工业AI这两年被讲得很玄，一会儿千亿参数大模型，一会儿通用智能体，好像不搞个大家伙出来就不好意思说自己在做AI。但TCL华星、美的、国星光电这几家企业的实战经验，恰恰指向相反的方向——真正能在产线上赚到钱的，是那些蹲在车间里、懂工艺、能嵌入具体场景的小模型。
面板工艺的波动以微米计，空调的每一个零部件有它自己的工艺曲线，LED封装对温控精度的要求到了小数点后两位。这种活儿，你拿一个参数规模再大的通用模型来，它也不知道该怎么办。真正能解决问题的是那种专门为某条产线、某道工序训练出来的模型——参数不大，但懂行，能直接告诉工人”这一刀切下去偏了0.3微米，调一下”。这种能力的稀缺性远超大模型本身，因为它需要工艺数据、需要现场工程师的反复校准、需要时间沉淀。换句话说，工业AI的护城河不在算力，在工艺理解力和组织能力。
美的这几年在AI上的投入，研发金额连续三年超过600亿，去年光研发就砸了178亿，专利申请超过16万件。这些数字背后真正的价值，不是发明了什么惊天动地的大模型，而是把AI能力拆解成几千个具体场景的解决方案，嵌进研发、生产、检测、售后的每一个环节。这种打法笨、慢、不性感，但护城河一旦建起来，别人想抄都抄不走——因为抄的不是代码，是十年二十年积累下来的工艺数据和现场经验。
所以看工业AI这条赛道，别被”大模型””通用智能”这些词唬住。真正值得关注的是那些能把AI技术变成车间里具体生产力的企业，它们的竞争力不在参数规模，而在工艺沉淀和组织执行力。这种能力，时间越长越值钱。