望海潮丨七大垂域模型，青島何以佔據四席？

10月20-22日上海黃浦江畔，2026可持續全球領導者大會再度來襲。諾獎、圖靈獎得主現場講述科技未來與趨勢，更有「解救」焦慮、內卷時代的網紅教授——麥克法蘭與項飆現場對話！ 名額有限，手慢無。讓我們共赴可持續之約！ 【點擊報名】

一家工廠的換產時間，從40分鍾縮短到10分鍾；一個碼頭的泊位作業計劃，過去需要兩個多小時才能編制完成，如今可以壓縮到3分鍾以內；一批積累多年的工業圖紙，過去修改一張需要數天，如今可以在幾分鍾內完成智能化處理。

這些發生在不同工業現場的變化，在10月14日濟南舉行的「齊魯製造會客廳」人工智能垂直領域大模型專場上匯聚到一起——「垂域智能齊魯七星」集中亮相。七個代表性垂域大模型中，青島佔據四席：卡奧斯「天智」、極視角「星際」、創新奇智「奇智孔明」、方舟智能「星港」。

山東是製造業大省，擁有全部41個工業大類、207個工業中類和625個工業小類，18個製造業大類營收位居全國前五。全省已有389個大模型通過第三方測評，今年上半年又從技術性能、經濟效益、社會認可、產業賽道、落地應用五個方面綜合考量，遴選出100個重點推廣的垂域大模型，並在此基礎上推出七個代表性成果。

七席之中，青島佔了四席。

為什麼？

從工業互聯網平臺到人工智能創業企業，從家電工廠到港口碼頭，四個模型背后的成長路徑並不相同，卻揭示出一個共同的產業邏輯——青島的工業基礎不僅提供了人工智能的應用市場，還通過長期積累的行業知識、真實生產場景和工程化能力，參與塑造工業人工智能的技術競爭力。

而四席之后，更值得關注的是：這些從產業現場成長起來的模型，能否走出標杆項目，進入更多企業，形成可持續、可複製的產業能力？

為什麼是青島？工業積累成為AI的獨特資源

「為什麼一定要做港口自己的大模型？」

在現場路演中，青島港國際股份有限公司副總經理兼方舟智能公司董事長、總經理李正旭，首先提出了這個問題。

通用大模型能夠回答大量知識性問題，但港口生產涉及船舶靠泊、貨物堆存、設備調配等高度專業化的業務，單靠通用知識難以完成複雜調度。尤其是干散貨碼頭，船舶到港時間、泊位條件、堆場容量、機械設備狀態等相互關聯，一處變化就可能影響整個作業計劃。

過去，經驗豐富的調度人員需要綜合判斷各種因素，編制生產計劃。這里既有可以量化的數據，也有多年工作積累形成的經驗。

如何讓人工智能理解這些經驗？

青島港建設了「老師傅」經驗語料庫，將長期積累的作業知識沉澱為企業資產。在此基礎上，研發泊位、堆場、設備三大計劃智能體，對180多個生產要素進行統籌調度。

據李正旭介紹，應用全要素調度智能體后，泊位作業計劃推優準確率超過90%。

這意味着，原本高度依賴經驗的複雜生產組織過程，開始轉化為能夠通過數據、知識和算法協同完成的工作。

目前，星港大模型已落地36個業務智能體，覆蓋80余個應用場景。

同樣的變化，也發生在製造車間。

卡奧斯董事長陳錄城在路演中提出，工業互聯網正在經歷從物聯到智聯、從數據驅動到智能驅動、從單場景應用到多智能體協同的升級。

工業互聯網發展早期，主要解決設備連接、數據採集和生產過程可視化的問題。而工業大模型和智能體的出現，使企業開始探索如何利用這些數據和知識，參與生產組織和經營決策。

在青島膠州智能控制器工廠，智能排產、設備調節、質量管理等環節的智能化協同，使換產時間由40分鍾縮短至10分鍾，產線產能提升5%。

換產時間的縮短，看似只是一個生產效率指標，背后卻涉及設備參數、工藝要求、生產節奏等多個環節的協調。如果這些環節仍然依靠人工逐項處理，即使單台設備具備智能化能力，整個生產流程也未必能夠實現高效協同。卡奧斯提出的「廠長數字人」，正是希望把柔性換產、設備管理、質量管理等智能體連接起來，讓不同生產環節圍繞共同目標協同運行。

支撐這些應用的，是長期積累的工業知識。

天智工業大模型背后，已有4700余個工業機理模型、200余種專家算法，以及海爾長期積累的製造業經驗。

這些工藝機理、生產規則和專家經驗，恰恰是通用大模型難以直接從公開互聯網數據中獲得的知識。

中國工業互聯網研究院高級工程師高曉騰在接受記者採訪時，談到工業互聯網對大模型研發和落地的作用，給出了一個簡潔的答案「場景」，「場景是實現整個大模型落地應用的最后一關，而且是關鍵的一關。」在他看來，工業大模型能否真正發揮作用，最終要看能不能進入實際生產場景，並取得具體的應用成效。

從青島港到卡奧斯，工業積累的價值正在發生變化。

過去，豐富的工業場景主要意味着製造業規模和產業配套能力；如今，長期形成的工業知識、工藝數據和生產經驗，正在成為人工智能技術創新的重要資源。

不過，這種優勢並不會自動轉化為模型能力。

只有經過數據治理、知識整理、模型研發和實際應用驗證，工業經驗才能成為人工智能能夠理解、使用和不斷優化的知識體系。

工業基礎為AI提供起點，而將工業知識轉化為技術能力，纔是產業優勢真正發揮作用的關鍵。

為什麼是這四家？真實場景培育技術競爭力

四個青島大模型中，極視角和創新奇智的成長路徑，提供了另一個觀察角度。

兩家企業最初都不是在青島創業，卻先后選擇將總部遷到這里。

2015年，極視角在深圳起步，選擇計算機視覺賽道。2021年，企業將總部遷至青島西海岸新區。

為什麼選擇青島？

極視角聯合創始人、總裁陳碩在採訪中談到，人工智能技術最終要進入實體產業，而山東擁有完整的工業體系，青島的製造業、軌道交通、港口物流等場景，為技術應用提供了豐富機會。

極視角最早以視覺算法商城切入市場。識別安全帽、檢測設備異常、發現產品缺陷……不同企業提出不同需求，極視角將這些需求轉化為一個個專用視覺算法。十余年來，企業積累了1500多種算法，累計落地6000多個項目。

但隨着應用場景不斷拓展，傳統視覺算法的侷限也逐漸顯現。

一種算法通常對應一類相對固定的識別任務。遇到新的目標、新的生產環境，往往需要重新採集數據、標註和訓練。真實的工業現場卻不斷出現新問題。陳碩在路演中介紹，星際視覺語言大模型試圖解決的，正是這種不斷變化的視覺需求。它將視覺感知與語言理解結合，使使用者能夠通過自然語言定義識別目標。例如，在軌道交通施工現場，施工前后需要清點工器具。工具種類、擺放位置、拍攝角度不斷變化，機器不僅需要發現圖像差異，還需要理解究竟少了什麼。

根據企業介紹，星際大模型依託10億級真實業務數據集研發，在80%以上的視覺感知場景中，無需重新完成傳統方式下的大規模數據標註訓練。

但這並不意味着傳統視覺小模型將被淘汰。對於目標明確、重複頻率高、需要快速響應的檢測任務，小模型仍然具有精度、速度和成本優勢；面對目標多變、歷史樣本不足的複雜場景，大模型則能夠提供更靈活的理解能力。

大小模型協同，成為極視角的技術選擇。

在某大型鋁業集團，極視角部署了50多個大小模型應用場景，其中包括30多個大模型任務，用於識別料漿泄漏、設備異物等異常情況。這一技術路徑並非憑空設計，而是企業在長期項目交付中，不斷遇到新需求、解決新問題后形成的。

青島地鐵則提供了另一種場景合作方式。在青島地鐵建設城軌行業大模型的過程中，極視角參與相關人工智能平臺、視覺能力和智能體研發。運營單位提出具體需求，技術企業參與研發，雙方再通過實際應用不斷驗證和優化。這不是簡單地購買一套現成軟件，而是產業應用主體與技術企業共同推動創新。

在大會展區，記者遇到了山東瑞程數據科技有限公司、濟南時代確信測評有限公司負責人郭聖峰。郭聖峰曾從事化工園區信息化相關工作，對極視角的技術已有了解。在他看來，視覺算法成熟需要長期積累。真實應用案例越豐富，技術越有機會應對複雜需求。

這一來自潛在需求方的觀察，恰好說明了產業場景的另一層價值：場景不僅帶來市場機會，也會反過來推動算法迭代和產品成熟。

創新奇智的發展同樣體現了這一特點。

2020年，創新奇智將總部落户青島即墨。

在記者的獨家採訪中，企業負責人介紹，公司在北京、青島、成都等地形成研發和交付協同體系。其中，青島擁有較大規模的工業軟件研發團隊，參與工業軟件和相關產品開發。工業人工智能不同於面向個人用戶的通用應用。模型要真正進入工廠，不僅需要算法工程師，還需要懂設備、懂工藝、懂工業軟件的專業團隊。以設備管理為例，傳統工業軟件能夠記錄設備臺賬、運行狀態和維修記錄；引入人工智能之后，企業希望進一步實現異常診斷、維修建議和管理流程優化。要做到這一點，模型不僅要能理解數據，還必須與原有工業軟件、業務規則和管理流程銜接。

創新奇智在青島某啤酒企業開展能源管理、設備管理相關應用，也服務多家全國製造企業。青島培育的人工智能企業，正在通過跨區域研發和交付體系，向全國製造業輸出技術能力。

從極視角到創新奇智，可以看到青島產業優勢的另一種表現形式。

這里不僅有需要人工智能的工廠，還有能夠與技術企業共同研發、共同解決問題的產業環境。而一家人工智能企業真正的競爭力，也不只是擁有多少模型參數，更在於能否持續理解行業需求，將一次次項目經驗沉澱為技術和產品。

從「會回答」到「能干活」，工業AI進入業務深處

工業大模型能夠回答專業問題，距離真正解決工業問題，還有多遠？

創新奇智執行董事兼CEO徐輝在路演中展示了一項應用。在寶武鋼鐵，長期積累的專業管線圖紙數量龐大。不少圖紙以靜態文件形式保存，涉及複雜的設備參數和管路關係。一旦需要修改，工程人員往往需要重新識別、繪製，單張圖紙處理可能耗費數天。這些圖紙雖然包含大量工業知識，卻難以直接接入數字孿生和智能運維繫統。創新奇智與基礎設施工程軟件企業Bentley聯合開發的iPID讀圖智能體，嘗試改變這一工作方式。

按照徐輝現場介紹，智能體能夠識別400多種專業圖例，自動提取設備參數、還原管路邏輯，整體還原度超過95%，使圖紙處理從數天壓縮至分鍾級。更重要的是，原本難以直接利用的靜態工程資料，開始轉化為能夠支持后續數字化應用的數據資產。

從工業圖紙到港口調度，從柔性換產到視覺巡檢，四家企業展示的技術路徑各有不同，卻都在發生一種變化，人工智能不再只停留在知識問答、信息檢索和輔助分析層面，而是逐步進入實際業務流程。

這也是為什麼「智能體」成為此次大會上的高頻詞。

在獨家採訪中，創新奇智負責人解釋，大模型主要提供知識理解和推理能力，智能體則可以進一步讀取業務數據、調用工業軟件和工具，按照一定流程完成任務。但工業智能體不是簡單地將通用大模型接入生產系統。工業現場有嚴格的工藝規則、設備約束和安全要求。一個看似合理的判斷，如果脱離實際生產條件，就可能造成真實損失。因此，創新奇智嘗試通過工業本體，為模型理解設備、業務對象及其關係提供知識框架，同時將必要的人工審覈納入智能體工作流程。

卡奧斯強調多智能體協同，青島港強調複雜生產要素統籌，極視角強調視覺感知與業務判斷結合，創新奇智強調工業知識與軟件執行能力。

四條技術路線雖然不同，卻共同指向一個問題：如何讓人工智能真正理解工業，並以可靠的方式參與實際工作？

這也是垂域大模型的重要價值所在。

通用大模型提供了新的技術可能，而產業知識、工業軟件和真實業務流程，決定了這些能力能否真正進入生產現場。

從標杆到規模，工業AI還要跨過幾道坎？

七個代表性垂域大模型，青島佔據四席，説明本地已經形成了一批具有代表性的工業人工智能產品。

但四個標杆，距離大規模產業化還有多遠？

創新奇智負責人的一組數據頗具代表性。企業成立以來累計服務1800多家客户，並不意味着這些客户全部使用了工業大模型，這反映了工業人工智能從傳統軟件業務向大模型、智能體應用發展的現實過程。

技術已經能夠解決一些複雜問題，但要讓更多企業真正用起來，還必須回答成本、人才、數據安全和投入產出等問題。

「用不起，不會用。」談及工業大模型推廣中面臨的困難，中國工業互聯網研究院高級工程師高曉騰在採訪中首先提到了中小企業。他指出，相比已有的數字化人才，許多中小企業缺少熟悉人工智能的專業人員。企業既擔心模型應用成本過高，也擔心投入資金之后看不到實際成效。

這種顧慮並不難理解。

大型製造企業可以投入資金建設專門的人工智能系統，而大量中小企業很難承擔同樣的研發和部署成本。如果一家企業需要投入大量資金，卻無法確定能節省多少成本、提高多少效率，自然會對新技術保持謹慎。

數據安全是另一道門檻。高曉騰舉例説，企業的工藝參數、生產配方等屬於核心數據，不可能簡單放到公共網絡環境中使用。但知識問答、數字員工等一般性應用，又未必需要與核心生產數據採用完全相同的部署方式。

不同等級的數據、不同用途的模型，需要選擇不同的應用路徑。

這也意味着，工業大模型的複製推廣，不是把一家企業的全部數據和技術方案直接搬到另一家企業。

真正可以複製的，是具有共性的技術能力、業務框架和應用方法。

在獨家採訪中，創新奇智負責人談到，企業正在嘗試將設備管理等共性業務能力做成標準化軟件和智能體產品，再根據不同客户的設備、業務數據和專屬知識進行配置。這樣既可以提高產品複用程度，也能夠減少每個項目從頭開發的成本。

對人工智能企業來説，項目交付只是第一步。只有把項目經驗沉澱為可以反覆銷售、持續使用的產品，才能逐步形成規模效益。

卡奧斯也在探索類似的路徑。

依託工業互聯網平臺積累，卡奧斯在家電、石化、煤炭、汽車等行業形成相應的模型和解決方案，並通過產業平臺向更多企業推廣。在青島膠州，「工賦上合」工業互聯網平臺已服務362家當地工業企業，落地133個數字化轉型項目。

這些數字反映的是工業互聯網平臺的總體服務能力，並不意味着所有企業都已經應用天智工業大模型。但長期積累的企業連接、數據基礎和數字化服務經驗，為工業大模型進一步推廣提供了條件。

那麼，怎樣判斷一個地區的工業人工智能產業是否真正形成競爭力？

高曉騰認為，需要區分不同主體。對於製造業應用企業，最重要的是實際應用成效和投入產出比；對於大模型服務商，還要關注企業營收、市場覆蓋率和行業影響力；對於工業大模型產品，則需要觀察其在行業內複製推廣的能力。

這為「七席佔四」提供了另一個觀察尺度。入選代表性模型，是對現階段技術和應用成果的認可。但工業AI最終能夠創造多少價值，還要看它能否持續解決真實問題，能否以合理成本服務更多企業。

四席之后，青島怎樣形成持續競爭力？

青島四個大模型集中亮相，並非孤立現象。

青島正在實施「模力青島」行動，構建「1+8+N」大模型發展體系，以基礎通用大模型為底座，重點建設製造、海洋、家居、港口、城軌、康養、交通、低空八個垂直領域大模型，賦能更多應用場景。目前，全市已培育垂直領域大模型產品超過100款，其中13款通過中央網信辦備案。

產業生態也在不斷完善。

青島建設了「嶗山AI」「海洋智谷」兩個省級「模力空間」，兩大空間合計孵化大模型超過30款；遴選發佈16個市級人工智能OPC專業園區，為企業提供從算力到場景的服務支持。

不過，模型數量增加，並不意味着產業發展的所有問題都已經解決。

據瞭解，在行業數據有效採集、匯聚和開放共享方面，仍然存在困難，大模型在研發設計、複雜生產調度等深層場景中的滲透普及率還有待提高。

而從企業和專家的觀察看，人才與技術創新能力的持續積累，同樣重要。

談到青島發展工業人工智能的優勢，高曉騰提到了兩個方面。一是青島具有較好的工業基礎，傳統企業對前沿技術具有一定接受度；二是軟件產業已有積累，可以為人工智能技術發展提供支撐。但與此同時，人才引進也是青島的課題之一。他認為，人工智能產業發展需要吸引更多領軍人才，通過人才集聚帶動園區和產業發展。

這一建議也提示我們，產業場景可以吸引技術企業，但要讓技術企業持續成長，還需要更強的研發人才、創新資源和產業生態支撐。

下一步，青島市將依託港口、家電兩大國家人工智能應用中試基地，推動模型服務向外輸出，培育更多行業智能體，並積極爭取模型券、語料券、場景券等政策支持，降低企業應用門檻。山東省也提出，將分行業培育人工智能服務商，加快部署前沿部署工程師，探索以行業服務團隊推動技術落地。

從這一角度看，未來工業人工智能的競爭，已經不只是模型研發能力的競爭，也將是工程交付能力、場景複製能力和產業生態的競爭。

七大垂域模型，青島佔據四席。

這一結果説明，青島深厚的產業基礎、長期積累的工業知識，以及人工智能企業與製造業場景的持續互動，正在形成新的產業競爭優勢。

但四席不是終點。

從一座港口到更多港口，從一家標杆工廠到更多普通工廠，從一個成功案例到可以持續推廣的產品，工業人工智能仍然需要經歷更加嚴格的市場檢驗。

青島何以佔據四席？答案不僅在於這座城市擁有多少工業場景，更在於它能否把場景中的經驗和需求轉化為技術創新，再把技術創新轉化為更多企業用得起、用得好、能夠持續創造價值的生產能力。

這或許纔是四席背后更值得關注的產業命題。（青島日報社/觀海新聞記者 劉麗娜）

（作者：劉麗娜)