记者 李明

10月14日至16日，以“加速人工智能赋能新型工业化进程”为主题的2026人工智能产业峰会在济南黄河国际会展中心盛大召开。会议期间，一场聚焦“人工智能+实体经济变革”的高端对话将讨论焦点拉回至工厂生产一线。

随着人工智能技术的迅猛发展，C端通用大模型已完成了上半场的探索与初步应用，而B端工业垂域大模型则正接过接力棒，开启了下半场的深度耕耘与突破性进展。

然而，在企业竞相追逐工业AI，纷纷上马大模型和智能体项目，期望通过投资换取效率和价值提升的同时，也暴露出部分企业将“展示效果”作为首要目标的“伪需求”现象，这引发了众多企业家的热烈讨论。

多位企业家一致认为：AI的价值不在于概念的新颖性或名词的复杂性，而在于能否切实解决工业领域的实际问题，为企业带来实实在在的收益。

AI热潮下，需警惕“伪需求”陷阱

卡奥斯物联科技股份有限公司，作为国内首个基于工业互联网平台的垂域大模型开发者，已在9大行业、40多个场景中成功落地应用。该公司董事长陈录城对工业AI中的“伪需求”有着深刻的体会。

他表示，制造业要实现AI的有效落地，关键在于如何将行业内的真实数据、知识和经验显性化、产品化，转化为智能体，以解决实际问题，创造真实价值。

陈录城举例说：有一家企业生产智能控制器，在全球拥有6家工厂。其中，智能控制器中的一个元器件对湿度要求极高且敏感。由于不同地区湿度差异大，过去企业依赖人工调节，既不精准也不及时。现在，卡奥斯与这家企业合作，搭建了工艺管控智能体，使质量保证的精度提升了30%。

在陈录城看来，凡是不能创造真实价值、仅为追求AI而实施的项目，均可视为“伪需求”。这主要包括两种情况：

第一种情况是，需求本身和问题都是真实的，但无法通过AI有效解决。原因之一在于工业领域数据复杂，数据准备不足，包括采集、标注、处理等环节存在缺陷，无法训练出有效的大模型来解决实际问题。原因之二在于，即使使用模型解决了问题，但在价值计算上出现偏差，企业不能仅从局部效果来衡量整体价值，如单点成本降低但其他地方成本增加，因此要算大账，而非小账。

第二种情况是，需求本身就是虚假的，不应使用AI来解决。这也有两个方面：一是企业重塑流程和系统时，解决办法多为“外挂”式，如用AI识别质量缺陷后仍需人工重新录入，这不仅未解决问题，反而增加了员工负担，使业务与AI脱节，无法产生实际效果。二是“杀鸡用牛刀”，即有些问题通过规则或制度即可解决，无需动用AI。

陈录城强调，工业大模型与通用大模型不同，其价值不在于炫技，而在于能否切实体现价值。

人工智能正加速融入实体经济，但并非所有项目都能物有所值。

华为技术有限公司副总裁、制造与大企业军团CEO刘超认为，人工智能的场景选择应与企业的核心价值流、价值创造的关键环节紧密相关。例如，制造型企业应在研发创新、生产制造、销售服务、企业管理等关键价值创造环节中思考如何与人工智能结合。结合后，研发创新应更快，使过去的“不可能”变为“可能”；生产制造环节应质量更优、成本更低、效率更高、柔性更强；销售服务环节应能更好地提升服务客户的能力和本领。总之，人工智能应助力企业变得更强、更有竞争力。

在刘超看来，高价值的、能增强企业竞争力的场景就是工业AI的真需求，值得投资；而纯粹表演型的、仅为证明自己使用了AI的项目则应被砍掉。同时，他还建议企业慎重对待那些单纯为了追求技术先进性、追求新名词而上马的项目。

AI需创造真实价值

中国数联物流信息有限公司副总经理韩敬华分享了近两年通过AI解决的一个“颇具趣味”的实践案例。

物流是一个典型的全局最优场景：港口的桥吊如何排列、堆场如何布局、多式联运如何衔接，过去都依赖老师傅的经验，各个环节独立规划，然后人工逐环节评判。

目前，中国数联物流信息有限公司推出了运筹大模型，支持用纯自然语言描述问题，AI自动生成算法，并持续自进化迭代，直接生成桥吊和堆场的最优解决方案，实现AI的自主决策，每年单岗可节约数百万元的能耗成本。

韩敬华从三个维度来判断工业AI中的“真需求”：一是约束条件清晰，二是结果可量化，三是收益能够体现在财务报表中。这才是一个真正的“真需求”。

对于“伪需求”，韩敬华也举了一个简单的例子：即为对话而对话的聊天机器人。过去，企业业务系统曾一度流行套一个对话框，员工问一句，AI答一句。这看似智能，但业务动作仍需人回到原有业务系统中操作，无法实现业务闭环，也无法交付实际结果。

因此，中国数联物流信息有限公司在打造大模型时制定了一条规则：AI不能仅给出建议，必须完成需求接收、智能编排、执行协同、结果交付和效果反馈的全链路闭环，交付要求的是报关单、调度方案和预测报告等实实在在的成果。

山东能源集团既是能源企业，也是化工企业，拥有70多家煤矿和26家化工企业。这100多家企业都面临着生产工艺复杂、管理难度大的问题，安全生产一直是个难题。

山东能源集团副总经理刘健认为，能源行业最值得解决的就是安全生产问题。过去，我们解决的真问题就是把职工从高危的工作环境中解放出来。

近几年，山东能源集团依托大模型对从事采掘、化工、机电等20多个业务模块进行了深度解析。通过大模型，企业隐患排查效率提高了80%以上，现场违章识别率提升至95%以上。同时，企业选煤效率也提高了1%以上。

在刘健看来，最典型的伪需求就是把展示效果作为首要目标。企业在内部调查中发现，有的人工智能项目存在硬件可靠性不足、软件系统“建而不用、用而不实”的现象，项目建成后对未来发展并无太大助力。

他认为，如果预算要削减，就要砍掉那些建了不用的项目。最想保留的是能解决行业发展痛点的项目，主要包括：一是行业大模型核心能力的持续迭代；二是企业与华为共建的两个大模型、350个场景在现场的持续应用和推广；三是一些可复用的、解决一个问题就能解决一类问题、促进行业发展的AI项目。