量子位对话西门子Xcelerator中国销售与生态成功负责人顾欣与阿丘科技创始人兼CEO黄耀，讨论工业AI从单点落地到规模化复制，阿丘科技案例中设备OEE与产能提升约25%。
AI解读：这场直播谈的不是某个新算法，而是工业AI怎么从一家工厂的验证项目，变成能反复交付的产品。阿丘科技创始人黄耀给出的案例是晶圆切割：识别不准会直接切坏晶圆，因此AI的收益最终被算到OEE和产能上，他称导入智能体后这两项指标提升约25%。
但工业AI的麻烦恰好在复制环节。黄耀说工业应用太碎片化，同一家企业不同工厂的设备、数据、流程和规范都可能不一样；顾欣也认为工业不是天然标准化的世界。这意味着一个项目跑通只证明方案在特定环境成立，规模化要复制的是整套进厂方法，而不只是模型。
西门子Xcelerator把自己定位成连接器和放大器：连接技术和真实场景，验证后把集成、交付、生态资源接进来。双方举例西门子成都工厂与阿丘科技的PoC共创。对做工业AI的团队来说，真正的门槛可能是找商机、系统集成和最终交付这些非模型环节。
黄耀判断“上半场”是高价值应用先崛起，“下半场”才是百花齐放，当前机会集中在高价值、数据ready、技术可行的交叉点，比如良率、工艺、OEE。半导体、PCB等高端制造中一两个百分点的变化就可能对应可观利润。
量子位对话节目邀请西门子Xcelerator中国销售与生态成功负责人顾欣、阿丘科技创始人兼CEO黄耀，回顾工业AI从落地到规模化的链路。
阿丘科技的半导体晶圆切割案例中，黄耀称先用多模态模型提升识别精度和泛化能力，再把设备工程师的部分操作经验沉淀进智能体，让AI从发现问题延伸到分析、处理问题；导入智能体技术后，设备OEE和产能可提升25%左右。
黄耀说：“识别不准，直接把晶圆切坏了，这个损失就非常大。”他把衡量标准落到OEE上，并称该技术“可以让这个设备的性能更强，干更多的活”。
顾欣强调工业AI最关键的是必须具备工业级可靠性，判断标准不是模型本身多聪明，而是可信、可追溯、可量化。
两人讨论的核心问题是：一个工厂里有效的方法，换一家工厂还能不能继续成立。
碎片化：算法不是最难复制的部分
黄耀直言“工业领域的应用太碎片化了”：工业看起来是巨大市场，拆开后却被不同门类、不同场景、不同工艺切成一块一块。即使在同一家企业，不同工厂的设备、数据、流程和规范也可能不一样。
他把这视为工业AI很难照搬互联网Scaling路径的原因：互联网数据可以集中收集，工业数据往往数量少、不好拿，还涉及工艺和商业机密；模型到另一个现场，又得重新适配新的设备、参数和系统。
顾欣也认同，工业不是一个天然完全标准化的世界，甚至同一家企业的不同工厂之间都可能存在差异。
顾欣补充，AI落地是一项系统工程，不是单一算法或单一模型的问题：算法只是其中一层，下面还有设备、数据、算力，上面还要接工艺、控制系统、业务流程和交付体系。因此一个项目能跑通，只能证明方案在某个具体环境里成立。
西门子Xcelerator想做连接器和放大器
顾欣在节目中表达对西门子Xcelerator的期待：“我们希望能够做好一个连接器，一个放大器。”连接器是把好的技术接到真实客户需求和应用场景里；放大器是在一个方案已被验证后，把集成、交付以及更多生态资源继续接进来。
关键不是平台替企业把所有事情做完，而是把一家企业很难独自完成的部分组织起来。
西门子成都工厂与阿丘科技的合作是例子：该工厂已具备较高数字化基础，但某些高价值检测环节还希望进一步优化，于是平台把场景、需求和阿丘的工业AI视觉能力接到一起，通过PoC（概念验证）共创验证。
顾欣提出，如果验证成立，下一步就不只是一家工厂的问题：谁去找更多相似客户、谁来做系统集成、谁负责最终交付，这些原本容易落在单个企业身上的问题，到规模化阶段就需要更多角色一起承接。
顾欣表示：“0到1，证明在产业里边是可落地的；1到100，才是商业成功。”在他看来，技术公司继续把产品做深，平台负责连接场景、客户、伙伴和交付资源，再通过一次次真实验证，把单点能力放大成可复制的产业能力。
下一批机会：高价值、数据ready、技术可行
黄耀对谁先跑出来的判断是：“上半场，肯定是高价值应用先崛起；下半场，才是百花齐放。”他认为今天追求所谓“超级AI应用”还太早。
当前更现实的机会来自价值足够高、数据已经准备好、技术也已经可行的场景。他把这三个条件总结成交叉点：高价值、数据ready、技术可行。
放到工业里，最典型的一批是围绕良率、工艺、OEE展开的单点高价值应用。半导体、PCB等高端制造行业中，一两个百分点的变化都可能对应非常可观的利润。
顾欣也提到，如果半导体设备的OEE能提升几个点，对客户来说就是“巨大的经济价值”。
黄耀和顾欣描述的是：工业AI不太容易靠一个爆款功能瞬间席卷市场，更可能先从那些“账算得最清楚”的场景里长出来。