工業AI時代已到來，格創東智改變了什么？（上）

2026-06-05 17:38

最近，很多AI Agent用起來很聰明，會聊天、會寫報告、會生成方案，但真正進入半導體工廠、汽車產線、能源系統后，卻很難真正參與生產決策。原因并不在于 AI 不夠聰明，而在于它無法在工業現場完成一套“可信、實時、閉環”的行動。

工業 AI 真正的門檻，從來不是“能不能生成內容”，而是能不能把一次異常處理，從數小時縮短到數分鐘；能不能把一次人工分析，變成系統自動閉環；能不能讓一次生產決策，更快、更準、更安全地執行。

而這，正是格創東智正在解決的問題。工業 AI 真正的難點，不是“看見問題”，而是“處理問題”。工業現場真正需要的，是AI進入生產流程。比如AI在識別異常之后，能夠判斷優先級，進而調用 MES、YMS、EAP 等系統、調整參數、在安全邊界內執行動作、同時對結果負責。

格創東智作為中國工業 AI 領軍企業，在近期的一場演講中，第一次系統性地把這個問題拆開，并給出了把工業 AI 從“模型能力”轉向“工業執行力”的實現路徑。

工業 AI“水土不服”，為什么最強的大模型也搞不定一臺老機臺？

先看一個真實場景。在一條先進半導體晶圓廠里，每天會產生上億條設備數據。一個經驗豐富的工程師，能夠從海量報警信號中，快速判斷出哪些是真正影響良率的異常，哪些只是噪聲。

換成通用大模型來做，會發生什么？最常見的結果是要么無差別報警，把工程師“報警轟炸”；要么漏掉真正致命的異常，導致整批晶圓報廢。更復雜的是，當 AI 闖過識別問題這一關后，它在真正“動手”調整工藝參數、鎖定異常機臺、調用 MES 派工、聯動 EAP 修改 Recipe等環節上又會出現卡點。因為工廠里的 MES、SPC、EAP 等系統，往往經過十幾年演化，接口復雜、邏輯耦合嚴重，像一套高度定制化的工業神經網絡。AI 即使“看懂”問題，也未必“調得動”系統。

這也是格創東智 CEO 何軍在 IDC 主辦的 2026 中國 CIO 峰會上反復提到的一個關鍵詞：“水土不服”。他指出，當前很多 AI Agent 在客服問答、辦公協同等場景已經足夠成熟，但一進入質量異常判定、能耗調控、生產調度等工業核心價值鏈，就會迅速暴露問題。原因很簡單，工業現場對 AI 的要求是“能負責”。工業現場里，AI 下錯一個參數，可能就是幾十萬損失，甚至整條產線停擺。

破解“水土不服”，格創東智為什么先做“工業駕馭工程”？

面對這個問題，格創東智并沒有把重點放在“訓練一個更大的模型”上，而是選擇了一條更工業化的路徑：為 AI 構建一套能夠進入真實生產系統的工業級駕馭工程體系（Harness Engineering）。它解決的是AI 能不能真正進入生產流程、安全調用工業系統、在規則邊界內完成閉環執行、讓工程師真正敢用。本質上，格創東智是在給工業 AI 補齊“從認知到行動”的最后一公里。

這套體系，首先解決的是“語言不通”。AI 聽不懂工廠里的“行話”，更不知道數據在哪里。比如你說“良率異常集中性分析”，通用大模型并不知道：良率對應哪些指標；數據來自哪個系統；不同工序之間是什么關系；應該調用哪些動作。

格創東智的做法，是先把工業能力“語義化”。比如，把 YMS 中的根因分析、MES 中的任務調整、設備中的禁 Run 等動作，拆解成標準化、可調用的工業原子能力（Tool & Action）。

AI 不需要再理解復雜系統界面，只需要調用標準化動作，比如HoldWafer（鎖定晶圓）、UnlockEquipment（解鎖機臺）、AdjustRecipe（調整參數），工業系統第一次真正變成 AI 可調用的“工業工具集”。

與此同時，格創東智還在做另一件更關鍵的事：數據語義化。

很多工廠的數據并不是天然可用的。它們分散、孤立、缺乏業務關系，甚至大量“臟數據”長期沉積在系統中。格創東智的做法是為數據構建統一的“語義層”。把良率、OEE、產量、設備狀態等核心指標，以及它們之間的計算關系和業務邏輯，整理成一張AI能夠快速檢索和理解的知識網絡。只有完成這一步，AI 才真正擁有工業上下文。它不再只是“會聊天”，而是開始“理解工廠”。

工業AI真正的關鍵，是“大小模型協同”

解決“聽得懂”之后，更危險的問題出現了，幻覺。大模型本質是概率模型，它天然存在“一本正經胡說八道”的風險。在互聯網場景里，這可能只是一個錯誤答案；但在工業現場，這可能意味著錯誤工藝、錯誤參數、錯誤動作。

格創東智提出的核心路徑，是“雙模雙軌雙 Know-how”。簡單說，就是大模型負責理解與生成；小模型負責控制與執行。大模型（Generative AI）負責理解自然語言；生成報告；提供決策建議；調用知識庫。而真正負責工業控制和閉環執行的，則是 Analytical AI 小模型。這些小模型基于工業機理、歷史工藝數據、物理公式訓練而成，不追求“能聊天”，但追求精準、穩定、確定性。

舉個例子。當發現某個良率異常波動， AI Agent 判斷需要調整刻蝕工藝參數時，大模型會調度基于工業機理和實時數據訓練的小模型，真正給出參數調整建議。同時，從知識庫里檢索相似場景的歷史案例、工藝規范文檔，作為“參考信息”提供給人。小模型知道這個參數和溫度、壓力、腔體狀態的精確關系，算出來的值才是可信的。大模型負責“派任務““查資料”，小模型負責“算答案”，各司其職。

這也是目前工業界最現實、最可信、真正能夠參與生產閉環的工業 AI 路徑。