——从霍尼韦尔”三道门槛”聊点工业数字化的硬常识

做过互联网AI的人，第一次进石化厂可能会被一句话打懵：这里不允许有”基本准确”这个概念。

最近看到霍尼韦尔大中华区总裁余锋的一篇分享，谈物理AI落地工业现场要跨三道门槛——数据、认知、责任。看后想聊两句。

这篇分享本身是工业老兵的手笔，有真料也有克制。我读完想补充一个视角：这三道门槛，本质上对应的是同一个问题——可追责的闭环能不能形成。

—

🔧 先补课：物理AI和互联网AI产的不是一回事

在互联网，AI出错换一个结果就行——推荐错了换一条、搜索歪了补一条、生成偏了多刷一次。用户在屏幕那端，算法和物理之间至少隔着一层”容错缓冲带”。

但工业不一样。一个炼油厂的温度、压力、流量参数的再小误判，可能就是灾难。这不是比喻，是物理定律层面的事。

所以余锋提的一个概念我很喜欢：

“物理世界的AI”不是屏幕里的智能，而是”感知-决策-执行”的完整闭环。

它不只是需要”聪明”，它需要和实体世界摩擦出结果、对这个结果负责。

曾经流行一个说法，AI进工厂等于给设备装个”大脑”。这说法错了——大脑只要在颅腔里想想就行，AI进物理系统是要动手并且负责的。能动手+能负责，才是工业AI。

—

🔍 三道门槛，我来拆一拆

余锋说还有三个坎要过，我想用自己的话翻译一遍：

第一：数据门槛——不是够不够，而是有没有人能对数据链路负责

工业数据长期散落在传统OT系统里，DCS、PLC、MES各自为政。收集、清理、集成是基本功课，但真正的难点不是技术——是这条数据链路有没有人背书。当AI做出一个判断，追溯到原始传感器数据时，从传感器到AI模型，谁能对这条链路的可靠性负责？

我的观点： 很多公司花大力气建数据湖，却没想清楚一个根本问题：数据是”上了链”还是”拼凑的”。工业AI如果要进现场，数据中台必须有闭环诊断能力——知道这个输入是不是来自一个刚刚标定过、有维护记录的传感器。否则数据量越大，决策越危险。

第二：认知门槛——行业的”隐性知识”

余锋说得很准确：同一组数据，在不同行业不同工艺下的物理意义可能完全不同。数据本身不是认知，理解数据背后的物理规律、约束条件、边界场景才是。

霍尼韦尔干了快一个半世纪，从温控器到DCS到今天的Forge平台，与其说是技术积累，不如说是行业知识以控制逻辑的形式被一代代人编码进了系统。

我的观点： 这个门槛其实是工业AI最隐蔽的护城河。纯AI公司进厂，拿着算法找场景，经常会”水土不服”。因为这个行业需要的预判能力，不是从大模型里读出来的，是从老师傅手心里传出来的。怎么把那些在临界阈值间积累几十年的幽微判断变成机器可执行的决策？这才是门道。

第三：责任门槛——系统里必须有人，而且这个人能拍板

“AI错了能道歉，但你能把它怎样？”这句话虽然锋利，但说出了真相。

如果AI控制化工装置出了事故，责任归谁？算法公司？系统商？工厂？背锅会变成一个无解的死循环。如果没有人能在决策极两端拍板、签字，没有人在回环里，工业机构很难放行AI实入深水区。

我的观点： “人在回路”不是一个信任问题，而是一个结构性问题。只要”人在回路中”，意味着人类操作者必须能随时接管、评估、推翻、修正。这是信任机制的初始条件。但更重要的一层是：人怎么”回来”、怎么评判AI决策、怎么快速做出接管确认？在这个维度，界面设计和决策支持系统怎么降低人的认知负担而不是增加焦虑——是一个被低估的课题。

—

⚠️ 一个被忽略的底层问题：这三道门槛其实是同一个问题

拆开看：数据、认知、责任，好像三件事。但以我的看法，核心只有一个：

工业数字化的可追责链条能不能闭合。

数据是从哪儿来的、谁知道它可信？（数据端谁负责）
AI的分析基于什么知识判断？（判断端谁来认）
行动之后如果错了后果谁来背？（结果端谁来顶）

如果这三端没有明确的责任主体，就没有系统性可信的物理AI。互联网AI只要你敢用，技术可以进很快；工业AI唯一的反馈曲线，来自是否被承担责任体系接纳。

这可能是物理世界与AI世界之间最不留情面的分界线。

—

🎯 霍尼韦尔的方向值得注意的一点：从自动化走到自主化

余锋提到”Automated”到”Autonomous”，用一个比自动驾驶的话术：从L2到L5。

我觉得这个比喻虽然形象，但只是类比。工业的自主动向远比自动驾驶约束——车有问题可以停，工厂不能说停就停。工业场景的服务壁垒在于：自主意味着你说的路线要有兜底，任何极端场景都要硬约束。

霍尼韦尔的策略很务实，这也是百年底蕴之处：现有可靠系统托底，上层叠加智能优化。 我不信一夜翻桌性的改造，我只信在可靠基础地上一层不信特殊。用他们的话说叫：*”在现有可靠运行的控制系统之上，逐步叠加AI、云和边缘计算的能力。”*

这不只是保守，这是物理世界的生存需求。

—

🇨🇳 中国场景的特殊节奏感

文章里提到中国贡献了约30%的全球制造业增加值，这是很庞大的背景。重新把余锋提到的东西拿来谈谈思路：

中国工厂足够多，所以共性知识的规模化复制价值很大。 余锋提到”管理智能化”，我认为这是比一般业务层更深的动机——让AI从一个工厂的”点上打法”变为”线上图谱”。十万工厂数据互通，安全事故能被预见，这就不是单纯的提质控效问题了，而是产业知识管理手段的一种重构。

但想多了还要泼点冷水：这个目标极有价值，但也极之遥远。不同工厂的管理系统异质、数据接口不一致，数据本身质量各异……要把这条”知识高速公路”修好，不是技术工程，而是标准工程、治理工程、规模信任工程。

中国能卖吗？能。中国在产业生态整合上的能力是全国最强的，统一的数字化语言系统推进是有可能的。 但这个高度需要是时候规则先行，让各厂走一套可以”对话”的语法。

—

🪝 一点不同的声音

余锋说”下一个AI释放显著价值的突破口，更多可能出现在管理领域”，我觉得这个判断有意思，但我更认同更往前一点：

** 制造入口的争夺，不是谁有更先进的算法，而是谁能把自己的控制系统变成平台的基座，然后再往上建设能力。认真做好基座的人，才有资格玩下一步。**

如果你是新玩家，算法新的漂亮，但你进得去厂门吗？控制系统你没有，知识图谱你没有，安全认证你连资格证书都没有。最终你会发现：最偏远场景中那些看似”旧派”的自动化企业，可能才是新场景的守门人。

渠道决定落地链，记录就是有效壁垒。

—

✅ 最后说两句

我对最后那个投票题——”工业AI真正落地最难的一步是哪个？”——我想投个冷门的综合选项：

其实真正的难，不在于某个单点，而在于这个系统怎么在所有环节的严格约束下同时满足可靠、可追踪、可追责。

数据是基础，认知是判断维度，责任是条件机制，但它们不是三个独立的门。当工业对AI说”进来可以，但出错你负责”的时候，那个”负责”两个字，决定了一切。

我们把这理解为系统工程，不同意这是一句回避话——物理AI落地，挑战确实是系统级别的。因为它不是说我们把某个模型练到95%准确率就能解决的事。它是说：在某个可能极小但真实存在的极端状态下，这个系统的行为仍然可预测可控制可追溯——这才是工业环境下的交付标准。

—

如果你也做好过工业场景落地，或者在OT和AI之间挣扎过，欢迎聊聊你踩的坑。工业AI最大的常识就是：这里面没有什么一夜突变的技术魔法，只有爬坡、验证和一次次证明”这事我敢签单”。