工业AI，进入“共建时代”

21世纪经济报道记者 孔海丽

京东工业相关负责人在接受21世纪经济报道记者采访时提到一个细节，大模型爆发之初，公司内部曾明确讨论一个问题，如果通用大模型进化足够快，行业还有没有必要自己训练模型？

工业领域不缺大模型，但是很缺准确靠谱的大模型。

过去两年，从通用大模型到行业模型，从制造业到能源、电力、汽车，几乎每个行业都出现过自己的“大模型故事”。

结论是什么？

“解决工业场景的复杂性问题，垂直模型是必由之路，没得选。”

原因很复杂。工业场景对准确率、稳定性和专业知识的要求，远高于互联网场景。一个聊天机器人回答错误，用户最多关掉页面重新提问；但如果工业系统推荐错误型号、错误参数，或者导致错误采购决策，代价可能是真实的生产损失，甚至威胁安全。

这导致工业AI的发展始终面临一个核心问题：模型越来越强，但产业数据始终分散，难以在真实场景中落地。

日前京东工业发布了“百川计划”，宣布联合上游企业共同建设行业大模型生态。表面看，这是一次围绕AI的产业合作；实际上，它试图解决的是工业数字化二十年来一直没有完全解决的问题，也就是，如何让分散在产业链各个环节的数据真正流动起来。

这也是工业AI从技术竞争走向产业竞争的一个信号。

过去大家比拼的是模型能力，现在开始比拼组织产业资源的能力。

工业AI最难的，不是模型

如果站在互联网行业的视角，很容易把工业大模型理解为“给工业企业装上AI”。

但真正进入工业领域后会发现，问题远没有那么简单。

京东工业所处的MRO（维护、维修和运营）工业供应链市场有一个典型特点，SKU数量极其庞大，商品标准化程度低，大量商品带有行业特征和企业特征。

一个轴承、一个断路器、一颗螺丝，看起来只是简单商品，但背后往往对应不同规格、型号、标准和应用场景，在每个企业和供应商系统中的名字也千差万别。

据京东工业方面披露，其服务的工业供应链体系中拥有接近1亿SKU，而长尾物料占据了绝大部分。

这些数据长期存在几个问题。

首先是分类体系不统一。同一种商品，在不同企业可能有完全不同的命名方式。

其次是参数标准不统一。同样的产品描述，往往存在大量非结构化信息。

知识沉淀也很分散，很多经验掌握在采购员、工程师和销售人员手里，“老师傅经验”几乎等同于“独门秘籍”。

所以，过去很长时间，工业供应链都依赖经验驱动。

谁更懂产品，谁更熟悉客户需求，谁就拥有更高效率。

而AI要具备或者辅助这些能力，首先要理解这些行业知识。

问题恰恰在这里。

通用大模型的知识主要来自互联网公开数据，而工业知识大部分并不在互联网。据德力西相关负责人透露，通用大模型并不缺通识能力，缺的是对产品型号、行业术语、应用工况等细节的理解。

大量数据沉淀在企业ERP、产品手册、技术文档、历史订单和工程实践中。

如果没有这些数据，再强大的通用模型进入工业场景也容易出现“幻觉”。

从这个角度看，工业AI真正的门槛并不是训练模型，而是获取高质量数据。

一场关于数据的产业协作实验

百川计划最值得关注的地方，并不是发布了什么模型，而是它试图建立一种新的产业协作方式。

按照京东工业的规划，未来将联合上游品牌和制造企业，从数据、模型和应用三个维度共同建设行业生态。

这种模式背后有一个现实判断。

单个企业的数据终究有限。即便一家企业拥有丰富的产品资料和业务数据，也很难覆盖整个行业。如果行业模型长期依赖单一企业的数据，最终仍然会遇到数据边界。

“一家公司的力量是有限的，我们需要源源不断的动力保持整个行业模型的领先。只有数据的流通性才能带来真正的价值。”前述京东工业负责人表示。

京东工业AI的发展开始出现一个新的趋势，从企业级模型走向产业级模型。

与德力西电气的合作案例是一份样本。双方将超过2000份产品手册、8万条物料数据进行清洗和结构化处理，最终形成4万条标准化商品数据。

在模型训练过程中，这些数据被进一步转化为行业知识。

最终形成的低压电气行业模型仅有8B参数，却在多个专业任务上超过部分通用模型。

也就是说，在工业场景中，高质量行业数据的重要性，正在超过参数规模本身。

过去两年，行业讨论更多集中在模型参数和算力。但工业领域正在证明，决定应用效果的往往不是模型有多大，而是数据是否专业、知识是否准确、场景是否闭环。

这也是工业AI与互联网AI最大的差异。

互联网更关注通用能力，工业更关注确定性。

百川计划真正想解决什么

如果仅仅把百川计划理解为一次AI合作，可能低估了它的意义。

从产业角度看，它实际上瞄准的是工业供应链最基础的一层能力：商品标准化。

这是一个并不性感，却决定行业效率的问题。

过去十多年，中国工业互联网、数字化采购和供应链平台不断发展，但行业始终存在一个难题，不同企业之间的数据难以互通。采购方有自己的编码体系，供应商有自己的产品体系，平台有自己的分类体系，大量信息需要依赖人工经验匹配。

这种信息损耗最终体现在采购成本、沟通成本和库存成本上。

京东工业从成立之初持续建设“墨卡托标准商品库”，本质上就是在解决这个问题。

而AI的出现，则让标准化工作拥有了新的工具。过去需要人工完成的数据清洗、分类和标注，如今可以借助模型实现自动化处理。

更重要的是，模型反过来还能推动行业标准进一步统一。

如果说工业互联网时代解决的是连接问题，那么工业AI时代开始解决理解问题。系统不仅能够连接数据，还能够理解数据。

这也是京东工业不断强调“行业语言体系统一”的原因。对于工业供应链而言，统一语言体系的重要性甚至不亚于统一系统。

工业AI竞争开始进入下半场

从全球范围看，制造业和供应链领域一直被认为是AI落地最复杂的场景之一，原因并非技术不足，而是产业链太长、参与主体太多、数据基础不足，但模型能力可以复制，产业协同能力很难复制。

因此，工业AI的竞争逻辑正在发生变化。第一阶段竞争的是模型能力；第二阶段竞争的是行业知识；第三阶段竞争的则是生态组织能力。

谁能够汇聚更多产业数据，谁能够建立更大的行业协作网络，谁就更有机会构建行业级智能基础设施。

从这个角度观察，百川计划更像是一场基础设施建设。它未必会在短时间内带来爆发式增长，但可能影响未来几年工业AI的发展路径。

这条路并不轻松。数据共享始终伴随着安全、隐私和商业利益分配等问题。对于制造企业而言，产品数据、客户数据和运营数据本身就是核心资产。

如何在开放与保护之间找到平衡，将决定产业生态能否持续运转。这也是所有产业大模型最终都必须回答的问题。

不过，工业AI发展到今天，行业越来越意识到，仅靠一家企业、一个模型、一次技术突破，很难完成工业智能化升级。真正的突破点，来自产业链共同参与的数据协作。