软硬协同、云边融合、垂类模型：工业AI的三大真相
作者：彭昭（智次方创始人、云和资本联合创始合伙人）
物联网智库 原创
这是我的第372篇专栏文章。
当AI遇上工业，真正的挑战才刚刚开始。
在AI大模型席卷全球、生成式AI持续刷新公众认知的当下，工业界的智能化进程，却仍处在一个“热在云端、冷在现场”的临界点。
模型可以绘画、写作、生成代码，却难以真正嵌入一条产线、控制一台设备、优化一个流程。与消费级AI的爆发相比，工业AI的落地始终显得缓慢、复杂，甚至令人沮丧。
但这一次，或许真的不一样。
在COMPUTEX 2025展会期间，研华科技举办了一系列重量级产业主题会议，邀请多位业界意见领袖、技术专家与合作伙伴，共同探讨技术如何驱动新一轮的数字化转型浪潮。而在这一系列对话中，最为核心的正是研华科技董事长刘克振（KC）与我之间的一场深度交流。
在对话中，KC不仅回顾了物联网平台十年前的泡沫与幻灭，更坦率地指出：“工业智能不是不会发生，而是还缺一个催化剂。”而这个催化剂，正是AI与边缘计算的融合。
在这次对谈中，研华首次提出其最新的品牌宣言：Edge Computing & WISE-Edge in Action，并宣告将在五大垂直产业全面推进工业智能化的落地布局。
作为全球工业物联网领域的领导厂商，研华长期深耕边缘硬件与工业软件平台，在过去十年默默积累、持续打磨。如今，她试图在AI成为“可部署智能”的关键节点上，完成一次战略重构：不是空谈“平台梦想”，而是构建“软硬协同、云边闭环”的现实路径。
本文将围绕这次对话中的核心观点进行深入解析：工业AI为何迟迟无法落地？模型强大为何在工厂难以找到用武之地？AI与边缘的融合，究竟带来了什么根本性改变？更重要的是，对于整个产业链来说，我们该以什么样的心态、节奏与策略走进这场被称为“物理AI”的新时代？
工业AI的“第二次机会”来了，但这次不一样
“我们在2018年热烈讨论物联网平台的机会与合作，当时大家都相信这会是一场产业革命。但现实是——没人真正成功。”研华科技董事长刘克振（KC）在本次对话中直言不讳，也是对过去十年“工业智能化”热潮最真实的注脚。
的确，大约十年前，工业物联网（IIoT）被视为下一个“万亿级风口”，全球无数科技与制造巨头纷纷推出平台战略：GE的Predix、西门子的MindSphere，以及研华自己的WISE-PaaS…但几年过去，大多数平台要么停滞、要么转型，工业智能化的承诺并未如期兑现。
KC用一句话总结了原因：“…不是不会发生，而是缺了一种催化剂。”这个催化剂，正是AI，特别是AI与边缘计算的融合。
过去十年，工业界所期待的“平台革命”之所以难以落地，一个根本问题是：工业现场的复杂性、异构性、实时性、安全性，让传统云平台的逻辑在工厂、医院、电网等物理场景中失效。AI虽强，却始终“落不了地”；模型虽大，却始终离现场太远。
这正是我们在本次对话中反复强调的观点：工业场景并不缺模型，缺的是“能跑得起来的AI”。
AI再强，如果它只能在云端运行、需要海量算力、耗时数秒才能出结果，那么它对一条需要毫秒级决策的产线来说是毫无意义的。真正能改变工业的，不是“更聪明的算法”，而是“更贴地的智能”。
这也正是边缘计算的意义所在。Edge，不是一个新的硬件形态，而是一种新型智能部署方式：让感知、决策、执行三者，在现场完成闭环。
边缘计算让模型“跑在现场”，让算法“嵌入流程”，让AI从一个“技术插件”变成“系统能力”。这不是让AI更强，而是让系统本身更主动、更响应、更安全、更稳定。
这一次与研华的对话让我感觉到：工业AI的第二次机会，正在到来。但这一次，它不再是云端的热闹实验，而是地面上的系统战。
它的本质不在于是否拥有“更大的模型”，而在于是否能够构建“更小的闭环”；不在于算法能处理多少语义，而在于它能否控制一个具体的物理变量；不在于能否惊艳演示，而在于能否稳定运行。
换句话说：这次的工业AI，不需要“看起来很强”，它需要“跑得起来”，能够“嵌入现场”。
工业AI的落地逻辑：软硬协同 云边闭环 垂类模型
如果说工业AI的“第二次机会”已经到来，那么接下来的问题就是：它将以怎样的路径真正落地？
这不只是一个技术问题，更是一个系统工程——它需要软硬件的协同演进，需要计算架构的重新部署，更需要模型范式的重新定义。而在我与KC的对话中，三个关键词逐渐清晰地浮现出来：软硬协同、云边闭环、垂类模型。它们构成了工业AI落地的“三段式推进逻辑”。
软硬协同：AI不是“云里飞”，而是“地上跑”
KC在对话中反复强调，研华的战略定位从来不是做“最终方案”，而是做“系统组件的供应者”。这背后，其实是一种深刻的路径选择：工业AI的落地，不是靠一个完美的解决方案，而是靠一套可组合、可复制、可演进的系统组件。
研华的三层架构非常值得借鉴：
第一层是边缘硬件——涵盖超过1000个SKU的现场级运算设备，适配各种工业环境；
第二层是WISE-Edge容器化软件平台——提供驱动接口、容器工具、API对接能力；
第三层是垂直领域应用模组——将AI能力封装成可直接部署的行业模块。
这个架构的关键，并不在于“谁做出了AI”，而在于谁能把AI嵌入到工业系统的日常运行中。
工业现场不是一张白纸，它是一个高度复杂、冗余、多源异构的生态系统。任何AI能力，都必须通过“软硬协同”的方式，与已有系统无缝对接、稳定运行。
这意味着：工业AI不是“云里飞”的模型，而是“地上跑”的系统工程。
云边协同：闭环比算法更重要
很多AI项目失败的根源，不在于算法不行，而在于它们从未真正跑过一条完整的闭环。我在对话中提到，工业AI的核心，不是“能不能训练出一个好模型”，而是“能不能让这个模型在现场执行”。这就要求系统具备四个关键特性：
实时性：工业系统不能等云端运算结果，它要在现场秒速响应；
可靠性：即使断网、掉电，也要本地继续运行，不能瘫痪；
安全性：数据不能随意上传，必须保障本地隐私与合规性；
适应性：每一个工厂、每一条产线，都是独一无二的，需要“专属智能”。
这些能力的核心，不在云，而在边。边缘计算的价值，正是让感知、决策、执行三者形成物理反馈闭环，而不仅仅是逻辑链条。
我经常说，“工业不是语文题，也不是数学题，而是物理题。”通用大模型能理解语义，但工业现场需要控制变量；它不是开放世界，而是多约束系统；不是生成知识，而是执行逻辑。
因此，工业AI的落地，不是“跑得更聪明”，而是“跑得更完整”。模型再强，如果不能闭环，就是空谈。
垂类模型：小模型才是大机会
AI之所以在工业场景“水土不服”，还有一个根本原因：通用模型的抽象逻辑，与工业的具体性天然冲突。
工业不是“理解世界”，而是“控制系统”；不是“生成答案”，而是“规避故障”。比起一个大而全的通用模型，工业更需要一个垂直、专用、可控的小模型。
比如为数控机床预测刀具磨损而训练的模型，它的参数量或许只有几千万，但它对传感器数据、设备接口、工艺逻辑、报警机制都深度定制，真正能在产线中长期稳定运行。它的价值，不在于“能生成”，而在于“能运营”。
如果比喻通用大模型是“百科全书”，那么垂类模型需要成为工业的“操作手册”。
工业AI的未来，属于这些能嵌入流程、跑通闭环、绑定客户的小模型。它们可能不惊艳，但极具粘性；可能不万能，但极具效率。真正有价值的模型，不是最强的，而是最“接地气”的。
从软硬协同，到云边闭环，再到垂类模型，这三者构成了工业AI落地的系统三角。它不是技术的叠加，而是逻辑的重构；它不是风口的叙事，而是能力的闭环。
这也意味着，工业AI的未来，不属于“最聪明的模型提供者”，而属于“最能跑通系统闭环的能力构建者”。
生态角色重新划分，工业智能体的价值链将重构
如果说软硬协同、云边闭环与垂类模型共同构成了工业AI的落地逻辑，那么接下来的问题是：谁来做这件事？价值链如何重构？产业链上的不同玩家又该如何参与？
在我们的对话尾声，KC给出了一幅清晰的产业角色图景：未来工业AI生态将由三类核心角色组成：组件供应商、系统集成商，以及垂类智能体开发者。
这不是一个静态分工，而是一个动态协同的系统架构，预示着工业智能价值网络的重构逻辑。
组件供应商：做对“底层”，不争“顶层”
研华选择了最朴素也最具战略纵深的位置——成为全球工业AI生态的组件供应者。这意味着它不追求“闭环终端”的控制权，而专注于提供可复制、可集成、可定制的边缘硬件、容器化软件、行业模组三大类核心模块。
正如KC所说，研华的角色不是“做菜”，而是“提供最好的食材、调料和食谱”，让系统集成商能够快速交付场景化的工业AI方案。这种角色定位有两个巨大优势：
一是避免价值链“碰撞”，与更多伙伴形成互补而非竞争；
二是形成规模化“中台能力”，在多项目、多行业之间积累平台级能力。
对于其他硬件厂商、工具平台提供者而言，这是一种可借鉴的思路：在工业AI中占据一个结构性位置，而不是追逐短期的客户订单或全栈解决方案的幻觉。
系统集成商：连接“最后一公里”，但别试图吃下全程
工业智能化的复杂性决定了没有任何一个玩家可以独立完成从硬件到模型、从部署到运维的全栈闭环。这正是系统集成商（SI）不可替代的价值所在——他们最了解客户现场、工艺流程、行业规范，能够将通用能力“翻译”为特定场景下的可执行方案。
但新的挑战也随之而来：传统的“项目制交付”已无法满足工业AI的持续演化需求。未来的SI必须具备平台思维、产品意识和持续运营能力。这意味着：
从“一次性交付”转向“持续集成 数据闭环”；
与组件商、模型商建立长期协同机制，而非一锤子买卖；
更要认清边界：不要幻想成为“AI模型公司”，而是成为“AI系统的整合节点”。
垂类智能体开发者：谁能“吃透场景”，谁就掌握闭环
最后一个关键角色，是垂类智能体的开发者。这可能是初创公司，也可能是大型企业的行业子公司，甚至可能是某些传统工业软件厂商的“重生体”。他们的任务，是围绕某一类工艺、流程或设备，开发出可运行、可演进、可收费的工业AI模型与Agent智能体系统。
KC在对话中提到，未来的工业客户更倾向于在现场部署小型私有云，并在其上运行专属垂类模型。这意味着：
通用大模型不再是唯一解，“工艺级智能体”将成为新常态；
模型价值不在于参数规模，而在于“是否能跑通数据-决策-反馈闭环”；
谁能吃透一个行业的知识图谱、传感器逻辑、控制接口，谁就能构建出不可替代的场景智能。
这将是工业AI最激烈也最有价值的战场。
无论是组件供应商、系统集成商，还是垂类智能体开发者，就产业链整体而言，我们的建议是：放弃“全栈幻想”，建立“协同机制”。
在消费级AI领域，“全栈自研”或许是一种豪情；但在工业AI领域，这更可能是一种幻想。
工业智能系统需要感知、控制、边缘计算、领域知识、运维体系、闭环反馈、合规机制等多项能力协同，任何一个角色想“包打天下”，最终都将陷入系统性不可持续。
真正的策略，是认清自己的结构性价值，找到最佳生态位，并与上下游建立清晰、稳定、长期的协同机制。工业AI的成功，不属于孤胆英雄，而属于协作网络。
写在最后
工业AI，不需要急着爆发，而是更该慢慢变深。
回到文章开头的问题：为什么我们在十年前错判了工业互联网平台的爆发？也许答案并不复杂——我们高估了短期变革的速度，却低估了系统演进的难度。
如今，工业AI正迎来“第二次机会”。但这一次，我们不该再用“平台革命”或“模型奇迹”的眼光来看待它。工业智能化不是某一项技术的突破，而是一场系统性的认知重构与能力重构。它无法一蹴而就，但一旦扎根，将深刻重塑整个产业的底层逻辑。
真正值得关注的，不是下一家“发布大模型”的工业AI公司，而是那些在看似缓慢的节奏中，持续构建闭环能力、不断打磨软硬协同、深耕垂直场景的长期主义者。他们可能不会最先出现在新闻头条，但他们将是最晚离场的赢家。
这也是我在与KC深度对话后的最大感触——工业AI的未来，不属于最炫目的技术，而属于最扎实的系统能力；不属于“AI替代人”的幻想，而属于“AI与行业知识深度融合”的现实。
我们正走进一个新阶段，AI不再只是智能的象征，而正在成为产业的“新常识”。它不再是实验室里的高光时刻，而是每天每秒都在设备、流程、工艺中默默运行的生产力工具。
所以，是时候放下对“爆发性奇迹”的执念，转而坚定投入到“渐进式深耕”的路径中。让AI不仅能看懂世界，更能改变工厂；不仅能生成答案，更能执行决策；不仅能飞在云端，更能扎根现场。
这才是工业AI真正的意义。
