2026 年的中国工业 AI，热在广度、难在深度：工业企业大模型与智能体应用比例已达 47.5%，但流程工业真正把大模型做成智能系统的仅 29.3%；市场规模 1,163 亿元，六成以上企业仍停留在 L1—L2。本报告的核心信息可归纳为一张表。

表 2　核心指标速览

一、先看两个数字之间的落差

2025 年，中国工业企业应用大模型及智能体的比例达到 47.5%——一年前，这个数字还是 9.6%。

同一份研究里还有另一个数字：流程工业中，真正基于大模型构建智能系统的使用率，只有 29.3%。

两个数字并不矛盾。前者统计的是“用了没有”，后者衡量的是“用到什么程度”。从采购一套系统、做一个试点，到让模型进入闭环控制、承担生产决策，中间隔着一条很深的沟。这条沟有多深、怎么跨，正是 36 氪研究院《2026 年中国工业 AI 行业发展研究报告》试图回答的问题。

报告给出的坐标很清晰：2026 年中国工业 AI 可落地市场规模约 1,163 亿元，2030 年约 3,034 亿元，年均复合增速 25.4%；行业正处在“多点探索期”向“整合提升期”过渡的节点上，概念热与落地难同时存在。

二、坐标：热度有据，底子仍薄

先看四组数据，它们共同勾勒出 2026 年的行业起点。

第一组是产业底座。2025 年我国人工智能核心产业规模突破 1.2 万亿元，国家发改委明确“十五五”末相关产业规模将超 10 万亿元。工业级 AI 芯片、边缘计算设备加速国产化替代，部署门槛在下降。

第二组是市场规模。报告把“可变现市场规模”与“潜在经济效益”分开测算，只统计软硬件与技术服务的实际营收。测算路径是：全国规上制造业企业 51.7 万家，按单家年均 AI 投入 75 万元加权（头部千万级、腰部百万级、尾部十万级），理论空间约 3,878 亿元；再按 30% 的实际付费转化率折算，得到 2026 年 1,163 亿元的落地空间。

表 2　中国工业 AI 市场规模测算（2024—2030 年，单位：亿元）

数据来源：36 氪研究院测算，CAGR≈25.4%。

第三组是应用深度。除了 47.5% 的整体应用比例，更值得注意的是“多环节同步部署”的比例从 1.7% 跃升至 35%。单点试用变成跨研发、制造、供应链的协同部署，这是从“示范”走向“生产系统”的标志。

第四组是国际比较。基于 MHP 对全球约 1,200 家制造业企业的调研，中国以 71% 的工业 AI 应用比例居首，印度 61%、美国 57%，墨西哥 51%、英国 48%，德语区工业强国仅 37%。报告同时提醒：这一数据反映的是部署意向，与实际生产环节的深度渗透率存在差异。

三、为什么流程工业是“试金石”

报告把流程工业作为重点观察对象，理由不是它规模最大，而是它最能“验真”。

离散制造与流程制造的差别，决定了 AI 在其中的角色完全不同。

表 3　流程工业与离散工业的差异对比

流程工业的生产过程不能停、不能试错，安全与环保是刚性红线，因此对模型的可解释性、实时性要求极高；但反过来，正因为它的价值可以直接折算成能耗、物耗、收率，AI 的收益也最容易被量化。

这就是“试金石”的含义：在流程工业跑不通的方案，很难说是真正的工业 AI；在流程工业跑通的方案，才有跨行业复制的可能。

四、政策：目标已经从“建试点”转向“交成果”

政策脉络的变化，比任何单个文件都更能说明行业阶段的切换。

2022—2023 年，政策重点是示范场景与试点行动，解决“敢不敢用”；2024 年，《国家人工智能产业综合标准化体系建设指南（2024 版）》从七个方向明确标准路径，解决“怎么规范”；2025 年以来，专项政策的量化目标开始指向可交付物。

表 4　工业 AI 国家级核心政策与量化目标（2025—2026 年）

资料来源：报告梳理；地方层面，山东对化工、钢铁行业工业 AI 项目给予最高 20% 设备购置补贴，浙江通过“未来工厂”遴选优先支持工业大模型示范。

五、产业图谱：价值中枢在中间层

报告把工业 AI 产业链分为三层：基础层（芯片、算力、工业软件、控制硬件）、中间层（技术平台，承担通用 AI 能力向工业场景转化的职能）、上层（场景应用，价值变现终端）。

三层之中，中间层是价值中枢。原因在于：基础层的供给正在快速商品化，应用层的项目高度定制、毛利受压，只有把机理、数据、控制能力封装成可复用平台的中间层，才具备规模化复制的能力。

平台层内部正在分化为两个阵营。

表 5　通用型 AI 平台与行业型 AI 平台的对比

报告同时提出一套“六维一体”的企业竞争力评价框架，权重依次为行业纵深能力 25%、技术创新能力 20%、市场影响力 15%、财务健康度 15%、生态协同能力 15%、成长潜力 10%。报告明确说明，该框架是研究参考模型，不构成权威评级。

六、落地分级：L3 才是分水岭

报告借鉴自动驾驶分级思路，把工业 AI 落地划分为 L0—L5，五把尺子：人工干预率、闭环控制覆盖率、异常处置率、安全验证通过率、模型适用工况覆盖率。

表 6　工业 AI 落地 L0—L5 分级与关键指标

注：L3 为从传统自动化向智能自主化跃迁的关键分水岭。

L0—L2 本质上仍属传统自动化：固定规则、常规工况、异常靠人。L3 的关键变化在于，系统具备“感知—决策”闭环，已知故障可自动纠正，人工从“操作者”转为“决策者与兜底者”。L4 才逐步接近无人值守。

现实是，多数企业仍在 L1—L2 之间：装了传感器、建了看板、做了报警，但模型没有进入控制回路。

七、四大瓶颈：真正的成本不在软件

报告把落地障碍归为四类，且明确指出它们相互交织、彼此放大。以下逐项拆解，并在每一项后给出可核对的量化依据。

（一）数据瓶颈

某流程工业工厂全年正常运行数据约 10TB，但故障数据仅占 0.03%，且多为碎片化记录，难以支撑鲁棒性训练。数据分散在 DCS、PLC、MES、ERP 之间，协议与格式各异；IT 与 OT 长期分离，经营数据与生产数据无法关联；行业缺乏统一的数据格式、质量分级与评测体系，导致模型迁移困难。

（二）技术瓶颈

深度学习模型的“黑箱”特性与工业安全要求直接冲突，一旦偏差引发事故，责任难以界定。Sim-to-Real 迁移存在物理特性差异，仿真中表现优异的模型上真机后性能下降。多模态融合能力不足——64.1% 的流程工业企业在调研中表示受困于多变量强耦合问题。此外，模型安全验证规范、工业网络防护体系与失效应急处置流程均未健全。

（三）成本瓶颈

报告给出的成本结构相当具体。

表 7　工业 AI 部署的成本构成（中型化工企业单条产线口径）

注：实际因行业属性、企业规模、应用深度不同存在较大浮动。

（四）认知瓶颈

一线担心被替代、中层不信任系统决策；既懂 AI 又懂工艺的复合型人才严重断层——麦肯锡预测 2030 年中国 AI 高技能人才需求 600 万，供给约 200 万，缺口 400 万；管理层与执行层认知脱节，88% 的高管认为 AI 能显著提升效率，仅 21% 的一线员工认同。

八、五个解法与两个可核对的样本

针对四类瓶颈，报告提出五个要素：高质量数据体系（采、治、用全链条）、机理与数据融合的知识体系（可计算、可追溯、可解释）、成本可控的工程化实施、复合型人才与认知协同、场景化适配与闭环验证。

这些原则听上去都不新鲜，价值在于是否有可核对的落地结果。报告提供了两个案例。

兴发集团湖北兴瑞（氯碱）：以时间序列大模型与通用控制系统搭建自主运行工厂系统，替代分立运行的多套进口控制系统，实现“识别—评估—决策—执行”闭环。

表 8　湖北兴瑞氯碱装置自主运行改造成效

数据来源：报告援引企业提供的项目数据，未经第三方审计。

万华化学（宁波）氯碱：在 65 万吨烧碱装置部署时间序列大模型，融合工艺、设备、质量多维数据，覆盖全局感知、智能分析、智能决策、自主控制四个环节，报告称预计每年节省综合成本超千万元。

需要说明的是，这两个案例均来自报告选定的样本企业（中控技术）的项目实践，指标由企业与报告方提供，尚无第三方审计口径。它们的参考价值在于给出了可对照的指标维度——人数、空间、成本、周期、产品稳定性、效益——而不是证明某一种技术路线必然成功。

九、标准：决定“项目制”能否变成“产品制”

2024 年的标准化体系建设指南，从基础共性、基础支撑、关键技术、智能产品与服务、赋能新型工业化、行业应用、安全与治理七个方面规划了标准体系，其中“赋能新型工业化”被单列，覆盖研发设计、中试验证、生产制造、营销服务、运营管理全流程。

目前已发布三项国家标准与一项行业标准，分别对应体系架构、模型技术、智能体能力和企业应用四个维度。其中国家标准 GB/Z 195—2026《人工智能 工业智能体参考架构》把标准化对象从“模型”延伸到“行动”——工业智能体不只是给出答案，还要把答案转化为任务并完成执行。这也意味着安全、权限、实时性、可解释性与故障降级的重要性显著上升。

标准的意义在于降低比较成本：没有统一接口与评测口径，每个项目都是定制，技术成果无法跨平台迁移；有了标准，企业才能横向比较不同厂商的方案，供应商也才能把项目沉淀为产品。

十、三个趋势：从“辅助建议”到“自主执行”

报告给出三个中期方向。它们的共同指向是：AI 的角色从“给出建议”变为“执行动作”，而这一步的难度远高于前一步。

（一）模数共振

“以模引数”——大模型的训练需求倒逼企业治理 DCS、PLC 中的碎片化数据，把低价值密度原始数据转化为高质量数据集，并把工艺 Know-how 代码化；“用数赋模”——现场实时数据回流微调模型，推动模型从通用辅助工具进化为专精决策载体。双向循环建立后，AI 分析建议才可能直接转化为控制指令。

（二）物理 AI

AI 与实体装备融合，赋予设备感知物理环境、解析工况、自主决策并执行动作的能力。落地形态包括防爆巡检机器人、智能控制阀、工业母机、在线监测终端与智能执行机构。在化工、石化等易燃易爆、强腐蚀、高温高压场景，这类装备的价值最直接——替代高危岗位值守，减少人为失误。

（三）智能体工厂

生产排产、物流调度、设备运维等智能体自主协商、动态优化，摆脱人工预设规则，工厂从“自动化”走向“全链路数智自治”。这是 L4—L5 的组织形态，短期内更多是方向而非现状。

十一、三个风险与四条建议

报告对风险的表述相对克制，但值得单独拎出来。

第一，ROI 兑现风险。250—620 万元的综合投入、6—18 个月的回报周期，建立在装置稳定运行、数据质量达标、人员配合到位的前提上。任一前提不成立，回报周期会显著拉长，中小企业尤其敏感。

第二，数据治理被低估。故障样本占比 0.03%、跨系统协议不通、缺乏统一标准，这些问题不会因为买了模型而消失。数据治理的投入往往超过模型本身。

第三，安全与责任边界。模型进入控制回路后，一旦出现偏差，责任如何界定、失效如何降级、由谁兜底，目前缺乏统一规范。这不是技术问题，是治理问题。

如果要给正在规划工业 AI 的企业四条建议：

其一，先自评 L 等级。用人工干预率、闭环覆盖率、异常处置率、安全验证通过率、工况覆盖率五把尺子，诚实定位自己在哪里。L1 谈自主运行没有意义。

其二，先算账，再选型。明确要改善的是能耗、物耗、收率还是稳定性，折算成金额，再倒推可接受的投入与回报周期。

其三，先治数据，再上模型。统一采集口径、打通 IT 与 OT、建立质量分级，比选哪家模型更影响结果。

其四，一次只做一个闭环。选 1—2 个高价值场景做到 L3，把指标改善验证清楚，再谈复制。跨场景同时铺开，通常是预算消耗最快、成果最少的方式。

工业 AI 不是一次采购，而是一次能力的重建。47.5% 说明门已经推开，L3 说明路还很长。