背景：一场首次走出北京的产业大会
先把坐标定清楚。2026 人工智能产业大会于 2026 年 10 月 14 日至 16 日在济南新旧动能转换起步区黄河国际会展中心举办，是该大会举办两届后首次走出北京。鉴于山东是工业大省，主办方把主题定为「加快推进人工智能赋能新型工业化」。据光明网报道，300 余家国内外人工智能头部企业与科创主体参会。
大会开幕当天，海若、天智、星际、云鼎、星港、尚智、奇智孔明 7 款垂域大模型集体登台，「垂域智能齐鲁七星」正式亮相。山东大学机械工程学院教授周军给出了一个很好用的判断标准：通用大模型比的是「谁更聪明」，垂域大模型比的是「谁更懂行」。
山东的禀赋在于拥有 41 个工业大类，生产线沉淀下海量真实工况数据。这句话是理解本文三个样本的前提——它们都不是在通用场景里打磨出来的，而是在具体的产线、矿井和设备上长出来的。
样本一 云鼎科技：从看得见到调得动
云鼎科技是山东能源集团旗下企业。它打造的「云鼎矿山大模型」在煤矿场景的落地路径，可以拆成两个层级。
层级一：感知替代
| 场景 | 做法 | 公开读数 |
|---|---|---|
| 井下巡检 | 用 AI 智能巡检替代人工盯守 | 井下画面识别准确率 95%–98%，作业效率提升 3 倍 |
| 钻孔深度核查 | 智能检测替代人工核查 | 检测准确率超 98%，报道称彻底替代人工核查 |
层级二：决策驱动
真正拉开价值差距的是第二层。在兖矿济宁二号煤矿，智能体用预测大模型计算最优分选密度，直接驱动洗选设备，一年多「淘」出 400 多万元。这里的关键是「直接驱动」四个字——它意味着模型的输出不是给人类看的报表，而是进入控制系统的设定值。
据光明网报道，云鼎矿山大模型整合海量通用数据与图像视频资料，覆盖采煤、掘进、机电等，孵化 280 余个应用场景，搭建起「数据—模型—智能体—业务」完整闭环。
| 指标 | 数值 | 说明 |
|---|---|---|
| 孵化应用场景 | 280 余个 | 覆盖采煤、掘进、机电等 |
| 产品体系落地范围 | 全国 15 个省份 | 「云鼎山海·AI 原生产品体系」 |
| 服务客户 | 200 余家大中型企业 | 以矿山大模型为核心组成部分 |
| 累计创收 | 7 亿余元 | 产品体系口径，非单个智能体口径 |
样本二 中国重汽：五类研发智能体与一条物流链
中国重汽去年销售汽车 45.2 万辆。集团数智化部部长谭娟介绍，2024 年中国重汽开启数智化转型，打造了数字研发、智能制造、智慧营销、数字运营四大云平台，全面推进 AI 赋能。
研发侧：五类智能体
| 智能体类型 | 环节 |
|---|---|
| BOM 智能生成 | 物料清单自动生成 |
| 三维数模智能生成 | 三维模型设计 |
| 产品需求智能体 | 需求结构化 |
| 管线路智能设计 | 管路与线路布局 |
| 图纸数模智能识别 | 既有图纸与模型的识别复用 |
对应的量化读数为：产品需求结构化率达 100%、业务协同效率提升 20%、设计准确率提升 50%。
物流侧：三个分析方向
物流方面通过仓储智能管理、长周期件需求预测和库存存货智能分析，实现仓库利用率提升 120%、库存周转率提升 51%、积压库存降低 30%，账实相符率和配送及时率均达 100%。
样本三 浪潮云洲：把模型塞进碎纸机大小的盒子
第三个样本走的是完全不同的路。10 月 14 日，浪潮云洲工业互联网有限公司在大会上发布了一款名为「工智匠心」的软硬一体化端侧智能产品。
这个碎纸机大小的方盒子，加装到机电泵、反应釜、机床等各类工业设备上，相当于给设备配上「智能管家」，实现生产过程的智能控制与优化。同时，浪潮云洲推出的「知业大模型」，已落地泵业、印刷、石化、炭黑、电解铝、光电缆、合成革等多个行业，实现了提质降本增效。
这条路径的价值主张与前两个样本不同：它不要求企业先有一套完整的数据平台，而是把一个具备推理能力的硬件装到设备上，从单台设备开始。代价是每台设备都要改造，规模化依赖装机量。
三样本的共性：平台先行，智能体后置
把三个样本放在一起，最值得记录的一条共性不是技术，而是顺序：它们都不是先上智能体的。
| 样本 | 先行建设 | 智能体的位置 | 自动化层级 |
|---|---|---|---|
| 云鼎科技 | 矿山大模型（整合通用数据与图像视频资料，覆盖采煤、掘进、机电） | 「数据—模型—智能体—业务」闭环的第三环 | 闭环控制：输出直接进入设备设定值 |
| 中国重汽 | 四大云平台（数字研发、智能制造、智慧营销、数字运营），2024 年启动 | 在平台之上按研发与物流两类场景部署 | 生成与协同：辅助设计与优化建议 |
| 浪潮云洲 | 知业大模型（多行业落地） | 以端侧硬件形态交付到单台设备 | 边缘控制：单设备级的智能控制与优化 |
这个顺序对正在规划智能体的团队有直接含义。三个样本里，云鼎先有矿山大模型、重汽先有四大云平台、浪潮先有知业大模型，智能体都是在这之后的产物。反过来做——先买或先搭一个智能体平台，再去找场景——在这三个样本里都找不到支持。
济南高新区齐鲁软件园发展中心副主任傅瑞霞的一句话可以作为注脚：AI 并没有「杀死」工业软件，而是推动了工业软件的智能体化，这是工业软件产业的一次转型升级。据其介绍，位于济南高新区的华天软件、山信软件、云鼎科技、浪潮通软、和利时卡优倍、概伦电子等工业软件企业，都开发了智能体产品。这条路径说的是同一件事：在既有软件资产上长出来的智能体，比从零搭的智能体更容易落地。
三个样本的共同动作可以概括为：先把业务对象数字化（矿山工况、研发图纸、设备运行），再把模型装到这个数字化底座上，最后才让智能体去调度模型与工具。跳过前两步的智能体项目，在本文的三个样本里没有成功先例。
本文推算：两个被藏起来的上界
中国重汽的两个「提升」数字很有意思。报道没有给出基线，但「提升百分比」这个表述形式本身，隐含了基线的上界。本文做一次反推：
| 表述 | 数学含义 | 隐含的基线上界 | 推算过程 |
|---|---|---|---|
| 仓库利用率提升 120% | 原值乘以 2.2 | 原利用率不超过约 45.5% | 利用率上限为 100%，100 除以 2.2 约等于 45.5 |
| 设计准确率提升 50% | 原值乘以 1.5 | 原准确率不超过约 66.7% | 准确率上限为 100%，100 除以 1.5 约等于 66.7 |
这两条推算的价值不在于批评数字，而在于它们还原了本该被披露却没有披露的信息。如果原仓库利用率确实不超过 45.5%，那么「提升 120%」的意思是从一个相当低的起点做到了接近饱和——这是一个很漂亮的改善，但它与「从 70% 提升到 90%」是完全不同的故事，后者的技术难度往往更高。同理，如果原设计准确率不超过 66.7%，那么提升 50% 之后落在 100% 附近，这意味着改善空间已被用尽，后续边际收益会迅速下降。
需要说明的两点限制。其一，以上推算成立的前提是「提升 N%」被理解为相对原值的倍数关系；如果报道本意是「提升了 N 个百分点」或「提升到 N%」，则推算不成立，而中文产业报道中这三种表述经常被混用。其二，仓库利用率与设计准确率的定义方式（按面积、按体积、按时间；按单次、按批次、按项目）均未披露，不同定义下的上限不一定是 100%。因此这两条上界应作为口径提示使用，而不是作为对数据的更正。
本文推算：库存周转率提升 51% 意味着什么
库存周转率与周转天数互为倒数关系，因此「周转率提升 51%」可以换算成一个业务侧更容易感知的数字：
| 指标 | 换算 | 结果 |
|---|---|---|
| 周转率变化 | 原值乘以 1.51 | 提升 51% |
| 周转天数变化 | 原值除以 1.51 | 变为原来的约 66.2% |
| 周转天数降幅 | 1 减去 0.662 | 下降约 33.8% |
这个换算说明了一件事：百分比的「提升」与百分比的「下降」并不对称。周转率提升 51%，对应的周转天数只下降约 33.8%。如果团队在向业务部门汇报时使用前者、在评估资金占用改善时使用后者，两边的感受会不一致——这不是数字错了，而是两个指标的基线不同。建议在立项文档里同时写两个数。
顺带一提，同批数字里的「积压库存降低 30%」与「库存周转率提升 51%」方向一致但量级不同，说明存货结构改善与流速提升是同时发生的两件事，而不是同一件事的两种说法。这与「账实相符率和配送及时率均达 100%」放在一起看，指向的是一套覆盖存货准确性与流动性的整体改善，而非单点优化。
ROI 归因难度：三个样本分属三档
这是本文认为对整个行业最有参考价值的一张表。三个样本都给出了数字，但这些数字能被折成多少钱的能力完全不同。
| 样本 | 自动化层级 | 输出形态 | ROI 归因难度 | 原因 |
|---|---|---|---|---|
| 云鼎科技（济宁二号煤矿） | 闭环控制 | 设定值直接进入洗选设备 | 低 | 单一变量驱动单台设备，产出可计量，一年多「淘」出 400 多万元可以直接归因 |
| 中国重汽（物流侧） | 优化建议 | 仓储、需求预测、存货分析的结果 | 中 | 指标本身即财务指标（周转率、积压库存），但改善中也混入了流程改造等其他因素 |
| 中国重汽（研发侧） | 生成与协同 | 图纸、BOM、需求结构化结果 | 高 | 设计准确率提升 50% 无法直接换算成钱，需要经返工率、试制轮次等环节二次折算 |
把这张表读透，会得到一个对做预算很有用的判据：闭环控制类场景的 ROI 最好算，生成协同类场景的 ROI 最难算。因此如果组织需要用一个项目证明智能体的价值，应当从闭环控制类场景切进去，而不是从辅助设计类场景切进去——后者的收益是真实的，但需要多一层折算，而这一层折算在不少企业里会被质疑。
反过来也要提醒：不能因为研发侧 ROI 难算就认为它没有价值。设计准确率提升 50% 如果落在量产车型上，其下游影响可能远大于 400 万元的分选优化。难算不等于小。
本文推算：7 亿元与 400 万元为什么不能相乘
云鼎科技的两组数字放在一起，很容易诱导出一个错误的乘法。本文把它明写出来，是为了说明为什么不能这么做。
| 推算项 | 算法 | 结果 | 为什么不可用 |
|---|---|---|---|
| 单客户平均创收 | 7 亿余元 除以 200 余家 | 约 350 万元每家 | 客户规模差异未知，平均值不代表典型客户 |
| 单省平均客户数 | 200 余家 除以 15 个省份 | 约 13 家每省 | 分布极可能不均，报道未披露 |
| 看似自洽的乘法 | 400 万元 乘以 200 家 | 约 8 亿元 | 见下方说明 |
第三个乘法的问题在于口径错配：400 多万元是单个煤矿、单个场景、一年多时间的收益；7 亿余元是整个产品体系、多年累计的创收。把前者乘以客户数去对照后者，等于假设每个客户都只贡献了一个场景一年的收益——这个假设没有任何依据，而它得出的 8 亿元与实际的 7 亿余元在量级上接近，纯属巧合。
这个「巧合」本身就是一条重要提醒：当两个错误口径的数字恰好落在同一量级时，人很容易误以为互相印证。在做 ROI 论证时，务必把每一个数字的统计范围、时间跨度和计量单位写在数字旁边。
区域底座：算力、备案与中试平台
三个样本不是孤立出现的，它们背后有一层区域性的公共底座。这些数字来自大会期间的公开报道与统计口径，本文按类别列出：
| 类别 | 读数 | 时点 |
|---|---|---|
| 人工智能企业 | 599 家，其中规上企业 312 家，上半年产业规模 448 亿元 | 2026 年上半年 |
| 备案模型 | 128 个，较 2025 年底增加 32 个；含 29 个国家生成式人工智能服务备案产品、107 个深度合成服务算法备案产品，其中 8 个双备案 | 截至报道时 |
| 算力中心 | 42 个，总算力 11018.5P，较 2025 年底新增 5653.5P；其中通算 1017.9P、智算 9926.6P、超算 74P | 截至 2026 年 9 月 30 日 |
| 智算规模预期 | 2026 年底预计突破 10000P | 2026 年预期 |
| 工业软件 | 2024 年济南工业软件收入 350 亿元，占全国比重 11.9% | 2024 年 |
| 国家级平台 | 国家人工智能应用中试基地（工业软件）2026 年 4 月获批在济南建设，为国内专注制造业工业软件方向的国家级中试平台 | 2026 年 4 月 |
| 场景与方案沉淀 | 累计形成 50 个典型应用案例、40 套优质解决方案，建成含 112 个解决方案的能力库，梳理形成 143 项场景需求 | 截至报道时 |
把「143 项场景需求」与「112 个解决方案」并排看，会得到一个朴素但常被忽略的观察：需求侧条目多于供给侧条目。这提示落地瓶颈可能不在方案数量，而在方案与需求的匹配效率上。当然，两者统计口径未必一致，本文只作为观察列出，不作为结论。
六步落地清单
综合三个样本的做法与本文的四处推算，给出一份可执行的顺序：
- 先盘点业务对象的数字化程度。矿井有没有画面数据、图纸有没有电子化、设备有没有传感器。三个样本里，云鼎有海量图像视频资料，重汽有四大云平台，浪潮有设备侧加装能力——都有数字化底座。这一步没做的，先做这一步。
- 选场景时优先考虑闭环控制类。输出能直接进设备设定值的场景，ROI 归因最容易。济宁二号煤矿「直接驱动洗选设备」一年多 400 多万元，就是这类场景的样板。辅助设计类场景可以做，但不要拿它当首个证明价值的项目。
- 立项时把基线写进文档。本文反推出的两个上界（原利用率不超过约 45.5%、原准确率不超过约 66.7%）之所以要推算，是因为基线没披露。团队内部立项时应主动记录基线值、定义方式与统计口径。
- 同时报「提升」与「下降」两个数。周转率提升 51% 对应周转天数下降约 33.8%。技术侧与业务侧对这两个数的感受不同，两边都写能避免汇报时的错位。
- 给每个数字标注统计范围。是单场景还是全体系、是一年还是多年累计。7 亿元与 400 万元的口径错配，是本文给出的反面教材。
- 把既有软件资产算作起点。济南工业软件企业的做法是「智能体化」而不是替换。既有系统里沉淀的业务规则与数据，是智能体的约束条件而不是障碍。
三条红线
- 安全场景不能按「替代」来设计，只能按「辅助」来验收。云鼎的井下画面识别准确率是 95%–98%，意味着每 100 次仍有 2 到 5 次误判。报道的用词是「替代人工盯守」，但从准确率看，这个「替代」的边界必须在具体场景下重新定义——哪些工况下可以减人、哪些工况下必须保留人工复核，应写在验收标准里，而不是留在口号里。
- 没有数字化底座的设备，不要直接上端侧盒子。浪潮云洲的端侧方案看起来门槛低，但它的前提是设备本身有可供感知的运行数据。对「哑设备」，先做传感器加装与编码解析，这一步在《2026 中国 AI 智能体产业应用标杆案例蓝皮书》的落地顺序里被排在第二位，与本文观察一致。
- 不要用同类企业的百分比来论证自己的 ROI。三个样本的每一个百分比都绑定着各自的基线、口径与场景。本文已经展示了同一批数字在「相对提升」与「绝对提升」两种理解下会差出完全不同的结论。跨企业引用百分比，等于同时引入了两组未披露的假设。
冷静判断
这些数字的性质需要说清楚。本文引用的全部量化读数，来自大会期间的公开报道与企业负责人的口述，不属于经审计的财务披露，也未见独立的第三方核实。它们的用途是展示「什么样的路径能做出什么样的量级」，而不是提供可抄写的 ROI 模板。
披露方是受益方。三个样本的数字都由实施方或所在地的官方媒体渠道发布，案例选择天然偏向成功。这不构成否定理由——这些项目确实在运行，7 亿余元累计创收与 200 余家客户是可核对的规模指标——但构成读法上的提醒：把它们当作路径可行性的证据，而不是收益水平的保证。
真正可迁移的不是数字，是顺序。本文最有把握的一条结论，是三个样本共同的「平台先行、智能体后置」。这条不依赖任何百分比，也不受口径影响，而且它与本栏目此前梳理的其他落地案例一致。如果只能从这篇文章里带走一件事，建议带走这一条。
归因难度的分层，可能比收益数字更有用。闭环控制类场景 ROI 易算、生成协同类场景 ROI 难算，这个分层决定了项目组合的排布方式：用易算的证明价值、用难算的积累能力。三个样本恰好各占一层，这比任何一个单独的百分比都更接近方法论。
关于三个样本的后续进展，包括「云鼎山海·AI 原生产品体系」的客户结构、中国重汽五类智能体的实际采纳率、以及「工智匠心」的装机规模，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。