从大模型到行业世界模型

寂静回声

当硅谷的科技巨头们还在为大语言模型如何准确写代码而争论不休时，全球的大型制造企业已经开始面临一个更为严峻的科学命题，如何将轻飘飘的数字词元转化为承载人类生命安全的工业制成品。
过去两年，生成式 AI 的浪潮席卷了几乎所有行业，工业领域也不例外。但绝大多数制造企业很快发现，通用大模型能写报告、能做基础问答，却始终碰不到工业场景真正的核心痛点。
隐性知识散落在老工程师的经验与历史文档中，供应链中断的影响要等三周才能完成全链路测算，产线决策大量依赖人的直觉而非系统支撑，AI始终停留在演示层面，无法进入真正的生产与经营闭环。
很多企业陷入了 “不上 AI 怕落后，上了 AI 没效果” 的两难境地。问题的根源从来不是算法不够强，而是没有用工业的逻辑构建 AI 体系，只把通用能力套用到工业场景上。
场变革的核心并不是让机器学会模仿人类的日常对话，而是让算法掌握宇宙中最基础的逻辑，也就是物质世界的物理、化学和生物学规律。
工业界正在呼唤一种能够真正理解实体、预测行为、并自我演进的全新技术生命体。

在巴黎Tech For Industry Show 2026工业4.0展会上，达索系统3DEXPERIENCE品牌CEO Morgan Zimmermann与DELMIA研发生成式体验产品组合经理Christophe Eschenbrenner联袂登台，带来题为《工业AI在虚拟孪生中的核心地位》的深度演讲，恰好回应了整个行业的普遍困惑。达索系统给出的答案不是孤立的单点算法，而是一套基于“行业世界模型（Industry World Models）”与 3DUNIV+RSES 的完整工业 AI 落地体系。

本文将完整还原这场演讲的核心内容，从底层逻辑到场景案例，拆解达索系统对工业 AI 的完整思考与实践路径。
大家好，今天我们想和大家聊透一个核心话题：工业 AI 到底是什么？它和我们日常接触的消费级生成式 AI，到底有什么本质的区别？
在我们看来，工业 AI 不能是零散的工具，必须是一个完整的世界模型体系。它有三个不可或缺的核心支柱，分别是知识、物理，以及人机协同。
很多人做工业 AI，第一反应是找个大模型，接入工业数据做微调，然后就叫工业 AI 了。但这条路走下来，大家会发现始终解决不了真正的核心问题。
因为工业的核心不是生成文本，而是要处理真实的物理世界，要对产品、产线、供应链做准确的决策，要对安全、质量、成本负责。
这就要求工业 AI 必须是科学驱动的，必须扎根在工业语料与工业规则之上，而不是基于通用互联网语料的概率性生成。
Industry World Models 的底层，是工业知识与经验的沉淀，也就是企业几十年积累下来的核心 know-how。上层是推理与生成能力，也就是基于知识做分析、规划与优化。
它的核心特征很明确：知识引导、科学打底、结果可信，同时具备多模态能力、语义驱动，并且始终具备物理感知能力。
这和通用大模型只靠概率生成的逻辑完全不同，工业场景里，概率正确是不够的，我们需要的是符合物理规则、符合企业知识的确定性结论。

先来讲第一个支柱：知识。我们服务的很多行业头部客户，数字化成熟度已经很高，但他们每天都在反复问自己三个问题。
第一个问题：企业独有的工业知识到底是什么？为什么雷诺和丰田的造车逻辑不一样，为什么空客和波音的飞机设计体系不一样？这些核心差异到底存放在哪里？
第二个问题：一个新入职的员工，要花多长时间，才能掌握这些核心知识的50%？答案往往是三到五年，甚至更久，因为绝大多数知识都是隐性的，没有被显性化。
这些隐性知识藏在产品的配置树里，藏在工厂的历史事故记录里，藏在客户的质量反馈台账里，藏在各类技术文档与流程规范里，没有人能完整梳理清楚。
把隐性知识显性化，需要大量的技术支撑，这是工业 AI 要解决的第一个基础问题。但这还远远不够，第二个更尖锐的问题随之而来。

如果我们真的能把隐性知识全部显性化，我们该怎么保护它？很多人觉得工业 AI 的核心是算法，其实不对。对国家层面来说算法很重要，但对企业来说，核心永远是数据。
过去工业生态里的数据共享，大家只关心能不能集成使用，不会担心对方用这些数据反向学习自己的核心工艺与 know-how。但 AI 时代，这个问题变得尤为尖锐。
在产业生态里共享数据的同时，如何保护数据的知识产权？这就是我们推出 IP Life Cycle Management 的核心原因，它的本质是给每一份数据打上明确的使用权限标签。
当供应商向OEM共享数据时，可以明确标注这些数据只能用于集成使用，不能用于模型训练；也可以标注允许用于训练，但附带明确的知识产权归属规则。
在此基础上，我们会做全链路的精细追溯，随时可以查到谁用了什么数据做了训练，最终生成的模型与知识产权归属于谁，全程可追溯、可审计。
我们判断，AI 时代的知识产权管理，重要性会超过算法本身。你看美国现在的大型 AI 诉讼，核心争议点就是训练数据的版权归属，本质就是这个问题。
互联网内容免费浏览，不代表可以免费用来训练模型。工业数据更是如此，每一条工艺数据背后都是企业几十年积累的核心资产，容不得半点模糊。
第三个问题，是知识的组织方式。很多企业把知识按分类放进知识库，像图书馆按字母排序一样，这种方式来自文艺复兴时代，确实伟大，但已经不符合工业的需求了。
我们认为，工业知识不应该按目录分类存放，而应该投射到虚拟孪生之上。对工业企业来说，最重要的载体永远是自己的产品、工厂与产线。

讲完知识，我们来讲第二个支柱：物理。现在大家都在说生成式 AI 很厉害，确实，它能做很多概率性的推断，比如预测设备的可靠性、评估安全风险。
坦率说，这些能力都很不错。但如果我是飞机上的乘客，只靠概率性的安全评估，我是不放心的。我想要的是确定性的结论，而不是 “大概率安全”。
想要确定性，就必须回到物理规律本身，而不是只靠 AI 的统计推断。这就是 Industry World Models 的核心逻辑：把大模型的推理能力，和物理规律的计算能力结合起来。
换句话说，我们既要用大模型去学习、去推理、去归纳，也要用物理引擎去求解真实的物理规律，两者缺一不可。只靠 AI 没有确定性，只靠物理没有效率。
很多新产品还没量产，根本没有运行数据；很多极端工况，不可能在真实产品上反复测试。这时候，基于物理的虚拟世界就可以发挥作用了。
我们可以在虚拟孪生里生成海量的真实工况数据，哪怕产品尚未正式投产，也能做预测性维护的模型训练，也能模拟各种极端场景下的产品表现。
用虚拟数据补全真实数据的不足，用物理规律保证生成数据的真实性，这是纯大模型路线做不到的，也是工业 AI 必须走的路。

第三个问题：一旦将物理和知识结合起来，如何将其呈现在用户面前？达索系统通过“虚拟伙伴（Companion）”来实现这一目标。值得注意的是，达索系统将其定义为“伙伴”，而非“智能体（Agent）”。在法语语境中，“Compagnon”是一个极具内涵的词汇。
为什么？因为"Compagnon"既是工匠，也是朋友，还是一个社群的成员。我们就是这样设计我们的伙伴的。
也正因为这样，我们设计了三个伙伴。因为在我们的客户中，有三类不同的受众。

第一个叫 AURA，定位是业务专家。它擅长做业务分析，不管是风险管理、项目管理，还是合规分析，AURA 都有对应的完整能力包，服务管理与业务岗位。
第二个叫 Léo，定位是认证设计师。它面向工程与制造岗位，懂工艺、懂设计、懂生产，能直接辅助工程师完成具体的设计与工艺工作。
第三个叫 Marie，定位是科学家。它几乎覆盖所有科学学科的专业知识，适合做深度的科研与仿真分析，对专业度要求非常高。
我自己平时和 AURA 配合得非常顺畅，和 Marie 沟通偶尔会有点吃力，毕竟我没有对应的学科背景，这也很正常。三个伙伴各有分工，服务不同的人群。
讲到这里，大家应该对 Industry World Models 的整体框架有了概念。但光有框架还不够，大家肯定会问：这些能力到底怎么提升组织的实际性能？
接下来我就用一个非常常见的场景，给大家拆解一下，工业 AI 到底是怎么在真实的经营决策里发挥作用的。

我们来设想一个非常典型的场景：周一上午九点半，你接到供应商的电话，说某个零部件要延迟六周交付。这种事每个制造企业都经常遇到，一点都不新鲜。
我可以很肯定地说，今天绝大多数工业企业，做这种决策靠的还是邮件、电话，甚至是经验直觉。不是因为没有数据，恰恰相反，数据非常多。
企业里有 PLM、ERP、MES、CRM，有 BI 仪表盘，有质量管理系统，有供应链系统，有产品主数据，有财务系统，有人力系统，有文档管理系统。
几十套系统，几百 TB 的数据，几千万甚至几个亿的 IT 投入。但在周一上午九点半这个关键时刻，没有一个系统能给你一个上下文完整的、可直接用于决策的答案。
数据都在，但都是碎片化的，散在不同的系统里，没有人能在一小时里把所有数据串起来，算出完整的影响，给出可行的方案。
而这种决策，不是一年发生一次，也不是一个月发生一次。它在企业的每个部门、每个层级，每小时都要发生几十上百次。
从 CEO 决策几个亿的投资，到喷漆车间的工人决定要不要停线，本质上都是同一类问题：能不能把企业所有的知识，快速转化为当下这个决策的上下文支撑。
一家企业今天的竞争力，本质上就是它持续做高质量上下文决策的能力。决策的速度越快、质量越高，企业的绩效（或效能）就越强，这才是真正的胜负手。
过去我们靠老员工、靠专家，靠有三十年经验的老师傅做决策。但专家数量有限，不可能覆盖所有决策，而且新人成长速度太慢，跟不上业务的变化。
我们要做的，就是把专家级的决策能力，赋能给企业里的每一个人，让新人也能做出和专家同水平的决策，而且是持续、稳定、系统化地输出。
我们把这套体系叫做 Agentic Control and Orchestration Tower，也就是智能体控制与编排塔。但我要先说明，它不是传统意义上的控制塔。
传统的控制塔是给少数管理者用的驾驶舱，少数人看到全局，然后替所有人做决策。这是自上而下的模式，适合处理少数重大决策。

但我们做的不是控制，而是赋能。我们给企业里的每一个人都配一个决策罗盘，把企业的所有知识与经验，投射到每个人当下的决策里。
每个人都能拿到自己需要的上下文信息，都能得到对应的决策辅助，都能在自己的权责范围内做出最优决策，而不是事事都要等上级批示。
我举个核电站的例子。核电站的调试与运维是极其复杂的系统工程，涉及上万个零部件、几百个专业、无数的流程与规范。
过去调试一个节点，要各个部门开会协调，核对大量的图纸、文档与数据，周期很长，而且非常依赖核心专家的经验。
用了我们的体系之后，每个岗位的人都能在自己的工作界面里，拿到对应上下文的所有信息，虚拟伙伴会辅助完成风险分析、进度核对与方案推演。
从项目总监到现场工程师，每个人都有自己的决策支撑，决策链条大大缩短，项目的推进速度和质量都有非常明显的提升。
所有的沟通与协作，都在 3DSwym 的协同环境里完成。不管是结构化的流程，还是非结构化的讨论，所有内容都会被沉淀下来，变成企业的知识资产。
它不是邮件，也不是茶水间的闲聊，所有的沟通、决策、方案都会被记录，反过来喂养虚拟伙伴，让整个系统的能力越来越强。
这就形成了一个正向循环：人在系统里工作，产生的知识沉淀到系统里，系统再反过来辅助人做更好的决策，越用越聪明。

讲完了场景和价值，大家肯定会问，这套体系到底是怎么构建的？背后的架构是什么样的？接下来我就拆解一下它的底层逻辑。
最底层的核心，首先是虚拟孪生体系，包括产品的虚拟孪生、生产系统的虚拟孪生，还有组织与商业模式的虚拟孪生，这是整个体系的表征基础。
在虚拟孪生之上，是 Industry World Models，包括工业知识体系、工业世界理解能力、MODSIM 引擎，还有工业 AI 模型，负责推理与计算。
再往上，是多模态交互、意图识别、共享内存、智能体推理规划，还有持续的安全护栏与沙箱机制，保证所有操作都符合工业规则。
整个架构基于 3DEXPERIENCE Agentic 平台构建，支持 MCP、A2A 等标准，内置业务模型，支持深度智能体编排，具备分布式推理与性能监控能力。
算力层面，我们和 NVIDIA 深度合作，基于 NVIDIA AI、CUDA-X、Omniverse 库，再加上 OUTSCALE AI Factories，构建可规模化的算力底座。

第一个核心系统，是推理系统。很多人以为推理系统就是大模型，其实不对，大模型只是推理系统的一部分，而且是可替换的一部分。
针对不同的主权要求，我们可以接入不同的基础模型：欧洲主权场景用Mistral等欧洲本土模型，美国用Nemotron和其他主流模型，中国也有对应的本土模型。
如果没有主权要求，也可以接入全球领先的通用大模型。模型只是工具，真正核心的是基于 Industry World Models 的推理逻辑与意图识别体系。
除此之外，还要有行业专属的护栏机制，保证所有推理结果都符合行业规范与企业规则，不会出现违背工业常识的结论。
最后是规模化的问题。现在一台高端AI算力服务器动辄数十万欧元，硬件迭代周期只有十八到二十四个月，企业根本不知道该买一块还是一千块，买少了不够用，买多了很快就过时。
所以我们和 NVIDIA 一起构建了 AI Factory，用几千块 GPU 做算力池，给多个客户做算力共享，同时保证数据无状态隔离，不会有数据泄露与安全风险。
只有这样，工业 AI 才能真正规模化落地，否则光算力成本就能把绝大多数企业挡在门外。

第二个核心系统，是表征系统。光会思考还不够，还要有统一的信息载体，也就是工业的 “地图”。
我举个军事的例子，从总统到士兵，所有人执行任务都靠同一张地图。你很难想象用 Excel 表格去指挥一场军事行动，那根本没法高效协同。
对工业企业来说，这张地图就是虚拟孪生。它可以是3D模型，可以是系统模型，也可以是知识本体，抽象程度可以不一样，但必须是统一的。
产品、工厂、项目、价值链，所有对象都有统一的虚拟孪生表征，作为全企业共享的唯一数据源，所有部门都基于同一个载体工作。
这就是为什么我们一直强调虚拟孪生的价值，它不只是用来展示的 3D 模型，更是整个工业数字化体系的底层坐标系。

第三个核心系统，是理解系统。有了地图，还要能把散在各个系统里的数据，都投射到这张地图上，让数据变得可理解、可使用。
我们借助 NETVIBES 与Proxem的语义理解与非结构化数据挖掘能力，将来自 ERP、PLM、MES 等数十套异构系统的碎片化数据转化为可操作的决策证据，并统一情境化呈现于虚拟孪生（Virtual Twin）之上。
就像之前举的供应链例子，我们调用了数十套系统的数据，但对用户来说完全是透明的，所有信息都已经在孪生体上完成了上下文整合。
用户不需要自己去各个系统里抓取数据，不需要自己做交叉比对，拿到的就是已经整合好的、和当前决策相关的完整信息。

第四个核心系统，是协同系统。有了推理、有了表征、有了数据理解，接下来要解决的是人和人、人和虚拟伙伴之间的协作问题。
我们的协同体系既支持短期的即时沟通，也支持长期的项目协作；既支持结构化的流程审批，也支持非结构化的方案讨论。
最重要的是，所有的协作内容都会被结构化沉淀，变成企业的活知识，反过来持续优化虚拟伙伴的能力，强化整个系统的上下文智能。
它不是孤立的聊天工具，而是和产品、工厂的孪生体深度绑定的协作空间，所有讨论都围绕具体的工业对象展开，信息不会流失。

第五个核心系统，是行动系统。前面所有的能力，最终都要落到执行上，不然就只是纸上谈兵。行动系统的核心，是把决策转化为标准化的流程执行。
我们通过Iterop来编排业务流程，把决策后的行动拆解为标准化的业务步骤，分配给对应的责任人，全程跟踪进度，确保决策真正落地。
很多企业有流程，但流程是死的，遇到突发情况很难快速调整。而智能体驱动的流程，可以根据决策自动实例化，预填充所有数据，直接进入执行。
比如供应链出现异常，系统会自动启动异常处理流程，把对应的数据、方案、责任人都准备好，采购负责人打开系统就能直接开始工作。
讲到这里，大家应该能看出来，工业 AI 的落地不是单点工具，而是一整套完整的体系。推理、表征、理解、协同、行动，五个系统缺一不可。

很多企业做 AI，只做推理系统，也就是接个大模型，结果发现落不了地，就是因为缺了后面四个系统，没有载体、没有数据、没有协同、没有执行。
你可以自己评估一下企业的成熟度：行动系统层面，你是用个人待办、共享表格，还是有标准化业务流程，甚至是 AI 驱动的自动化流程？
表征系统层面，你是什么都没有，还是有分类法、本体论、3D 模型、配置化模型，直到完整的虚拟孪生？
协同系统层面，你是靠茶水间聊天、即时通讯工具，还是有和产品、工厂深度绑定的数字化协同环境？
决定企业 AI 落地成效的，往往取决于最薄弱的那一环。推理、表征、理解、协作与行动这五大系统必须有机整合；缺失任何一块，AI 都难以从单点 Demo 走向规模化生产力。
这五个系统整合起来，最终给每个员工提供一个统一的决策罗盘，让 AI 真正扎根在工业场景里，变成实实在在的生产力。