文章核心观点 - 工业软件的发展兼具紧迫性与必要性，是中国实现创新驱动、保障供应链安全、推进新型工业化的核心生产资料与数字基石 [1] - 中国工业软件市场是一个规模近3000亿元的稳健增长市场，但存在核心技术空心化、产业结构失衡等系统性挑战，研发设计类软件是“卡脖子”重灾区 [1][17] - 行业处于“工具-系统-平台-基因”的演变路径中，当前正受益于政策红利、新技术（AI/云原生）及市场需求（国产替代）等多重驱动，面临重构与机遇 [2][9][39] - 国产工业软件的发展是技术-场景-生态-商业的系统性工程，欧美“先工业后软件”的路径不可复制，中国企业需把握“场景反哺技术”的契机实现突围 [26][36] - 未来工业软件产品将从售卖功能走向售卖“智慧”，最终形态是具备感知、思考和自主任务执行能力的“工业智能体” [3][48][52] 工业软件发展背景与驱动因素 - **发展紧迫性与必要性**：中国人均GDP达1万美元后，经济发展进入需创新驱动的分水岭，工业软件作为工业知识的代码化载体，是控制权从硬件向软件转移、提升全要素生产率的关键 [1][4][7] - **政策驱动与地位提升**：在政策层面，工业软件的定位从“工具”、“使能技术”逐步提升为“数字基石”和“工业大脑”，发展目标从普及应用转向核心技术攻关及与AI深度融合 [9][10] - **新技术与补贴驱动**：大模型技术提升了工程、数学、计算机能力的转化效率，加速研发落地；一线城市针对“AI+工业软件”推出补贴政策，刺激应用创新 [12] - **市场需求驱动**：企业、政府、科研院所构成主要需求方。企业侧采购类别最广，包含强烈的国产替代需求，项目平均金额约240万元；政府侧侧重平台集成与活动举办；科研院所聚焦实训与课题研发 [14][16] 市场现状、规模与核心困境 - **市场规模**：2024年中国工业软件整体市场规模接近3000亿元，其中纯软件市场规模约为1100-1400亿元，占全球市场比重约6.8% [17][19] - **产业结构失衡**：呈现“管理软件强、工程软件弱”的特点。经营管理类国产化率高（约70%），而研发设计类国产化率极低（约5%-10%），是“卡脖子”重灾区 [17][19] - **核心困境**：研发设计类软件卡脖子的根本原因在于缺乏几何内核、求解器等“根技术”，这源于海量真实工业场景试错的缺失，导致工程优化不足 [1][17][23] - **系统性挑战**：国产工业软件发展面临技术-场景-生态-商业传导的系统性问题，是“技术债”的结果，难以依靠单点突破解决 [26] 产业链、盈利模式与价值流转 - **产业链价值分配**：产业链呈微笑曲线，上游根技术厂商（如内核提供商）壁垒极高、利润最高；中游软件厂商赚取行业Know-how溢价；下游用户获得效率提升带来的毛利 [20] - **主要盈利模式**：欧美企业以软件授权、维护服务费为主，并积极转向订阅制；中国企业当前以定制化开发、实施与维护服务费为主；平台与生态分成模式在探索中 [33] - **价值流转新趋势**：产业价值分配从“技术单向溢价”向“技术溢价与数据价值溢价”协同并进转变。未来，打通数据回流线、将下游数据变为上游智慧的企业将获得产业升级红利 [30] 主要玩家成长逻辑与国产化路径 - **欧美巨头成长逻辑**：本质是“伴随工业化进程的自然生长+工业诀窍代码化+资本并购完善覆盖”，具有底层技术扎实、点线面发展、硬件基因融合OT等特点，其路径具有时间、市场、资本上的不可复制性 [36] - **中国企业突围方向**：需认清“场景反哺技术”可能是关键。依托庞大的工业场景，借助国产替代窗口期，绑定共同成长的工业企业打磨产品，是逐步突围的机会 [36] - **市场锚定策略**： - **头部客户**：在国产替代和信创需求驱动下，为技术突破提供关键窗口期 [2][50] - **腰部客户**：场景丰富、付费能力较强，可绑定客户共同成长并促进行业套件形成 [2][50] - **长尾及海外客户**：有助于实施“农村包围城市”战略、收集海量数据训练AI模型并扩大营收空间 [2][50] 技术变革与产业重构 - **云原生的影响**：主要通过架构代差带来解耦和万核算力资源，赋能研发流程。虽无法替代核心内核研发，但能增强协作、降低算力门槛，有助于占领下沉市场，并可能实现设计-制造-订单一体化 [40][41] - **AI/大模型的影响**： - **传统AI（CV/GNN）**：主要在三维几何数据处理上赋能，如几何拓扑修复、异构数据读取与语义化重建，有助于打破国外巨头的“数据锁死”护城河 [43][45] - **大模型（LLM/GenAI）**：主要赋能代码生成、自然语言交互（降低使用门槛）、以及生成测试用例，能提高产品稳定性与体验，加速产品打磨进程 [43][45] - **企业价值左移的影响**：工业企业数字化转型推动数据资产累积，价值左移趋势使研发类数据价值挖掘备受关注，利好具备全流程打通能力的平台型厂商和研发设计服务商 [46] 未来发展趋势与产品演进 - **产业演进路径**：工业软件产业正从提升个人效率的“工具化”、提升业务效率的“系统化”，向提升数据流动效率的“平台化”和提升数据价值效率的“基因化”发展 [48] - **产品形态演进**：在云原生、AI等技术驱动下，产品正走向“平台+生态化”，核心能力下沉为API/SDK。最终将从功能工具跃迁为“工业智能体”，具备懂人话、知识内嵌、自主编排、可组装交付等特征 [52] - **商业模式展望**：未来可能从软件授权、订阅制，进一步走向按生成方案数量、优化效果或IP授权等“按效果/价值付费”的模式 [34][49]

文章核心观点 - 工业软件是新型工业化的核心生产资料和关键生产力，其自主可控发展具有紧迫性和必要性，当前处于政策红利带来的有利时间窗口期 [1] - 中国工业软件市场是一个千亿级大盘，2024年市场规模接近3000亿元，但存在核心技术空心化、产业结构失衡等系统性问题，研发设计类软件是“卡脖子”重灾区 [1][17] - 工业软件是一个慢行业，其发展需要耐心和长期主义，同时在技术、市场、产品形态的变化与重构中，也为企业带来了机遇与挑战 [1][39] - 未来工业软件产业将沿着“工具→系统→平台→基因”的路径演变，产品将从售卖功能走向售卖“智慧”，最终形态将是具备自主能力的“工业智能体” [2][48][52] 工业软件发展背景与驱动因素 - **发展紧迫性与必要性**：中国人均GDP在2018年达到1万美元，标志着工业和经济进入分水岭，需创新驱动，工业软件作为工业知识的代码化载体，是创新转型的核心 [1][3] - **政策驱动与定位演变**：在政策层面，工业软件的定位已从“工具”提升为“数字基石”，并正向“工业大脑”和“创新引擎”演进，发展目标强调与AI深度融合及核心技术攻关 [9][10] - **新技术与补贴驱动**：大模型技术提升了工程、数学、计算机能力的转化效率，加速工业软件研发落地；2025年一线城市针对“AI+工业软件”推出了补贴政策，刺激应用创新 [12] - **市场需求驱动**：企业、政府、科研院所构成主要需求方，企业侧采购类别最广且包含国产替代需求，项目金额波动大，多集中在百万元级别 [14][16] 市场现状与核心困境 - **市场规模**：2024年中国工业软件整体市场规模近3000亿元，其中纯软件市场规模约为1100-1400亿元，占全球市场比重约6.8% [17][19] - **产业结构失衡**：呈现“管理软件强、工程软件弱”的特点，经营管理类国产化率高（约70%），而研发设计类国产化率极低（约5%-10%） [17][19] - **核心技术“卡脖子”**：研发设计类软件（如CAD、CAE、EDA）是重灾区，根本原因在于几何内核、求解器等“根技术”缺失，这源于海量真实工业场景试错和工程优化的欠缺 [1][17][23] - **发展难点系统性**：国产工业软件面临技术、场景、生态、商业联动的系统性难题，是“技术债”传导的结果，难以单点突破 [26] 产业链、价值流转与盈利模式 - **产业链特征**：上游（根技术厂商）赚取技术垄断费，壁垒最高；中游（软件产品厂商）赚取行业Know-how溢价；下游用户通过效率提升获利 [20] - **价值流转逻辑**：产业价值分配遵循“技术单向溢价”，越靠近根技术利润越高；同时，围绕工业数据的增值服务价值开始显现，形成“技术溢价”与“数据价值溢价”协同态势 [30] - **当前盈利模式**：欧美企业以软件授权、维护与服务费为主；中国企业以定制化开发、实施与维护费为主；订阅制是市场积极追求的方向，平台与生态分成模式在探索中 [33] - **未来收费可能**：若“制造即服务”、“生成式设计”成为可能，未来可能出现“按产品抽成”的收费方式 [34] 主要玩家成长逻辑与突围方向 - **欧美巨头成长本质**：是“伴随工业化进程的自然生长 + 工业诀窍的代码化 + 资本并购完善覆盖”，其先工业后软件的发展路径具有时间、市场、资本上的不可复制性 [36] - **中国企业成长路径**：是“逆流而上的场景反哺”，需把握国产替代窗口期，依托中国庞大的工业场景，通过绑定共同成长的工业企业来打磨产品、实现技术突围 [36] - **市场锚定策略**：头部客户（如航天、船舶）驱动技术突破；腰部客户赋能现金流和行业知识沉淀；长尾及海外客户有助于扩大营收空间和收集训练数据 [2][50] 技术变革带来的变量与重构 - **云原生的影响**：通过架构解耦增强多人协作能力，并通过万核算力实现按需调用，虽不能替代核心内核研发，但有助于产品差异化竞争、覆盖下沉市场，并可能实现设计-制造-订单一体化 [40][41] - **AI/大模型的影响**：传统AI（如CV/GNN）主要赋能几何拓扑修复、异构数据读取，可打破国外巨头的“数据锁死”；大模型则通过辅助代码生成和自然语言交互，降低软件使用门槛 [43][45] - **企业价值左移的影响**：工业企业研发类数据价值挖掘受关注，利好具备全流程打通能力的平台型厂商和能构建“需求-功能-逻辑-物理”全链路追踪的研发设计服务厂商 [46] 未来产业发展方向 - **产业演变路径**：从提升个人效率的“工具化”、提升业务效率的“系统化”，向提升数据流动效率的“平台化”和提升数据价值效率的“基因化”发展 [48] - **产品形态演进**：在云原生、AI等技术驱动下，产品走向“平台+生态化”，核心能力下沉为API/SDK；最终将跃迁为具备感知、思考、自主任务能力的“工业智能体”或“数字工程师” [52] - **工业智能体特征**：懂自然语言交互、内核知识内嵌且能自主编排、可组装式交付 [52]

河南省制造业发展现状与基础 - 河南省是制造业大省，拥有7大先进产业集群和28条重点产业链，在装备制造、食品加工等领域具备深厚基础 [3] - 目前河南省有专精特新“小巨人”企业450家，制造业单项冠军59家，国家高新技术企业1.28万家、科技型中小企业3万家 [3] - 战略性新兴产业占规上工业增加值比重超过25%；先进装备、电子信息、新能源汽车等7大产业集群对工业贡献率超过70% [3] 制造业发展的核心战略方向 - 制造业向新、向智、向绿是三个主要发展趋势 [1] - 推动科技创新和产业创新深度融合，以将比较优势转化为竞争优势 [4] - 制造业从“卷价格”转向“卷技术”、智能化和创新 [4] 科技创新与成果转化 - 全球首台25兆瓦级风电主轴轴承、全球最高10米液压支架、全球最大直径竖井掘进机等高端装备已成功下线 [3] - 建议打造“民企转型赋能平台”，以对接高校技术、激励企业创新，打通科技成果从实验室走向生产制造的转化堵点 [3] 智能化升级与数字化转型 - 制造业从规模扩张转向质量提升的关键环节在于智能化提升 [5] - 未来制造业竞争将是供应链数字化、智能化水平的竞争 [5] - 建议发挥工业体系完备的优势，重点突破高端装备、电子信息、新材料等特色场景，以点带面让具身智能赋能千行百业 [5] - 建议围绕新材料、智联网、汽车制造等重点行业，聚焦关键环节，定制开发行业垂类大模型或工业智能体 [5] - 建议启动“AI+河南制造”专项行动，聚焦装备制造、食品工业、新材料等优势产业，建设更多“黑灯工厂”“智慧矿山”等 [6] 绿色发展与循环经济 - “绿色循环”成为热词，企业开始主动计算“碳足迹”、展示“绿电账单” [6] - 建议出台专项扶持政策如财政补贴、税收减免、贷款优惠等，鼓励企业加大绿色建材研发和生产投入 [6] 具体产业发展与项目规划 - 2026年目标为建强先进制造业体系，深度对接国家新一轮重点产业链高质量发展行动 [5] - 支持新型电力装备、现代食品等产业进入国家先进制造业集群，加快新兴产业集群发展 [5] - 加快推进奇瑞乘用车技改、比亚迪新能源商用车、中州时代电池三期、天兵科技、天章卫星商业航天、众擎机器人全球生产制造中心等项目 [5]

文章核心观点 - 中国制造业人工智能应用重点正从通用办公场景转向生产一线 旨在通过深度嵌入制造流程实现效率和成本改善 [3][4] - 美的集团计划在2026年前通过AI应用实现约9亿元的成本节约 并已在158个核心业务场景中规模化应用工业智能体 [3] - 工业智能体在制造业的推广仍面临数据质量 AI人才和场景选择等挑战 企业需先补数字化短板 [11][12] 美的集团AI应用进展与规划 - 美云智数发布工业智能体矩阵及美擎AIGC 3.1平台 对外发布的40多个智能体是从内部上万个中筛选而来 [3] - AI应用带来的成本节约效益逐年显著增长 2023年约4000万元 2024年约1.8亿元 2025年预计约6亿元 2026年预计达9亿元 [8] - 在制造环节 智能体用于产线损失分析 可将每日损失拆解至具体工序和岗位并提供改善建议 替代过去数小时一次的人工盘点 [7] - 在供应链环节 智能体可快速评估突发情况（如台风）的影响范围并提供替代供应方案 [7] - 在人力资源和法务等领域 智能体参与简历筛选 面试及合同审核 在部分领域应用AI可减少90%的成本 [8] 行业应用与政策动态 - 海尔集团旗下卡奥斯工业互联网平台的工业大模型已在石油化工 能源 家电等领域落地40多个场景 在部分石化工艺优化场景中帮助企业人工和能源成本下降约10% [9] - 创维集团围绕智能电视系统布局影音 健康 创作 教育等多个智能体应用 强调关键不在智能体数量而在用户使用量 [9] - 工业和信息化部等八部门联合发布《"人工智能+制造"专项行动实施意见》 提出到2027年推动3—5个通用大模型在制造业深度应用 并培育1000个高水平工业智能体 [9] 工业智能体应用挑战与未来形态 - 挑战一：AI应用效果高度依赖业务参与程度和基础数据质量 企业数字化基础薄弱或数据不完整会影响效果 [11] - 挑战二：AI人才成本高 招聘难度大 更现实的路径是推动原有数字化团队向AI方向转型 [11] - 挑战三：需选择清晰的应用场景 否则即使投入算力设备和团队也未必能取得实际效果 [11] - 未来应用形态方向是智能体融入传统工业软件（AI-INSIDE） 而非作为独立工具存在 例如在销量预测 生产计划等业务中由AI提供后台决策支持 [13]

科创人工智能ETF华宝（589520）市场表现 - 该ETF在1月15日出现回调，场内价格下跌2.71%，回踩5日线，开盘不足半日实时成交额超5500万元 [1] - 此次回调是继1月14日创历史新高后的首度回调，可能被市场资金视为逢跌布局的机会 [1] - 在此前3个交易日，该ETF连续获得资金净流入，合计金额达1.21亿元，反映资金看好国产AI产业链后市表现 [1] ETF成份股及指数表现 - 成份股表现分化，亚信安全领涨超4%，合合信息涨逾3%，芯原股份、澜起科技、奇安信涨逾1% [3] - 部分成份股跌幅显著，星环科技跌近20%逼近跌停，中科曙光跌超18%，海天瑞声跌超11%，拖累了指数表现 [3] - 该ETF被动跟踪上证科创板人工智能指数，该指数2023年、2024年的年度涨跌幅分别为12.68%和32.36% [6] 产品结构与投资策略 - 该ETF标的指数均衡配置应用软件、终端应用、终端芯片、云端芯片四大AI产业链环节 [4] - 前十大重仓股权重占比超过70%，第一大重仓行业半导体占比超50%，集中度高，具备较强进攻性 [5] - 该ETF是融资融券标的，被视为一键布局国产算力的高效工具 [5] - 该ETF及其联接基金（联接A：024560，联接C：024561）重点布局具备较强国产替代特点的国产AI产业链 [5] 行业政策与宏观趋势 - 工信部近日印发《推动工业互联网平台高质量发展行动方案（2026—2028年）》，标志着我国工业互联网发展进入新阶段 [3] - 该文件首次系统性提出“工业智能体”概念，明确AI将深度嵌入工业全链条 [3] - 业内人士指出，AI正从主要应用于AIGC（人工智能生成内容）尝试向制造业延伸，AI+制造被视为实现AI作为真正生产力工具的关键 [3] - AI产业链正呈现由云端向边缘侧发展，从依赖海外技术向自主可控发展的趋势 [4] 机构观点与产业展望 - 中信证券表示，2025年自主可控与AI共振带动了相关板块的亮眼表现 [3] - 展望2026年，这一产业趋势预计将得到进一步强化，“自主可控、AI算力”有望成为贯穿全年的绝对强主线 [3] - 在科技摩擦背景下，信息安全、产业安全重要性凸显，AI作为核心技术实现自主可控至关重要 [5]

科创人工智能ETF华宝（589520）市场表现 - 该ETF在创下历史新高后于1月15日首次回调，场内价格下跌2.71%，回踩5日均线 [1][7] - 市场交投活跃，开盘不足半日实时成交额已超过5500万元 [1][7] - 回调可能被市场资金视为布局机会，此前3个交易日该ETF连续获得资金净流入，合计金额达1.21亿元 [1][7] 指数成份股涨跌情况 - 部分成份股表现强势，亚信安全领涨超过4%，合合信息上涨超过3%，芯原股份、澜起科技、奇安信涨幅均超过1% [3][9] - 部分成份股大幅下跌拖累指数，星环科技下跌近20%逼近跌停，中科曙光下跌超过18%，海天瑞声下跌超过11% [3][9] 行业政策与趋势 - 工信部印发《推动工业互联网平台高质量发展行动方案（2026—2028年）》，标志着工业互联网发展进入新阶段 [3][9] - 政策文件首次系统性提出“工业智能体”概念，明确人工智能将深度嵌入工业全链条 [3][9] - 行业观点认为，人工智能应用正从AIGC向制造业延伸，实现“AI+制造”是将其转化为真正生产力工具的关键 [3][9] - 机构展望认为，自主可控与人工智能的产业趋势在2026年将进一步强化，“自主可控、AI算力”有望成为全年主线 [3][9] 产品结构与投资逻辑 - 科创人工智能ETF（589520）跟踪的指数均衡配置应用软件、终端应用、终端芯片、云端芯片四大产业链环节 [4][10] - 当前人工智能产业链正呈现从云端向边缘侧发展、从依赖海外技术向自主可控发展的趋势 [4][10] - 该ETF重点布局国产人工智能产业链，具备较强国产替代属性，其前十大重仓股权重占比超过70% [5][12] - 该ETF第一大重仓行业为半导体，权重占比超过一半，集中度高，具备较强进攻性，同时是融资融券标的 [5][12]

文章核心观点 多位资深投资人于创业家年会上分享了对2026年商业环境、AI细分赛道、创业生存法则的研判，核心观点认为2026年商业机会存在于“宏大叙事”与“落地场景”两端，中间地带是“死亡谷”，创业者应聚焦解决真实场景需求，关注现金流与订单，避免不切实际的幻想[5][15][20] 2026年商业环境展望 - **推力**：宏观环境改善，推理的Token成本明年将大幅下降，应用端公司有成功机会，国家鼓励创新并持续大量投入，例如发改委提出撬动10000亿创投基金，可能缓解融资困难[5][6] - **阻力**：预期泡沫可能破裂，因初期对AI预期过高，可能淘汰一批叙事驱动公司，需求疲弱，价值向大厂聚集，例如算力高度集中在大厂应用上[5][6] - **核心挑战**：对创业者而言，2026年核心是保交付，做好产品、用户体验和客户满意度[5] 2026年看好的AI及科技细分赛道 - **AI情感陪伴/情绪价值**：被认为是最落地的AI应用领域，豆包每天消耗50万亿Token中70%用于情绪价值，该领域大厂无法完全垄断，细分机会多，例如有公司预计明年出货100万台相关产品[9][12] - **AI+医疗**：趋势已显现，有AI医疗智能体公司7月上线产品，年底即实现上百万美金收入，植入式脑机接口项目对标马斯克公司[3][9] - **工业智能体**：看好其解决工业领域复杂性、高价值问题的能力，机会众多但定义宽泛[9][11] - **商业航天**：被认为是明年可能创造较大兴奋点的领域，对于二级市场可能是收获季节[2][8] - **物理AI**：被认为是基座技术，但可能处于早期，商业化落地或需5到10年，且现金流获取较难[8][10][11] 2026年创业者生存与发展指南 - **融资与现金流**：自身造血比融资更重要，应多关注订单、需求和财务报表，融资应效率至上，快速完成，避免在条款和估值上过度耗费时间，政策与现金流至关重要[2][14][15][20] - **创业领域选择**：建议大部分创业者选择“红海创业”，因其获得国家政策支持，过程中及最终上市都能获得助力，避免一开始就进入“蓝海”或做过多的“宏大叙事”[3][14] - **避免幻想与宏大叙事**：需放弃“风来了都能起飞”的幻想，风口可能带来更激烈竞争，AI时代最危险的是“除了AI，一无所有”，应避免仅追逐概念，要找到确切的商业落脚点，有“三针顶破天”解决具体场景问题的本事[5][15][16][19] - **市场态度与策略**：创业者应在悲观与乐观间取“中观”态度，不要被媒体风口影响，专注真实客户与订单，明确自身定位，要么走宏大叙事冲规模上市，要么聚焦落地场景做好用户体验与收入，中间地带是“死亡谷”[2][15][20][23]

市场表现与交易数据 - 截至2026年1月9日收盘，中证金融科技主题指数(930986)强势上涨2.39% [1] - 指数成分股星环科技(688031)上涨15.86%，东信和平(002017)上涨10.00%，税友股份(603171)上涨10.00%，博彦科技(002649)和拓尔思(300229)等个股跟涨 [1] - 金融科技ETF汇添富(159103)收涨2.38%，最新价报0.95元，近1周累计上涨2.10% [1] - 金融科技ETF汇添富(159103)当日换手率为5.31%，成交1353.73万元，近1年日均成交额为1727.21万元 [1] 政策与行业驱动 - 工业和信息化部等八部门印发《"人工智能+制造"专项行动实施意见》，政策有望推动国内头部企业加快布局工业大模型/工业智能体，促进人工智能赋能工业软件创新升级和新型工业化发展 [3] - 国产化与智能化双轮驱动，叠加国内政策持续加码，我国工业软件行业有望迎来高速发展期 [3] - 工信部等四部门印发《汽车行业数字化转型实施方案》，重点攻关智能机器人、智能检测设备等关键装备 [3] - 数字人民币制度框架升级并推动跨境应用，与金融科技等领域协同发展 [3] 技术与市场前景 - 2026年AI应用将迎来"黄金元年"，主要得益于三大拐点：技术逐步成熟（如2025年GPT-5、Gemini 3、Qwen-Max等模型具备强工具调用、多模态理解、自主规划能力）、政策持续护航、以及B端降本增效与C端普及带来的市场需求共振 [3] - AI领域月之暗面获大额融资、Meta高价收购Manus，验证了Agent的商业化前景 [3] - 在流动性宽松环境下，金融科技的科技属性使其更受益，其互联网券商成分在大行情中弹性更大 [4] - 金融科技ETF汇添富(159103)覆盖互联网券商（如东方财富、同花顺、指南针）、金融IT（如东华软件、润和软件）、AI应用、跨境支付等高弹性板块，科技与金融互相赋能，政策与技术双重驱动 [4]

数据中心制冷设备 - 数据中心作为高耗能单元 其制冷系统能耗占比较高 提升能效与降低PUE成为核心刚性需求 为高端制冷方案创造市场空间 [1][5] - 技术路径呈现多元并行、快速迭代特征 冷源侧大型冷水机组仍扮演重要角色 磁悬浮压缩机等核心部件受益于技术升级 [5] - 面对算力密度提升带来的散热挑战 产业链对液冷方案的布局逐渐增强 部分国产公司在数据中心制冷方案方面储备丰富 关注英维克等 [1][5] - 上游压缩机等零部件有望受到数据中心制冷需求的带动 关注汉钟精机等 [1][5] 巨星科技业绩与经营 - 公司预计2025年实现归属于上市公司股东的净利润24.19亿元至27.64亿元 较上年同期增长5.00%至20.00% [2] - 预计2025年扣非后净利润23.09亿元至26.54亿元 同比增长0.20%至15.20% [2] - 2025年美国关税政策变化带来扰动 抬升行业平均售价 并使公司二季度生产和交付节奏受明显影响 [2] - 随着三季度越南和泰国新产能投放 以及新产品尤其是电动工具产品显著增长 预计全年公司收入同比基本持平 [2] - 跨境电商等直销业务、新品销售成为毛利率提升的重要支持因素 公司新接订单同比增长 [2] 涛涛车业业绩与产能 - 公司预计2025年实现归属于上市公司股东的净利润8.00亿元至8.50亿元 较上年同期增长85.50%至97.10% [3] - 预计2025年扣非后净利润7.89亿元至8.39亿元 同比增长87.54%至99.42% [3] - 业绩增长归因于聚焦市场需求、提升经营效率、加快海外产能建设及拓展多元化销售渠道 [3] - 北美基地第一条生产线已实现产能跨越 单人单日产能可比肩国内工厂水平 正积极筹备第二条生产线 [3] - 越南基地产能大幅提升 可充分支持美国市场电动高尔夫球车等产品需求 正在建设泰国生产基地以增强对美供应能力 [3] 工业自动化与西门子战略 - 西门子2025财年净收益连续第三年创下新高 达104亿欧元 同比增长16% [4] - 基于强劲业绩和清晰战略路径 西门子已将中期营收增长目标区间上调至6%-9% [4] - 公司计划以数字业务为增长引擎 以工业AI为创新前沿 在全球工业数字化转型浪潮中扩大领导地位 [4] - 西门子展示了工业AI助手Industrial Copilot的应用案例 可在设备调试过程中辅助程序开发 提升工程师效率 [4] - 工业智能体的有效应用有利于AI时代的制造业流程重塑 顺应AI技术发展并与生态伙伴共建软硬件一体化解决方案至关重要 [4]

文章核心观点 - 传统工业数字化因系统割裂、仅能“呈现问题”而触到天花板，工业AI需跳出“概念空转”，成为生产提效的核心引擎[4] - 广域铭岛（Geega）的工业智能体实践，通过“感知-决策-执行”架构和“问题驱动、反向改造、持续演化”的方法论，实现了从“流程管控”到“解决问题”的质变，并带来了显著的量化效益[4][6][11] - 工业AI的成功落地关键在于嵌入具体业务流程，从最具痛点的跨系统、跨部门场景入手，并通过AI反向推动数据与系统改造，实现能力的持续沉淀与复用[30][31][32][33][34] 平台核心能力与转型路径 - **核心能力边界**：平台核心能力概括为连接工业世界的复杂性、沉淀工业知识的可复用性、通过智能体实现业务的可自治性[11] - **转型第一阶段：工业软件产品化与标准化**：起点是将吉利集团内部数字化经验外化，将MES、WMS、设备管理、能源管理、质量管理等系统模块化封装，从定制化系统变为标准化产品[12][13] - **转型第二阶段：构建GOS工业操作系统**：推出GOS工业操作系统，统一计算环境和应用门户，实现数据、算力、接口在同一环境下互通，为AI提供可运行的统一生态，强调“系统协同”[14] - **转型第三阶段：AI平台与智能体落地**：2023年底全面向AI转型，在GOS之上衍生出工业AI应用平台，推出业务智能体（AIAgent），对既有工业软件进行赋能，让系统从“被动响应”变成“主动决策”[15] - **转型第四阶段：工厂大脑与流程自动化**：在智能体成熟后推出“工厂大脑”，以问题驱动的PDCA机制实现企业持续改善，AI参与问题分析并负责经验沉淀与知识库建设[15] 主机厂真实项目实践与量化效益 - **领克成都工厂实践**：构建一体化数字基座，部署设计研发协同、工艺质量提升、高级计划排程等工业软件，实现全生命周期数字化管理，应用效益包括质量损失成本降低13%、物流配送效率提升10%、年度能耗成本降低10%、订单交付周期缩短15%[16] - **领克余姚工厂实践**：搭建统一数字化平台，重点部署供应链协同管理和柔性高级计划排程方案，应用效益包括订单交付周期缩短15%、库存成本降低10%、物料齐套率提升20%、作业效率提升10%[16] - **极氪宁波工厂实践**：建立全连接工厂基座，部署多个智慧场景，使得设备故障率减少10%、设备开动率提升11%[17] - **代表性场景案例：停线问题闭环管控**：利用工厂大脑机制，打通跨域数据，AI自动结合知识库进行故障定位并推送决策建议，在单个基地，该场景每年节省的工时及停线损失挽回价值达到748万元左右[28] - **排产智能体ROI表现**：应用后生产效率提高30%、人工工时减少40%、设备利用率提升15%、库存周转率提高20%[24] 工业智能体的架构与开发 - **体系架构设计**：主要由感知层、决策层和执行层三个层级构成，感知层负责实时数据采集与监控，决策层利用机器学习等技术进行智能决策，执行层通过与现有工业系统协作执行业务指令[18] - **标准化组件与低代码开发**：平台提供设备管理、生产调度、仓储管理等标准化工业组件和模块，通过低代码平台实现“像搭积木一样”的拖拽组合，降低个性化开发难度[21] - **智能体开发流程**：包括数据准备、模板选择、参数配置、验证上线、持续学习等关键环节[22] - **开发成本与周期**：开发周期通常为1到3个月，客户侧投入中培训成本占比约为15%-20%[23] - **排产智能体工作流程**：包括接收生产需求、需求分析与约束设定、计划推荐、验证与调整、下发执行[26][27] - **排产智能体优化能力**：具备多目标优化能力，能综合考虑设备利用率、生产周期、能源消耗、人工工时、订单优先级等多个因素[28] 行业落地方法论与挑战 - **方法论要点一：从问题出发，明确业务目标**：AI必须嵌入具体业务流程，从最具痛点的跨系统、跨部门、缺乏闭环的场景入手，如停线问题、能源浪费、维修履历分散等[31][32] - **方法论要点二：反向定义，用AI倒推数据与系统改造**：确定场景后，反向梳理问题涉及的系统、缺失的数据结构、需封装的知识，实现从“数据记录”向“数据理解”的跃迁[33] - **方法论要点三：持续演化，场景拉动与能力沉淀**：每个智能体的诞生都成为平台能力的积累，问题处理的经验沉淀入知识库，形成可被后续AI调用的“企业经验模型”[34] - **AI替代人工的核心瓶颈**：目前智能体主要是“辅助”而非“替代”，完全替代面临业务标准化缺失和物理世界“非理性”干扰两大挑战[29]