核心内容总结
这篇新闻聚焦虎嗅智库在苏州举办的制造业AI落地闭门会，十几家企业（如协鑫、追觅、汇川、来伊份等）的一线实践者，分享了AI在生产、研发、供应链等环节的真实应用案例，但重点暴露了落地中的卡点——不是技术不行，而是数据、系统、组织等“基础设施”拖了后腿。会议还从“晒成功案例”升级为“共建判断”，探讨哪些路径能走、哪些坑要避，最终总结出阻碍AI进入产线核心的三大瓶颈，以及企业们的破局思路。
一、AI在制造业已经用起来了，但大多在外围环节
AI在制造业的应用已经覆盖了不少场景，但真正深入核心生产环节的不多。比如：
- 供应链端：追觅科技用AI做端到端供应链管理，外围的销量预测、智能排产已经跑通，但制造核心环节（比如产品质量控制）还因为“负样本太少”（坏产品案例不足，AI学不会怎么避免）和“关键参数测不到”卡壳；
- 研发端：AI写代码（AI Coding）提效明显，追觅的研发负责人说能省不少时间，但怎么让AI打通研发和制造的规则（比如研发设计的参数能不能直接用于生产）还是难题；
- 快消/零售端：来伊份用AI巡店（代替人工检查门店陈列）、上海家化用AI测肤（给消费者推荐产品），但快消品SKU太多、渠道太散，导致销量预测的准确率上不去；
- 能源领域：协鑫用AI预测电价趋势，但电力市场的博弈（比如对手怎么定价）和突发情况（比如天气突变影响发电）还是难预测。
简单说，AI能帮着做“辅助活”，但还没摸到生产的“心脏”。
二、三座大山挡住AI进产线：看不见、不敢用、进不去
会议总结了AI落地最核心的三个瓶颈，像三座山一样拦着：
1. 看不见：关键数据测不到
工业现场不是互联网（用户数据随手就能拿），很多核心参数没法直接测。比如热态工件的变形量、催化剂的真实活性，传感器只能测到表面数值，就像“蒙着眼睛摸象”——模型再聪明，没有全量数据也白搭。
2. 不敢用：AI结果没法担责
AI能写代码、做预测，但企业不敢直接让它进产线。比如ChatGPT写的代码要人工验证，AI做的工艺优化建议没人敢签字——万一出问题谁负责？毕竟生产线上出岔子就是真金白银的损失。
3. 进不去：数据安全和系统鸿沟
AI要和企业内部系统结合，得先解决数据安全问题——财务数据、研发图纸泄露了怎么办？很多企业怕“黑盒”（不知道AI后台怎么处理数据），所以不敢让AI碰核心业务；另外，乙方的大模型和企业内部的老系统不兼容，鸿沟太深，想法落不了地。
三、破局思路：从技术到组织都要“动刀子”
针对这些卡点，企业们给出了具体解法：
- 技术上：换思路，破黑盒
汇川技术说不用纯仿真，改用“因果推断”（找清楚数据之间的真实因果关系，而不是表面关联），从控制层切入工艺闭环；知微行易主张“白盒化”重构工业系统——把系统里的逻辑透明化，让大家知道AI是怎么决策的，解决黑盒焦虑。
- 组织上：AI要和组织重构挂钩
派克新材的副总说，AI落地不能只靠技术，得改组织。比如他们的自动工艺设计覆盖了七成产品，但因为制造参数测不到，导致设计和执行脱节，这时候就要调整组织流程，让技术和生产部门打通。
- 小步快跑：先做小事，再扩范围
某头部新能源企业用“做小事”的方法推进AI——先解决一个具体小问题（比如某个工序的质量优化），验证有效后再复制，避免一下子铺太大导致失败。
四、会议不晒成功案例了，改“踩坑”共建判断
以前企业开会爱晒成功案例，但这次闭门会变了：
- 暴露痛点优先：甲方直接讲自己的AI落地现状和卡点（比如数据治理乱、OT安全缺），而不是只说“我们做得多好”；
- 交叉验证解法：不同企业的问题和思路互相对照——比如追觅的供应链Agent困境，和汇川的因果推断路线对比，协鑫的电力博弈和新能源企业的OT安全焦虑相互映照；
- 明确边界：大家一起复盘“AI在什么条件下有效，什么情况下失灵”，比如快消品SKU太多时，预测准确率就有天花板，别硬上。
虎嗅还计划后续搞更多线下闭门会和线上圆桌，继续探讨制造供应链、营销、运营自动化这些主题，帮企业找可复用的经验。
总的来说，制造业AI落地不是“技术够不够”的问题，而是“基础牢不牢”的问题——数据要能测、系统要透明、组织要适配，AI才能真正走进车间核心。这次会议的价值，就是把这些“真问题”摆出来，让大家一起找答案。