业界：需重视数据基础设施在工业AI落地中的关键作用
过去几年，生成式AI以目眩的速度重构了内容生产与信息检索。但当AI走出“聊天窗口”，深入实验室与生产线，一个尴尬的现象却在产业界浮现：为什么即便拥有了最强的模型，大量工业AI项目依然难以从Demo走向真正的生产力？
近日，在2026计算成像与人工智能国际学术会议（CIAI 2026）上，数据科学家张珑耀发表了题为《Data Infrastructure for Industrial AI》的主题报告。他判断“模型或将逐年迭代，但数据基础设施价值则能跨越十年”。在张珑耀看来，工业AI正在进入更加复杂的“深水区”――这场竞争的胜负手正从算法精度转向底层的知识组织能力。
工业AI需要逾越知识碎片化的鸿沟
在互联网场景，推荐算法的误差通常只影响点击率；但在新能源材料、半导体或生物医药领域，一次错误的预测背后可能对应着高昂的实验成本、漫长的研发周期甚至安全风险。“过去的AI更多是在数字空间处理二进制信息，而Industrial AI面对的是Matter（物质）、Energy（能源）与复杂的物理系统。”张珑耀对记者表示。
张珑耀认为，工业AI追求的并非单纯的“生成能力”，而是可信、稳定、可追溯的决策支持。“工业领域很难接受‘大概正确’，这也是为什么将通用大模型直接部署进工厂并不等于实现了智能化。”
为什么工业AI容易完成概念演示（Demo），却难以形成长期系统？张珑耀将其核心症结归结为：碎片化（Fragmentation）、隔离化（Isolation）与基础设施赤字（Infrastructure Deficit）。决定企业核心竞争力的行业诀窍，往往散落在非标Excel、仪器原始文件，甚至老工程师的脑海中。这些知识并未消失，但尚未成为机器可理解的“活资产”。
“AI无法在碎片化的知识废墟上形成稳定的逻辑推理。”张珑耀直言。他认为，如果模型是发动机，那么数据治理、知识图谱与治理规则就是整套燃料系统。“发动机可以快速替换，但燃料系统若无法稳定运转，再强的模型也无法产生持续价值。”
工业AI工程化路线图首发
在CIAI 2026会议现场，张珑耀首次系统性地介绍了其团队总结的工业AI四层参考架构（Reference Architecture），为行业提供了从底座到应用的工程化路线图。报告显示，可信数据底座（L1）遵循FAIR原则（可发现、可访问、可互操作、可复用），建立统一数据标准与云端治理体系；知识智能层（L2）利用本体（Ontology）与知识图谱，将离散数据转化为具备语义逻辑的知识网络；认知引擎层（L3）集成物理辅助AI、主动学习与贝叶斯优化，用最适配的算法解决真实的物理命题；决策智能层（L4）通过数字孪生闭环，让模型在真实反馈中实现自我进化。
张珑耀强调：“成功的工业AI是一套持续演化的知识生态，而非一个孤立的模型。”在新能源材料研发中，面对数百万级的参数组合，张珑耀团队倡导的AI方法论正在改变传统的实验范式。他将AI比喻为“导航员”：“它不会替代材料科学家，但它能告诉科学家哪里最值得寻找答案。”这种变革意味着科研逻辑的重组：从“人寻找规律”进化到了“规律寻找人”。这让科研人员得以从重复性的试错中解放出来，回归到科学研究的核心――定义问题与解释结果。
谈及未来十年的竞争，张珑耀认为胜负手在于“知识流动的速度”。“未来工厂的竞争力，将取决于其知识流动的速度而非机器的产能。”张珑耀预判，当一次实验结果能在一瞬间转化为组织的共同知识，当一次研发突破能立刻反馈进下一轮工艺设计，这种创新速度将成为工业智能时代的核心生产力。他坚信：“数据将成为工业智能的操作系统。”
（注：此文属于央广网登载的商业信息，文章内容不代表本网观点，仅供参考。）