如果说2025年全球AI竞赛的关键词是“参数竞赛”，那么步入2026年，这个赛道正在迎来一个更务实的拐点——场景深耕与价值落地。尤其在工业领域，AI应用的挑战尤为严峻：电力、制造等资产密集型行业对技术的确定性、稳定性和安全性有着近乎极致的要求。
4月18日，在奇点智能技术大会「AI+行业落地实践」分会场，中能拾贝创始人兼CTO刘勇给出了他的判断与答案：中国作为制造业大国，人工智能最大的赛道未来将会在工业。但工业场景对确定性、可靠性和安全性的极致追求，决定了它不能简单复制消费互联网的AI落地路径，必须建立一套专属的工程化理论方法和可靠的技术工具集。
基于这一判断，中能拾贝提出了以“SDKIP（Signal信号数字化→Data数据资产化→Knowledge知识语义化→Intelligence智能自主化→Purpose意图具象化）”为核心的方法论，并发布了其工业智能操作系统（CyberwIIOS）及工业模型引擎（IIOS IME），破解长期困扰工业领域的“数据割裂”与“知识隔阂”难题。
工业将成为人工智能未来最大的落地赛道
“今天我的主题，在 CSDN 的会议上应该算是比较特别的一个。中国作为制造业大国，我个人认为，人工智能未来最大的赛道，一定会在工业。” 演讲开篇，刘勇便直接点明了工业赛道在 AI 时代的核心价值，同时也直面行业现状：人工智能在工业领域的应用落地，整体节奏仍相对滞后。
在他看来，这种滞后并非源于行业需求不足，而是工业场景的核心属性决定的 —— 工业生产对确定性、可靠性、安全性有着极致的、近乎苛刻的追求，这与当前通用大模型天生的不确定性、幻觉问题形成了本质矛盾。而这，也正是整个工业智能行业必须面对的核心课题：想要让人工智能在工业场景真正落地，我们是否应该拥有一套专属的工程化理论方法，以及一套能够完整支撑落地的技术工具集？
这也正是刘勇本次分享的核心主题，更是中能拾贝深耕行业 21 年给出的答案。作为国家专精特新重点小巨人企业，中能拾贝已成立 21 年，始终聚焦能源电力行业，定位工业智能产品与服务提供商，以 “拾贝” 为核心产品品牌，打造工业智能操作系统底座，构建完整的工业智能产品与服务体系，助力资产密集型企业实现数字化转型，同时也是智能水电厂等多项国家、行业标准的发起、编制单位，是工业智能化领域的资深践行者。
通用大模型，能解决工业 AI 的落地难题吗？
历经二十余年的数字化建设，刘勇所深耕的能源电力行业，早已建成了能够支撑正常业务运行的数字化技术平台与应用体系。从物联网、大数据、人工智能技术的底层支撑，到电力生产经营的全链路业务覆盖，再到水电厂、储能电站的安全区、控制区、生产管理区的分级体系建设，电力企业已经完成了基础的数据支撑与应用支撑搭建。
但当行业想要进一步引入大模型，构建真正可用的工业智能应用时，却陷入了核心困境，这也引发了刘勇的核心拷问：只靠通用大模型，真的能解决工业 AI 的工程化落地难题吗？答案显然是否定的。他在会上拆解了工业 AI 落地的三大核心痛点，也是通用大模型无法直接突破的行业壁垒。
第一是数据与知识的双重割裂。工业领域二十余年的数字化建设中，绝大多数核心数据与业务知识，都沉淀在了系统架构设计、详细设计、应用代码、复杂数据库表关联关系、用户手册与作业流程中，形成了大量数据孤岛与知识壁垒。如果直接将这些原始数据与文档输入大模型，不仅要重复漫长的业务逻辑重构过程，重走一遍数字化的 “长征路”，更无法从根源上解决大模型的幻觉问题，难以适配工业场景的准确性要求。
第二是智能体开发的碎片化困境。当前工业领域的智能体开发，大多停留在任务型 AI 助手阶段，技术体系碎片化，依赖工作流驱动的定制化开发，无法实现 AI 原生的、意图驱动的自动化应用构建，更难以形成具备本体认知能力的多智能体协同体系，无法适配工业场景复杂、联动的业务需求。
第三是高容错与零容错的场景鸿沟。正如中国信通院余院长所言，当前大模型的应用，更多集中在高容错的辅助工作场景。但在工业领域，尤其是能源电力行业，对设备运行、生产操作、系统控制有着绝对的安全、可靠、正确要求，任何执行偏差都可能引发设备损坏、大面积停电甚至人身安全事故，这种零容错的场景要求，正是通用大模型难以 深入工业核心生产环节的关键原因。
刘勇直言，工业 AI 落地的核心瓶颈，从来都不仅仅是人工智能技术的先进性不足，而是要打破数据割裂与知识隔阂，让人工智能真正理解工业领域的策略与规则，能够正确、可靠、安全地执行任务。
工业 AI 工程化，必须吃透的双轮驱动核心体系
针对工业 AI 落地的核心痛点，刘勇在会上正式发布了中能拾贝打磨多年的SDKIP 工业 AI 工程化全链路方法论，以及支撑这套方法论落地的工业智能操作系统底座CyberwIIOS ，而这套体系的核心，正是数据与知识双轮驱动。
SDKIP方法论的底层逻辑，是以让工业资产更安全、更经济、更智能的核心意图（P）为牵引，构建从信号（S）到数据（D）、到知识（K）、到智能体（I）、再到意图（P）实现的全链路闭环。这套体系彻底重构了工业 AI 的落地逻辑：将工业 AI 实施的核心工作，从传统的应用开发与软件设计，转移到了数据资产构建（D）与工业知识沉淀（K）两大核心环节上。
而支撑这套双轮驱动体系落地的，正是两大核心模型引擎，也是工业 AI 工程化必须吃透的核心能力：
● 信息模型：让 AI 真正 “读懂” 工业数据，破解数据割裂难题
针对工业数据割裂、大模型无法准确调用数据的问题，中能拾贝采用基于 MOF 的建模框架，通过M0 对象 —M1 模型 —M2 元模型 —M3 元元模型的四层建模体系，构建标准化的工业信息模型。
该模型通过强逻辑关联，将数据库中存储的结构化数据，以及非结构化、半结构化工业数据进行统一绑定与映射，同时实现与物联网物模型的无缝对接，让工业现场的信号采集能够准确映射到信息模型中，形成高度可靠的工业数据集。这一设计让大模型在读取、调用工业数据时，能够实现精准匹配，从数据层面杜绝幻觉导致的错误输出，让 AI 真正 “读得懂” 工业数据。
● 本体模型：让 AI 真正 “理解” 工业业务，破解知识壁垒难题
解决了数据问题后，更核心的是让 AI 理解工业场景的业务逻辑、规则与策略。刘勇团队选择通过本体模型，构建基于统一语义的工业专业知识体系，实现领域知识的标准化沉淀与复用。
以电力基建场景为例，本体模型会将变电站建设的全工序流程、各环节的施工与验收规范、监理的工作权责与执行标准、不同工序对应的规范条文，全部转化为标准化的本体知识，实现工业业务全流程的强逻辑、高精准表达。通过本体模型，工业领域复杂的策略、规则、处理流程被转化为大模型可理解、可执行的逻辑，从业务层面保障 AI 输出的合规性与正确性，让 AI 真正 “理解” 工业业务。
两大模型的融合对接，构成了IIOS 工业智能操作系统最核心的IIOS IME 工业模型引擎的基础机制。该引擎不仅实现了工业数据的强约束管理与工业知识的精准化表达，还配套了覆盖全主流工业协议的协议栈，支撑工业现场信号的接入与处理，同时为上层应用提供统一语义定义、知识推理、数据交互、知识挖掘的核心能力支撑，成为工业 AI 原生应用开发的核心底座。
以工程化体系，筑牢 AI 落地的安全与价值底线
在刘勇看来，这套数据与知识双驱动的工程化体系，并非消除了工业系统开发的复杂性，而是实现了复杂性的合理转移 —— 从传统的代码编写、规则理解，转移到了本体设计、规则编写与模型推理计算上。而这种转移的核心价值，是让工业智能化应用的研发，从纯手工的 “古法编程”，升级为可预期、可实现的流水线式自动化生成模式。
演讲最后，刘勇结合中能拾贝的落地实践，给所有工业智能化从业者，给出了明确的落地路径与行动建议。
在落地节奏上，要遵循分级落地、安全优先的原则。他提出了成熟的大小模型协同落地方案：在工业场站边缘侧，通过机理模型、机器学习等可控可靠的小模型处理工业信号，保障现场数据处理的确定性；在云端管理侧，通过大模型实现意图理解，打造面向工业人员的 AI 员工，支撑智慧运营、智慧生产与智慧管理。针对工业控制场景，越靠近底层的过程控制环节越审慎应用 AI，当前人工智能核心落地场景集中在多能互补、系统协控、网源协同等上层调度环节，从根源上保障生产安全。
在确定性保障上，要筑牢三道核心防线：一是以行业规程规范为核心的标准校验，所有 AI 输出必须符合工业行业的强制标准与规程；二是分区分级的权限管控与人工预演，基于电力行业安全分区的严格安全防护体系，实现 AI 应用的分级落地与人工核验；三是以数字孪生仿真技术为核心的技术验证，所有 AI 方案先在与真实工业系统机理一致的数字孪生体中完成仿真验证，再落地到真实生产系统中。
在企业转型路径上，要走 “渐进渗透 + 全面升级” 的双线路线：一是基于企业原有业务脉络进行 AI 能力渗透，在设备故障诊断、资产全生命周期管理、系统控制等现有业务环节实现效率提升，这是最易落地、最快实现价值的路径；二是围绕 “自主执行的好员工、业务增效的好助手、辅助决策的好参谋” 三大方向，全面构建企业数字大脑与超级智能体，实现企业数字化架构的全面升级。
在商业化与行业共创上，刘勇也公布了开放的合作模式：一是标准化的工业智能工具集与产品体系的开放售卖；二是 SDKIP方法论的行业分享与共创，推动工业 AI 工程化体系的持续演进；三是各类细分行业的解决方案联合落地，在电力等核心优势行业开放成熟解决方案，同时与合作伙伴共创非电力行业的定制化落地方案。