75%还在原型期,工厂为什么还在用Excel?

——电气工程师拆解工业AI的产线真相

系列导读：这是"工业AI"系列第1篇（共4篇）。本篇核心内容——用88篇学术综述揭示75%的工业AI还停在原型期（仅9.1%有部署证据），拆解协议不通/数据拿不到/ROI算不清三座大山，用工控财报读出"订单+40%但利润-11%"的矛盾信号，对比西门子（10亿欧元全栈）/汇川（硬件嵌入）/中控（软件捆绑）三种变现路径并给出A股产业链映射，最后给出投资节奏时间表：2026看硬件订单→2027看软件渗透→2028看平台生态。第2篇聚焦工业软件国产替代——CAD/CAE/MES/ERP被卡脖子的不只是芯片；第3篇拆解工业大模型+智能运维——从预测性维护到工艺优化的落地场景；第4篇收口工业互联网+新质生产力——平台经济与数据要素的商业模式探索。

75%还在原型期——这是我翻完88篇学术综述后的第一反应。

做电气的经常逛工业展会，Demo很炫：大屏、数字孪生、AI质检。但回到工厂车间，大部分产线还在用Excel记数据、微信群派工单。展会和车间之间，隔着一个太平洋。

这篇拆解12份研报，帮你看清楚三件事：第一，工业AI到底处于什么阶段；第二，工控订单暴增40%和利润下滑11%的矛盾怎么读；第三，2026-2028年投资节奏怎么把握。

一、75%还在原型期——工业AI的认知差

先看一组让我倒吸冷气的学术数据。

一篇基于PRISMA指南（医学领域通用的系统性文献综述方法，确保筛选过程可追溯、无偏倚）的系统性综述，从2341篇文献中筛选出88篇进行严格评估，结论是：75%的工业AI系统处于技术成熟度4-6级（TRL 4-6，即从实验室原型到真实环境验证的过渡阶段，距离商业化量产的TRL 9还有很长距离），仅有9.1%有部署导向的证据[来源：基础模型驱动的工业智能体，2026.5]。

换句话说，绝大多数工业AI还停在实验室里，真正上产线跑起来的不到十分之一。

更关键的是能力结构的变化。与传统工业智能体相比，基于基础模型的新系统在人机交互能力提升了37%，处理不确定性能力提升35%——看起来很亮眼。但协商能力（即多个AI系统之间协调分工、解决冲突的能力，这是工业生产调度的核心能力）却下降了39%[来源：基础模型驱动的工业智能体，2026.5]。

这意味着什么？AI能帮你查数据、出报告、做可视化，但搞不定复杂的生产排程和多系统协调。工业AI目前停留在"外围辅助"，还没进入"核心控制环"。

从形态演进来看，工业AI正在从Copilot（辅助补全）→Agent（流程编排）→Autopilot（自主执行）三个阶段演进[来源：空间智能行业系列，2026.6]。我们现在处于第一阶段到第二阶段的过渡期，离"自主执行"还远。大模型直接用在工厂有三个坑：幻觉（编造数据）、失忆（上下文丢失）、反向助手（越帮越忙）[来源：智造工厂MES，2026]。

换个角度看渗透率。中国智能工厂梯度培育体系：8000余家先进级工厂中仅15家达到领航级，占比不到0.2%[来源：海外智能工厂案例集，2026]。能从8000家里选出来的"尖子生"如此之少，说明绝大多数工厂的AI化程度极低。这不是"即将爆发"，是还在"万里挑一"的阶段。

【个人视角】做电气的都懂，展会Demo和产线实际是两码事。我在现场见过太多"智能大屏"后面连着Excel手工台账——大屏是给领导看的，Excel才是真在干活的。75%在原型期这个数据不意外。真正的工业场景，协议不通、数据脏、安全要求极高，大模型到了车间先被现实教育一遍。"幻觉"在聊天机器人里是笑话，在工厂里是事故。

对散户的意义：75%在原型期意味着什么？意味着现在市面上大部分"工业AI概念股"，收入主体还是传统业务。真正的AI收入占比极低。如果你因为"AI概念"去买，不如直接看财报里"工业AI收入"这一行到底有多少——大多数公司不敢单独列出来。

75%在原型期，那到底卡在哪？不是算法不够好，是三个工程化的老问题。

二、不是算法不行，是协议不通——三座大山

做电气的都清楚——工厂里能不能投产，卡点往往不在硬件，在联调（联合调试——不同厂商的设备装到一起后，打通数据、校准参数、排除bug的过程）。两套系统对不上协议，产线就开不了工，光排查接口就能耗掉一个月。算法再聪明，也得跑在协议上。

第一座大山：协议不通。

西门子PCS7生物制药项目，因为Profinet协议（西门子主导的工业通信标准）与中控技术的Modbus协议（另一种广泛使用的工业通信协议——类似于手机充电口的Type-C和Lightning，接口不同就插不上）不兼容，项目停滞超过半年[来源：Nomura工厂自动化，2026.6]。这种"跨厂商协议不通"在工业现场比比皆是。做过项目的都知道，协议统一是工业AI的前提条件——地基都没打，怎么盖楼？

第二座大山：数据拿不到。

工业现场数据碎片化、非标准化、噪声大。跨系统打通的成本可能远超预期——高质量数据不足4%，万级工业数据集标注需要10人一周[来源：工业智能体培育问题及对策，2026.3]。更关键的是，企业不愿共享核心数据，高质量数据集共建容易陷入"囚徒困境"[来源：工业AI白皮书，2026.5]。

第三座大山：ROI算不清。

中控技术工业AI收入1.84亿元，看着不少，但超20%是捆绑的DCS硬件（DCS=分布式控制系统，工厂的"总控大脑"——所有传感器数据汇总到这里，控制指令从这里发出）——AI目前不是独立增长引擎，是传统DCS的"收入放大器"[来源：Nomura工厂自动化，2026.6]。国企客户对订阅模式有安全抵触，前期定制化成本极高。真正要等2-3年，订阅模式跑通之后，软件的高毛利才能兑现。

再看一个工程师日常痛点：CodexForCAD评测显示，画图阶段每个剖面耗时超过30分钟，15个剖面要复制粘贴几百次[来源：CodexForCAD评测，2026]。AI能解决这些痛点，但需要MCP（Model Context Protocol，让AI模型连接企业内部数据源的标准化协议）和Skill封装（把企业内部工作流封装成AI可调用的技能模块）等企业级集成方案，不是"一键生成"那么简单。落地需要分层推进，不可能一步到位。

【个人视角】算一笔账。两套系统协议不通，排查接口一个月。工程师日薪按1500算，一个月就是3万多。再加上设备停机损失——一条产线停一天可能就是几十万。Nomura报告里那个卡半年的案例，光人力成本就得上百万。但问题是：这笔联调成本谁来买单？如果是甲方付，那项目利润还行；如果是乙方兜底，AI软件毛利20%看着不错，前期一摊，净利率可能只剩个位数。这也是为什么我说——2-3年过渡期的本质不是等技术成熟，是等商业模式跑通。

对散户的意义：现在工业AI的投资逻辑是"买有硬件底盘的OT（运营技术，指工厂里实际控制产线的设备和系统，跟IT信息技术相对）龙头"，不是"买纯AI软件公司"——因为只有捆绑硬件的，才能扛住前期联调成本。这个格局2-3年内不会变。

三、订单暴增40%，利润却在流血——工控数据里的真信号

三座大山压着，按理说工控数据应该很难看。但打开26Q1的财报，完全是另一个画面。

订单暴增，但利润流血。

这里必须先拆一个关键问题：订单+40%到底是"工业AI爆发"还是"传统硬件复苏"？答案是后者。这40%的订单主要来自伺服（控制精度的电机，工厂的"肌肉"）、PLC（可编程逻辑控制器，产线的"大脑"）、变频器（调节电机转速的设备，产线的"神经"）等传统工控硬件的周期回暖——锂电、半导体设备商的配套需求在回升，十五五开局的大项目在释放[来源：工控行业更新报告，2026.5]。工业AI目前还不是独立的订单来源，它是"捆绑在DCS硬件上的增量"[来源：Nomura工厂自动化，2026.6]。换句直白的话：散户现在买的是"传统工控周期复苏+AI期权"，不是"AI爆发"。 把这两件事混为一谈，是市场上最常见的认知错误。

内资龙头4月订单增速超过40%，预计后续保持40%+甚至50%+，高景气度至少持续到2027年[来源：工控行业更新报告，2026.5]。但同一份财报季里，工控板块26Q1营收+16%、利润-11%、毛利率下滑0.9pct[来源：工控&电网总结，2026.5]。订单在涨，利润在跌——价格战在加剧。龙头能扛（单一下游占比约10%，抗风险），二三线已经在流血。

OEM先暖，项目型还冷。

Q1 OEM市场（配套设备市场，如给锂电/半导体设备商供货）+6.6%，项目型市场（工程类市场，如钢厂/化工厂的产线改造）仅+0.7%。结构性分化：和AI硬件相关的在涨，和地产/传统基建相关的还趴着。头部密集提价2%-20%（伺服/PLC/变频器），下游接受度尚可[来源：工业自动化行业，2026.5]。

算力溢出开始兑现。

这不是工控自己的故事。同一批财报里，AIDC（AI Data Center，AI数据中心——云厂商花钱建的算力基础设施）板块Q1营收383亿、+16.9%，毛利率升至22.4%[来源：工控&电网总结，2026.5]。云厂商的算力资本开支，正在向底层电力设备和工控硬件传导——"算力尽头是电力"开始在财报端兑现。AIDC本质上是工控的"关联板块"而非工业AI本身，但它说明一个底层逻辑：AI基础设施的投资确实在向物理世界传导，只是传导路径比大多数人想的更长。

具身智能——工控技术的第二个出口。

工控自动化行业的电机、驱动器、传感器等底层技术与人形机器人零部件高度相通。2026年被定义为具身智能商业化元年，核心零部件开始实质性贡献收入[来源：工业自动化行业，2026.5]。汇川的伺服已在向人形机器人供货。但这条线目前还处在早期——更多是估值逻辑的延伸，不是利润表上的大数字。

【个人视角】做电气的都经历过：行业好的时候，客户不看品牌看交期——谁有货谁上。现在就是这样，龙头订单+40%不是因为产品变好了，是因为产能跟不上了。但你看毛利率下滑0.9pct，就知道价格战没停过——抢份额的手段是降价，不是技术领先。这种"以价换量"的复苏，最多撑两个季度。后面要看的是：谁能在量的基础上把价提回来。

对散户的意义：现在买工控股，买的不是"AI爆发"，是"制造业资本开支周期回暖"——这两个逻辑的持续时间和估值空间完全不同。周期复苏看的是龙头（下游分散扛得住波动），AI期权看的是谁能先把软件收入做出来（但2026年还看不到）。

硬件复苏的钱已经进账了。但同样在花钱的西门子和汇川、中控，花法完全不同。

四、西门子砸10亿欧元，汇川把AI塞进了伺服里——谁在做工业AI

西门子——"全栈选手"。

超10亿欧元AI投资、150+款AI产品（2023年以来）、控制全球约1/3的机器、PLM（产品生命周期管理）、EDA（芯片设计软件）和CAE（工程仿真软件）全球前三。核心壁垒是工业基础模型（IFM）——用数字孪生降AI训练成本。范式转移：从"AI工厂"（建算力基础设施）→"AI运行工厂"（用AI管实体制造）[来源：Bernstein-西门子，2026.5]。这是A股买不到的标杆，但指明了方向。

汇川技术——"硬件派"。

把AI嵌入伺服驱动和专用PLC，锚定新能源行业[来源：Nomura工厂自动化，2026.6]。优势：硬件现金流稳、客户买单的是可靠性、底层技术可直接复用到机器人关节。劣势：软件能力弱，AI是增量不是主力。这是"从硬到软"的路径——先把硬件做扎实，AI锦上添花。

中控技术——"软件派"。

AOP（先进过程优化，帮工厂调参数的AI软件）+TPT（中控自研的工业大模型）+MaaS（Model as a Service，模型即服务，按调用量付费的订阅模式），锚定石化化工客户。AI软件毛利超20%，远高于DCS硬件的不到10%。但国企对订阅模式有安全抵触，前期定制成本高。全面爆发需2-3年[来源：Nomura工厂自动化，2026.6]。这是"从软到硬"——DCS存量客户是底盘，AI订阅是增量。

A股的产业链对应关系。

三条路径对应A股不同环节——

工控硬件端，最直接的对标是汇川技术（伺服/PLC/机器人零部件）和中控技术（DCS/工业AI软件）。这两家是"从硬到软"和"从软到硬"两条路的代表。

工业软件端，中望软件做CAD（计算机辅助设计）、索辰科技做CAE（工程仿真）、宝信软件做MES（制造执行系统）——这些是AI调用工业流程的入口，空间智能报告认为长期方向是"工业操作系统"[来源：空间智能行业系列，2026.6]。

平台与感知端，工业富联的Fusion平台和海尔智家的卡奥斯平台在做跨系统连接；海康威视和奥普特提供机器视觉——相当于"工业AI的眼睛"。

具身智能零部件端，三花智控做机器人执行器、绿的谐波做谐波减速器（机器人关节的核心零件）——这些跟工控的伺服技术同源，是底层技术的第二个出口。

【个人视角】三种路径里，我最看好"从硬到软"而不是"从软到硬"。原因很简单：工业客户买的是确定性——伺服精度能不能达到0.01mm、PLC在40度高温下能不能连续跑72小时不宕机。这些是汇川的强项，AI是加分项。但让石化客户把核心控制系统的决策权交给云端订阅？这在国企的安委会上根本过不了。西门子的IFM思路确实是终局——用数字孪生降AI训练成本，这条路最远。但A股现阶段没有这个底座，工业软件底子太薄，抄不了这个作业。

对散户的意义：一个判断框架——短期看谁的AI收入是"捆绑"出来的（有硬件底盘，AI是增量），长期看谁的AI收入是"独立"长出来的（软件订阅能独立盈利）。前者确定性高但天花板低，后者弹性大但要熬2-3年。协议生态打破可能需5年+[来源：Nomura工厂自动化，2026.6]，所以长期逻辑的兑现时间远比市场预期的慢。

路径看懂了，但还有一个更底层的变量在改变游戏规则——价值链本身在迁移。

五、2026看订单，2027看渗透，2028看生态——工业AI投资节奏

价值链迁移的方向清楚了。落到投资上，节奏怎么把握？先给结论：2026看硬件订单兑现，2027-2028看软件渗透率提升。

价值链在变。

工业AI Agent时代，价值链发生根本性变化：工业知识（Know-how，指长期积累的工艺经验和操作技巧）占比从50%飙升至90%，软件实现从50%降至10%。架构也在变：从"面向人"的三层架构（人看屏幕→点按钮→系统执行）变为"面向Agent"的两层架构（AI直接调接口→执行，省掉了人这个中间环节）。看起来是简化了，但要求数据更干净、接口更标准、响应更快——这对底层数据治理的要求反而更高。政策倒计时：距2027年目标仅剩一年半，2026年底需基本形成重点行业数据集与场景（超20个行业，每行业至少5个高质量数据集+30个典型场景）[来源：工业AI白皮书，2026.5]。

这意味着：谁掌握Know-how，谁就掌握90%的价值链。

出海是增量。

领航级工厂：AI渗透超70%业务场景，效率+29%、不良率-47%，沉淀超6000个垂直模型。13家海外工厂覆盖巴西/德国/东南亚/非洲——不是卖设备，是输出"制造模式+管理经验+AI系统"的整套方案[来源：海外智能工厂案例集，2026]。母工厂出海的本质，就是把Know-how系统化、数字化、可复制化——恰好对应价值链迁移的90%。

投资节奏表——

2026年确定性最高——工控龙头订单+40%已在兑现。2027年看工业软件——如果协议标准有突破、大单开始落地，渗透率会加速。2028年看平台——跨厂商互通如果实现，工业互联网才是真正的生态。

【个人视角】做了这么多年电气，最深的体会是：工业领域的钱永远跟着Know-how走，不跟着技术走。技术可以被替代，但"这条产线跑了十年积累的工艺参数"替代不了。白皮书说Know-how占价值链90%，跟我观察到的完全一致。所以投资工业AI，本质上是投"谁有最深的行业知识沉淀"，不是"谁有最强的模型"。模型会迭代，Know-how不会。

对散户的意义：如果只记一件事——Know-how占价值链90%意味着，有十年以上行业数据积累的公司比刚拿到融资的AI初创更有价值。2026年确定性最高的是工控硬件（订单已在兑现），2027年看谁能把"捆绑的AI"变成"独立的AI收入"，2028年看跨厂商互通能不能实现。别被概念带节奏，沿着"谁真的有Know-how"这条线去筛选。

但沿着Know-how这条线去找的时候，有几个坑可能比你想的更深。

六、三件市场没定价的事——最后的风险提示

前面五节讲了机会和节奏。最后一节泼三盆冷水——这三件事，市场还没有充分定价。

风险1：40%订单增速里有低基数幻觉。

2025年因贸易战导致基数偏低，2026年的同比高增不等于绝对需求已经恢复到上一轮高点[来源：工控行业更新报告，2026.5]。换句话说，+40%可能是"从很差恢复到正常"，不是"从正常到繁荣"。散户看到标题数字容易兴奋，但要看绝对值是否已经超过2024年同期。

风险2：工业AI项目的真实交付成本被严重低估。

研报说"AI软件毛利>20%"，但这是标准化后的理想状态。现实中，每个工业客户的环境都不一样——协议不同、数据格式不同、安全要求不同。前期定制化实施的成本极高，而且国企客户的决策周期长、回款慢。2025年工业智能体培育报告指出，高质量数据不足4%，万级工业数据集标注需要10人一周[来源：工业智能体培育问题及对策，2026.3]。这个数据治理成本，很可能吃掉大部分毛利。

风险3：既懂OT（运营技术，工厂现场的控制系统和工艺经验）又懂AI的人几乎不存在。

这是最隐性但最致命的瓶颈。工业AI不是纯IT项目——需要同时理解工艺Know-how、控制系统架构和大模型能力的人来落地。做电气的都知道，现场工程师和大模型工程师完全是两个物种。让搞PLC的工程师学PyTorch（Python大模型框架），或者让搞大模型的工程师理解PID（比例-积分-微分，工业控制最基础的参数调节方法）怎么调，都不现实。人才缺口会直接限制工业AI的部署速度，这也是为什么全面爆发需要2-3年——不只是技术成熟需要时间，人才培养更需要时间。

收口。

工业AI的方向确定，但路径比大多数人想的更长、更贵、更脏。75%还在原型期不是唱衰，是现实。订单+40%不是AI爆发，是传统硬件周期复苏。Know-how占90%价值链意味着投资要沿着"谁有最深的行业积累"去找，不是沿着"谁的模型最酷"去找。

【个人视角】最后说一句。工业AI不是PPT上那种"一键部署、即刻见效"的故事。它需要打通协议、治理数据、培养人才、验证安全——每一件都是按年算的慢功夫。但反过来说，正因为难，做成了才值钱。能熬过这2-3年过渡期的公司，未来会有很深的护城河。问题是：你愿不愿意等？

系列预告：下一篇拆解工业软件国产替代——CAD/CAE/MES/ERP，被卡脖子的不只是芯片。中望/索辰/宝信，谁能跑出来？

如果你觉得这篇有启发，转发给同样在看工业AI的朋友。欢迎在评论区聊聊：你觉得工业AI什么时候能真正爆发？

免责声明：本文基于公开券商研报整理分析，包含个人观点和行业判断，不构成任何投资建议。投资有风险，入市需谨慎。文中提及的具体标的仅为举例说明产业链位置，不代表推荐或看空。数据来源已在文中标注，如有疏漏欢迎指正。

数据来源清单