从为“新三样”出海提供 AI 支撑，到布局国央企信创基础设施，从助力中小企业开展低成本 AI 实践，到为大型企业打造定制化模型——腾讯云的一系列探索，既直面工业 AI 落地的行业共性痛点，也为不同规模工业企业提供了一套分层破局的实践路径。
当工业领域从自动化、数字化向智能化跃迁的浪潮势不可挡，AI 技术已不再是实验室中的抽象概念，而是切实走到台前，成为企业降本提效、突破内卷的核心前沿抓手。然而，不同于消费领域 AI 凭借高频交互场景实现快速渗透，工业AI的落地始终伴随着场景难寻、ROI模糊、人才短缺的现实困境。
近日，e-works 记者专访了腾讯云智能制造和智慧能源首席专家邴金友。采访中，他不仅清晰勾勒出腾讯在工业 AI 领域的布局逻辑，更剖析了整个行业从热衷技术迈向价值落地的转型趋势。
从为“新三样”出海提供 AI 支撑，到布局国央企信创基础设施，从助力中小企业开展低成本 AI 实践，到为大型企业打造定制化模型——腾讯云的一系列探索，既直面工业 AI 落地的行业共性痛点，也为不同规模工业企业提供了一套分层破局的实践路径。
腾讯云在工业和能源领域的智能化布局，始终围绕价值可量化这一核心，从出海赛道的全球化支撑，到企业内部的场景渗透，形成了清晰的聚焦方向。
中国制造业的出海正在经历从资源驱动到技术驱动的迭代，而AI正成为这一转型的关键基础设施。邴金友指出，传统企业如矿山、电力等企业的出海，多以投资建厂、资源开采为主；但近年来，以光伏、锂电池、新能源汽车为代表的新三样，以及以三一、中联重科等为代表的装备制造企业出海，更需要智能化能力的支撑——这正是腾讯云的核心切入点。
在新三样领域，中国企业已占据全球领先地位，此时，AI的价值便直接体现在降本提效的实处：譬如通过AI巡检替代人工，基于机器视觉的AI质检，将大模型应用于设备维修场景以解决专家远程支持成本高、响应慢的核心痛点等等。
装备制造的出海则进一步要求AI与生产流程的深度融合。腾讯云在这一领域的角色，既是全球化数字基建的提供者，也是AI能力与制造流程的连接器——通过公有云的弹性算力，支撑海外工厂的AI应用快速部署，同时避免企业在本地建设算力中心的高额投入。
对于工业和能源企业而言，AI落地的首要前提是成本可控、收益可见。在邴金友的观察中，这类企业多为成本密集型，对AI的接受度首先取决于能否平衡投入与产出，因此腾讯的场景渗透遵循从易到难、从点到面的逻辑。
在生产与管理的基础层，传统AI场景仍是落地主力。AI质检、AI巡检、安防监控等技术已相对成熟，且ROI清晰。这些场景的共性在于：需求明确、数据易获取、效果可量化，已成为企业切入AI的敲门砖。
而在知识密集型领域，大模型的应用正在打开新空间。研发与维修是两大核心突破口：在研发端，工业企业普遍面临人才梯度断层——资深专家经验丰富但需耗时查资料，年轻工程师上手慢、需指导。腾讯云通过大模型结合知识库与智能体（Agent）的组合，为企业搭建研发辅助系统；
在维修端，大模型的落地阻力更小。由于维修知识多属于对外服务范畴，数据敏感程度低，企业对公有云大模型的接受度更高。邴金友预判，随着AI成本的进一步下降，未来ERP、MES、财务系统等核心业务系统都将嵌入AI能力，实现全链路的效率提升。
现实困境：工业AI落地的三大核心挑战
尽管场景机遇清晰，但工业AI的落地之路并非坦途。邴金友在采访中谈到，目前工业AI落地面临着三大共性挑战——ROI模糊、人才短缺、技术选型误区，这些问题共同构成了AI热、落地难的现实状况。
企业用AI，必须带来可量化的提效或降本，这是邴金友反复强调的核心观点。然而，当前许多企业的AI实践却陷入技术先行、场景滞后的误区——盲目追逐大模型、采购AI设备，却未明确解决什么问题，最终导致投入与产出脱节。
这种拿着锤子找钉子的焦虑，本质上源于工业流程的复杂性。与消费场景AI应用不同的是，工业企业的现有流程已高度成熟，财务、采购、生产等环节均有专业团队高效运转，AI若不能实现效率再上一个台阶或成本显著下降，便难以替代现有模式。
邴金友指出，大模型的落地尤其需要避免零敲碎打。许多企业在研发、客服、维修等场景分别尝试AI，但缺乏顶层设计与系统规划，导致数据无法打通、能力无法复用，最终沦为碎片化尝试。这种情况下，即便单个场景有一定效果，整体价值也被大幅稀释。
此外，工业AI落地的核心障碍，在于人才的断层。邴金友坦言，真正懂AI又懂业务的人太少，这一问题在传统工业和能源企业中尤为突出。
从人才结构看，工业企业的现有团队多具备深厚的业务经验，但缺乏AI技术思维——生产负责人知道如何优化产能，却不清楚AI能否优化、该用哪种AI技术；IT部门了解AI工具，却不理解生产流程的关键节点，导致技术与业务两张皮。
在技术选型上，许多企业存在似懂非懂的误区，尤其是在算力部署与模型优化方面，常常做出不符合实际需求的决策，导致成本高企、效率低下。
最典型的误区是对AI一体机的盲目采购。邴金友分享了两个最近调研的真实案例：某企业采购AI一体机部署了DeepSeek大模型，未经优化时QPS（每秒查询率）仅为20，最多支持20-40人并发使用，无法满足企业全员需求。相比之下，腾讯云团队通过网络调优、模型压缩、交互逻辑优化后，可以将QPS提升至200，支持400人同时使用，效率提升10倍；另一个误区则在于硬件架构的认知偏差——一体机通常采用8卡GPU+NVLink架构，带宽约50GB/s，而云端GPU集群采用NVSwitch架构，单卡可与所有其他GPU直连，总带宽达400GB/s以上，是NVLink的8倍。这意味着，同样是8卡GPU，云端的推理效率更高，成本却仅为本地一体机的1/8。
这种技术选型的偏差，本质上是企业对算力需求的认知不足——既不清楚自身的并发量、响应速度要求，也不了解不同架构的性能差异，最终导致花了冤枉钱，却没解决问题。
破局路径：腾讯的分层策略与生态协同
面对工业AI落地的诸多挑战，腾讯云构建了一套分层解决方案+生态协同的破局体系——既针对不同规模企业的需求提供适配方案，又通过生态伙伴补足能力短板，最终实现技术-场景-价值的闭环。
邴金友强调，腾讯云的核心思路是不搞一刀切，而是根据中小企业、中大型企业、大型企业、生态伙伴的不同需求，提供从开箱即用到深度定制的阶梯式服务。
对于中小企业，腾讯云的策略是低成本、轻量化。考虑到中小企业资金有限、人才短缺的特点，腾讯不建议其进行本地部署或采购一体机，而是推荐直接使用公有云大模型API，按Token调用计费，每月成本仅几千到几万元，大多数企业可承受。同时，腾讯云还提供集成了AI能力的SaaS产品，如腾讯会议（自动生成会议纪要）、乐享知识库（知识自动归档、智能检索），帮助中小企业零门槛切入AI。
对于中大型企业，腾讯云的重点是平台化、定制化。这类企业有明确的场景需求，但需要保障数据安全、实现深度定制，因此腾讯云提供开发平台与工具链，支持企业进行模型微调和私有化部署。例如，为中国电子装备集团打造“电梯大模型”时，腾讯云提供基础平台与技术支持，企业用自身的电梯维修、故障数据进行训练，既保障了核心数据的安全，又实现了专属模型的需求。
对于大型企业或生态伙伴，腾讯云则开放高并发、全能力的支持。这类企业往往有规模化部署的需求，如Agent高并发、多模态模型集成等，腾讯云提供MaaS（Model as a Service）能力，支持企业基于其平台快速验证、迭代场景。此外，腾讯云还开放自研的AI管理框架，支持多模型、多模态、小模型与传统算法的统一调度，帮助企业实现AI资产的集中管理，避免碎片化部署的问题。
简而言之，工业AI的落地需要全链条能力，而腾讯云的定位是做平台——通过与咨询公司、硬件厂商、渠道服务商的合作，补足咨询、交付、本地化服务的短板，形成生态协同效应。
在咨询端，腾讯云与毕马威、埃森哲、汉得等咨询公司达成合作，解决场景定位的问题。咨询公司负责为企业做战略梳理：哪些领域适合用大模型？哪些是战略性投入？哪些是改善型项目？并输出清晰的AI布局路线图；腾讯云则基于路线图提供技术平台与工具，共同为企业设计端到端解决方案。
在交付端，腾讯云通过技术实施伙伴联合解决方案伙伴覆盖落地需求。技术实施伙伴主要负责信创、私有化部署等项目的交付；联合解决方案伙伴则分为硬件/软件两类：在AI质检场景，腾讯云提供算法，硬件厂商将算法集成到检测设备中，形成标准化解决方案销售；在企业协同场景，诸如微盟这类的伙伴基于企业微信生态，集成腾讯云的AI能力，为企业提供定制化的协同工具。
在渠道端，腾讯云通过渠道服务商覆盖中小企业的本地化需求。渠道服务商负责将腾讯云的SaaS产品、API服务转售给中小企业，并提供本地化的培训、运维支持，解决中小企业缺人才、缺服务的问题。截至目前，腾讯云生态已有1.1万家合作伙伴，美的、荣耀、山东临工等制造企业，在腾讯云以及生态伙伴的助力下加速了出海进程。
记者手记
工业AI的落地，从来不是技术的胜利，而是场景与价值的胜利。从腾讯云的实践来看，工业AI的破局之道，在于不追逐热点，只聚焦需求——既不盲目推崇大模型，也不否定传统AI，而是根据企业的实际需求，提供能落地、有收益的解决方案。
如邴金友提到的，在工业AI的激烈竞争中，腾讯云的核心优势并非单点技术领先，而是平台化能力、分层解决方案、以及依托生态伙伴打造的规模化支撑经验——这恰恰是工业企业落地AI最需要的底层保障。
从记者的角度观察，对于整个行业而言，腾讯云的探索提供了三点启示：其一，工业AI需要分层思维，中小企业先从低成本场景切入，大企业聚焦高价值领域，避免一刀切；其二，生态协同是关键，单一厂商无法覆盖咨询-技术-交付全链条，需通过伙伴合作补足能力；其三，ROI是核心指标，所有AI实践都应围绕可量化的提效降本展开，避免为技术而技术。
新闻
