约 3,878 亿元。

75 万元的来源是分层加权：头部企业占 4%、单家 1000 万元，腰部占 30%、单家 100 万元，尾部占 66%、单家 7.5 万元。再乘上约 30% 的实际转化率，得到 2026 年潜在可落地空间 1,163 亿元。

转化率也分层算过，头部 65%、腰部 40%、尾部 21%，整体加权 28.5%，考虑 2026 年加速渗透向上取整为 30%。增长按历史增速锚定、渗透率爬坡、商业化兑现率三维拟合，年均复合增速 25.4%，2030 年市场规模到 3,034 亿元。

同期人工智能核心产业 2025 年规模已突破 1.2 万亿元，国家发改委明确「十五五」末相关产业规模将超 10 万亿元。

这一千多亿不是需求总盘子，是扣掉付费意愿和交付周期之后能收上来的钱。

图源：《2026年中国工业AI行业发展》（第4页） · 原文

四、三层产业图谱，钱和壁垒都在中间那层

报告把产业链分成基础层、技术平台层、场景应用层，形成「基础层筑基、技术平台层赋能、场景应用层变现」的链条。基础层是 AI 芯片、传感器、控制器、实时操作系统、时序数据库，属于底座，国产替代正在加速。

技术平台层承担把通用AI能力转成工业场景能力的核心功能，也是报告认定的价值核心与竞争阵地。场景应用层分流程工业与离散工业，其中流程工业成熟度更高，是规模化落地的主赛道。

平台层内部又分成两派：科技大厂主导的通用型平台主打全行业适配与生态开放，行业型平台深耕机理与工控底层，做端到端闭环。

报告的判断是通用平台在低代码、知识管理、跨行业工具层仍有价值，高价值闭环控制场景则归行业型平台。

工业大模型在四个维度上重塑平台：架构从外挂插件变模型原生内核，开发从人工定义规则变预训练加轻量化微调，交付从项目制定制变标准化产品，价值从单点优化变全链路释放。

谁能把通用能力翻译成工艺语言，谁就卡在价值链最贵的那一段。

图源：《2026年中国工业AI行业发展》（第5页） · 原文

五、五类玩家同台，暂时没有绝对龙头

报告把参与者分成五类，每一类的优势都来自不同的基因，短期谁也没法通吃。传统自动化企业以霍尼韦尔、艾默生、横河电机为代表，握有 DCS、PLC、SCADA 的底层控制权，可靠性做到「5 个 9」。

互联网大厂以华为、阿里云、百度智能云为代表，比的是算力、资金和非结构化数据处理能力，主打视觉质检与预测性维护。

大型工业用户如中石油、巴斯夫，手里有最真实的极端工况场景和失效样本，既是需求方也是验证方。平台与软件厂商如 AspenTech、中控技术、全应科技，核心是把行业 Know-how 和 AI 技术焊在一起。

AI 原生初创如 C3.ai、创新奇智、阿丘科技，走轻量敏捷路线，未来的归宿多半是被并购或者转型做代运营。报告还搭了一套「六维一体」发展指数，行业纵深能力 25%、技术创新 20%，市场、财务、生态各 15%，成长潜力 10%，并明确说明这是研究参考框架而非权威评级。

五类玩家拼的不是同一个东西，所以短期内谁也吃不掉谁。

图源：《2026年中国工业AI行业发展》（第6页） · 原文

图源：《2026年中国工业AI行业发展》（第7页） · 原文

六、L3 是分水岭，多数企业还卡在 L2

报告借鉴自动驾驶分级，把工业AI落地划成 L0 到 L5，围绕人工干预率、闭环控制覆盖率、异常处置率、安全验证通过率、工况覆盖率五个维度。

L0 是全人工，人工干预率 100%；L1 只有单点自动化和阈值告警；L2 能做到单装置局部闭环，人工干预率降到 46%。L3 是关键分水岭，人工干预率 24%，闭环控制覆盖率 95%，异常处置率 70%，能覆盖简单调度和部分小幅波动工况。

但 L3 仍要求人工主控决策与兜底，工况异动识别和大幅负荷调整还得靠人的经验。L4 才进入场景全自主，人工干预率降到 2%，异常处置率 90%，可以远程监督；L5 是全域自主，人工干预率归零。

报告没给各等级的分布数据，但从 29.3% 的大模型智能系统使用率看，多数企业离 L3 的门槛还有距离。

L3 之前拼的是自动化改造，L3 之后拼的才是模型能力。

图源：《2026年中国工业AI行业发展》（第8页） · 原文

图源：《2026年中国工业AI行业发展》（第9页） · 原文

七、四大瓶颈：数据最缺故障样本，人最缺复合能力

数据瓶颈有三层：高质量过程数据稀缺、数据孤岛普遍、缺乏统一标准。最直观的还是那组样本：全年正常运行数据 10TB，故障数据只占 0.03%，还多是碎片化的，训练不出鲁棒性。

技术瓶颈里最要命的是可解释性与工业安全要求的矛盾，黑箱模型一旦偏差，可能引发生产事故，责任还界定不清楚。

流程工业调研里，64.1% 的企业被多变量强耦合困住，这类工况的优化高度依赖多模态数据协同分析。成本瓶颈有具体账目：以中型化工企业单条主要生产线为基准，硬件 20 到 50 万元、软件 30 到 50 万元每年、算力 80 到 160 万元每年、实施 120 到 260 万元每项目。

综合下来 250 到 620 万元一个项目，ROI 周期 6 到 18 个月，对中小企业是一道不低的门槛。认知瓶颈的两组数字最能说明问题：88% 的高管认为 AI 能显著提升效率，只有 21% 的一线员工认同；麦肯锡测算到 2030 年中国 AI 高技能人才需求 600 万、供给 200 万，缺口 400 万。

技术难题能靠迭代解决，认知鸿沟只能靠一遍遍的场景验证来填。

图源：《2026年中国工业AI行业发展》（第10页） · 原文

八、案例里的成效，都是把闭环做出来的

报告挑了三个落地案例，共同点是不谈模型参数，只谈闭环改变了什么。兴发集团湖北兴瑞的氯碱项目，用时间序列大模型 TPT 加通用控制系统 UCS 搭自主运行工厂系统 AOP。

结果是全厂岗位配置从 260 人优化到 80 人，机柜空间减少 90%、电缆成本降低 80%、建设周期缩短 50%，线缆与施工成本省下超 4,000 万元。烧碱主产品浓度稳定控制在 32% 到 32.1%，整体生产效益提升 1% 到 3%，调节阀智能诊断准确率超 95%。

万华化学宁波 65 万吨烧碱装置部署 TPT 后，中和时长从 5 小时缩到 25 分钟，吨碱电耗降 10 千瓦时，自控投用率 ≥98%。该项目年节省碳酸钠约 1000 吨，降低分析频次 2400 次每年、节约分析成本 103 万元，直接经济效益超 1,000 万元每年。

上面引用的数据都能在原文里找到出处，报告放在运营动脉（www.yydm.cn），搜标题即可。

遇到统计口径不一致的地方，回原文核一眼，比对两三篇二手解读要快得多。

第三个是沙特阿美 Hawiyah NGL 油气厂站，用防爆巡检机器人做 7×24 小时无人巡检，把事后补救改成事前预警。

案例里没有一个数字来自模型本身，全部来自闭环把哪一段流程改了。

九、下一步看标准、模数共振和物理AI

工业AI的下一程，报告给了三条线索：标准补齐、模数共振、物理AI。标准侧已经落地三项国标：GB/Z 204-2026 定工业大模型体系架构，GB/Z 203-2026 定技术要求，GB/Z 195-2026 定工业智能体参考架构。

其中智能体标准的对象从「模型」延伸到「行动」，也把安全、权限、实时性、可解释性和故障降级的重要性抬了上来。模数共振讲的是双向循环：以模引数，倒逼 DCS、PLC 里的碎片数据做标准化治理；用数赋模，让现场实时数据反哺模型微调。

物理AI则把智能装进硬件，覆盖防爆巡检机器人、智能控制阀、工业母机、在线监测终端，核心是全域物理感知、工况自适应、端侧低时延决策和风险自主处置。

报告也提醒风险仍在：模型与复杂工况的适配、数据孤岛与标准不统一、前期投入偏高、复合型人才不足，这几项都会伴随整个普及过程。

54 页原文、市场规模测算公式和案例指标表都在运营动脉（www.yydm.cn），搜报告名就能打开。

工业AI的终局不是模型更强，是工厂自己会转。