【數智化人物展】美林數據寇二平：數據、模型與工程化是工業AI的三道大坎

寇二平

“【提示】2026第六屆數智化頒獎典禮將于8月5日在北京舉行頒獎點擊可報名參加頒獎典禮丨此次人物榜單/獎項的評選依然會進行初審、公審、終審三輪嚴格評定，并會在國內外渠道大規模發布傳播歡迎申報。

在今年的世界人工智能大會（WAIC）上，一位制造業CIO跟我說："我們參加了許多培訓，也嘗試建了七八個智能體應用，但沒有一個能在車間里真正用起來。現在特別焦慮，一方面想用但實在不知道怎么做。"

這句話我聽了太多遍。2026年過半，AI的能力在飛速躍升，但工業現場的落地率并沒有同步增長。這不是技術不夠先進的問題，是整個行業還沒有認識到工業AI場景落地真正的卡點在哪里。

過去幾年，我們公司在高端裝備制造和電力能源領域做了大量AI落地實踐。我越來越確信一件事：工業AI落不了地，不是因為模型不夠大，而是因為三道坎還沒邁過去——數據、模型、工程化。這三道坎，每一道都不是靠砸錢或堆參數能解決的。

第一道坎：AI Ready的高質量數據集，到底怎么建

行業里有個共識：數據是AI的原料。但這個共識太籠統了，籠統到沒有可操作性。

真正的問題是：企業手里有大量數據，但這些數據不是"AI就緒"的。Gartner對AI Ready數據有個定義——經過精心準備、組織并結構化，方便在AI中得到優化使用的數據。關鍵詞是"精心準備"。工業企業的現實是：數據散落在各個系統里，格式不統一，語義不一致，質量參差不齊。76%的高管認為數據質量是AI落地的首要風險。

那企業構建高質量數據集的路徑是什么？

我的判斷是：不能從"數據有什么"出發，要從"模型需要什么"倒推。這就是信通院提出的"以模引數"——先定義模型需要什么能力，再反推需要什么數據，最后才知道要清洗什么、標注什么。順序搞反了，就是花大量資源清洗了一堆用不上的數據。

具體路徑上，AI Ready數據有三種形態：ML-Ready（特征化數據，服務傳統機器學習）、LLM-Ready（語言化數據，服務大模型微調和知識庫）、Agent-Ready（流程化數據，服務智能體）。同一個球磨機的振動信號，做成ML-Ready是提取頻域特征做故障分類；做成Agent-Ready則是把整個診斷流程編碼為智能體可執行的流程數據。加工深度完全不同，企業需要根據應用目標選擇。

企業不需要一次性把三種數據都建好。務實的做法是選一個痛點明確、范圍可控的場景，先跑通"采集—預處理—標注—質量驗證"的完整閉環。我們在風機運檢項目中就是這么做的：先完成8個核心知識庫的構建，用T+6個月驗證數據集價值，再用T+12個月擴展應用。先把一個場景打穿，建立信心和方法論，再規模化復制。

還有一個被嚴重低估的問題：數據標注的本質是多模態數據的結構化語義提取，它需要統一的業務語義支撐。而企業數據治理的成果物——主數據、數據標準、業務術語、指標標準——恰恰就是標注的標簽來源。這意味著，傳統數據治理不是過時了，而是比以往任何時候都更重要。高質量數據集建設不是另起爐灶，是在數據治理基礎上向多模態、向AI應用場景的延伸。

第二道坎：大模型是全科醫生，小模型是專科醫生，不可偏廢

關于模型選型，行業里存在兩種極端：一種認為"大模型萬能"，什么都想用大模型解決；另一種認為"大模型不可控"，退回小模型的舒適區。

我的看法是：大模型是全科醫生，小模型是專科醫生，兩者不可偏廢。

大模型擅長理解、規劃、生成——它是"大腦"。但在工業現場，很多任務需要的是精準執行：實時監測設備工況、毫秒級故障定位、高頻信號分析。這些任務，一個經過專門訓練的小模型，效率更高、成本更低、部署更靈活。小模型是"工具"，是"手"。

在風機運檢項目里，我們用的是大小模型協同架構：大模型負責故障研判和檢修方案生成，小模型負責實時工況監測和故障定位。兩者配合，才是一個完整的智能體。

但比大小模型選擇更重要的問題，是如何讓大模型在工業場景里變得可信。

通用大模型的本質是語言統計——它在計算"最可能的token序列"。但在工業場景，"最可能"和"正確"之間隔著一條鴻溝。設備參數的安全閾值、工藝標準的約束條件、質量判責的業務規則——這些不是從語言統計里能學到的。

我的答案是：給大模型配一張"企業地圖"。這張地圖就是動態本體圖譜。

基于本體論構建的企業知識框架有四層：概念層（企業有哪些核心業務對象）、關系層（這些對象之間是什么關系）、約束層（有哪些不能違反的規則）、實例層（具體的事實和數據）。大模型在這張地圖里工作時，每一次推理都沿著本體定義的合法路徑進行，輸出必須通過約束層驗證。解釋不由AI"編造"，而是推理路徑本身。

這在技術路線上屬于神經符號AI（NSAI）的實踐。但我更愿意稱其為NSAI的工程化實現——本體論+大模型滿足了工程化的三個必要條件：組件間有明確的結構化接口（本體是神經與符號之間的API）；天然滿足工業級軟件的可測試、可維護、可觀測、可部署四個非功能需求；一套框架承載NSAI的三大范式。

從RAG到KAG再到OAG，是一個從"檢索信息"到"理解知識"再到"構建認知"的躍遷過程。RAG只能檢索片段，無法處理復雜邏輯；知識圖譜增強了多步推理，但動態更新困難；而本體增強生成（OAG）把業務語義、規則和活動統一定義，支撐多智能體協同，這才是工業級可信AI的落地路徑。

在出錯成本極高的工業場景里，可解釋、可控制、可回溯不是加分項，是準入門檻。本體論+大模型恰恰是當前技術條件下，唯一能同時滿足"理解自然語言"和"保證推理可靠"這兩個需求的路徑。

第三道坎：工程化不是做項目

是建飛輪

如果說前兩道坎是技術層面的，第三道坎是關于組織模式和工程能力方面的。

什么是工程化？工程化是低成本、標準件、可重復使用、可直接部署。一個AI方案如果每次都要從零開始定制，那叫手工作坊，不叫工程化。

但AI轉型時代的工程化，面臨一個根本矛盾：客戶需求無法明確定義。

傳統IT項目的邏輯是簽合同、定需求、開發實施、驗收交付。但AI不是這樣。在AI轉型階段，客戶自己也不知道AI到底能做到什么程度——他們需要的是和懂行的人一起探索。這不是需求不清晰的問題，是AI的價值本身需要通過實踐來發現的。

這就是FDE（Forward Deployed Engineer）工作模式存在的理由。

FDE不是傳統意義上的交付工程師。傳統交付工程師是項目的執行者，按SOW完成既定任務，驗收簽字走人。FDE是客戶業務的共同責任人，他站在產品研發和業務價值交付的交叉點上，與客戶共同開發——我們稱之為"聯合創新"。

FDE的工作模式可以用一個無限循環來理解。公司側（研發）：需求規劃→開發迭代→版本發布，FDE負責把客戶現場的真實洞察持續輸入產品路線圖。客戶側（現場）：場景洞察→落地部署→價值驗證，FDE全程陪跑，打通"最后一公里"。兩個循環通過FDE在交叉點持續雙向流動——洞察回流驅動產品改進，能力輸出驅動客戶價值，形成一個自我促進優化的飛輪模型。

這個模式要跑通，關鍵在于把每次交付的成果要素化、標準化。FDE在客戶現場做的事情，不能是一次性定制開發，而要持續沉淀為可復用的工程化資產：數據Ready模板、本體建模方法論、行業分析模型、智能體技能庫。這些資產沉淀下來，下一次面對同類行業的客戶就不需要從零開始——本體模型可以復用，數據標準可以繼承，技能可以組合調用。這才是工程化的本質：最大限度地復用知識和能力，把邊際成本降下來。

同時，FDE模式還有一個常被忽視的價值：鍛煉團隊。在AI時代，最稀缺的不是技術能力，而是"既懂行業又懂AI"的復合型人才。FDE在客戶現場陪跑的過程中，深度理解行業know-how，同時把AI工程化方法論帶回研發團隊。這種雙向的人才培養機制，比任何培訓課程都有效。

我們在油氣井工藝設計文檔生成項目中驗證了這個模式：基于本體與大模型構建"參數抽取→規則校驗→人工復核→模板生成"的智能體，把工藝設計文檔的編制周期從3天壓縮到2小時。更重要的是，這個項目沉淀下來的參數本體、校驗規則和模板，可以遷移到其他專業文檔場景復用。一個項目的交付成果，變成了可復用的工程化資產。

寫在最后

2026年，工業AI將從"模型競賽"進入"工程化競賽"。大模型的能力趨同是大概率事件。真正的差距將出現在三個地方：數據能不能AI Ready、模型能不能支撐可靠推理、場景能不能形成閉環飛輪。

這不是比誰的模型參數多，是比誰的地基打得牢。而地基這個東西，看不見、摸不著，但決定了你能蓋多高的樓。

工業企業數智化轉型最大的風險，不是技術落后，是認知慣性——用信息化的思維去做智能化的事，用項目制的邏輯去管AI的價值。不打破這些慣性，再先進的技術也只能停留在PPT里。工業AI落地必須跨過數據、模型和工程化的三道坎。

·申報人“寇二平”簡介：

寇二平，美林數據技術股份有限公司AI應用研究院院長。長期專注于工業大數據、數據治理與工業AI應用領域，致力于推動AI技術在高端裝備制造、電力能源等行業的工程化落地。