近日，由懂行联盟·懂行AI创始人樊俊主持的“懂行对话”会议中，特邀嘉宾郑金军教授（兼具江南大学商学院、中关村及中国石化等任职背景，深耕工业一线AI算法落地）围绕“AI在工业领域的本体建模与场景落地”展开了系统性分享。值得一提的是，会议在正式开讲前经历了一段典型的技术调试插曲：双方从手机横屏显示测试（画面可正常横屏但需换机交叉验证），到PPT共享功能卡壳（从找不到共享入口、WPS文件调用困难，到最终切回横屏宣布会议开始），生动折射出线上会议中设备差异与操作熟练度对流程的影响，也反衬出后续干货分享的来之不易。
一、理性降温：AI不是万能解药，而是业务工具
郑金军直击当前行业“重概念轻落地”的虚火，指出智能体落地仍有门槛，企业必须聚焦实用价值。广大制造业中小企业受资金、人才与管理短板制约，普遍存在“AI焦虑”，但盲目跟风极易陷入困境。他明确驳斥“AI万能解药”论调，强调AI实为“锦上添花的工具，而非雪中送炭的救命稻草”——企业必须回归业务本质，选对场景稳步落地，切忌本末倒置。
二、务实路线：小切口、轻量化与数据分层
针对中小企业预算有限、数字化底子薄（甚至依赖手写记录与电子表格）的现状，郑金军拍板AI落地需走“小切口、轻量化”路线：
摒弃传统“数据先行”观念，借助大模型直接完成数据提取与生成，降低对前期治理的依赖；
数据工作必须分层，优先聚焦业务清晰的小场景数据，把有限资源精准砸在能立刻出活的地方。
三、技术演进：从视觉红利到本体认知
传统视觉模型（16-19年爆发）红利已过，基于Transformer的ViT架构通过预训练基座结合微调，有望提升质检等场景的精准度，但核心症结仍在于样本数据质量——“垃圾进垃圾出”的铁律要求现场样本多样性达标。与此同时，工业小模型与大语言模型正走向融合，形成统一基座。
分享的核心议题“本体与认知”由此展开：本体（Ontology）是领域知识的共享概念模型，旨在给工业设备打上“语义标签”，让机器读懂业务属性与场景。借鉴美国Palantir的兴起与IBM体系，郑金军提出面向中小企业的“轻量化本体”方案——用低成本图结构替代复杂系统，构建实体关系图与内部专业词典，并敲定“结构化本体+向量数据库+大模型兜底”的混合检索架构，以确定性知识图谱规避纯大模型幻觉风险。
四、工程兜底：循环工程与FDE桥梁
技术落地不能只靠算法。郑金军提出：
循环工程：通过多次迭代与结果回灌修正错误，设定打分阈值退出审查，用工程手段强行约束大模型的不可控性；
FDE（懂业务的IT全能手）：充当AI落地关键桥梁，全权负责需求调研至本体建模，保障核心数据不出厂，并将老师傅经验转化为企业可复用的显性资产。
数据质量直接决定模型上限，而员工因“被抢饭碗”的抵触情绪提示：AI落地需组织与文化变革，实现企业与AI的“双向奔赴”。
五、制造差异与护城河构建
流程制造：传感器数据简单，在工艺优化与报警上易见效；
离散制造：多品种小批量导致复杂，切入点聚焦视觉检测与排程，但需先做好自动化底座。
企业护城河并非依赖大模型，而是构建专属行业数据资产与业务闭环。发展多个轻量级垂类模型（如基于千问4b微调的阀门模型，仅需8G显卡、精度更优）比单一通用大模型更具性价比。
六、第一性原理与实施策略
郑金军结合某信息官从“all in AI”转向成本讨论的案例，强调应基于第一性原理按需选用工具：反对“为了AI而AI”，若传统程序逻辑能高效解决则无需强行上马。他建议中小企业采取“小场景、小节点、小步快跑”策略，从重复枯燥的“苦活脏活”（底层执行）入手，让AI解放人力去从事创新高维决策，待场景跑通验证价值后再规模复制。
结语：从线上认知到线下体检
会议尾声，郑金军澄清“本体”并非类似全息人的宏大概念，而是构建工厂逻辑关系与动态调度的轻量化图谱。樊俊预告郑教授10天后将在温州厂开展线下专场分享，把“用AI给企业做全身体检”从理论拉向实操。整场一小时交流完成了从技术架构、工程兜底到业务初心的闭环，为工业企业指明了一条拒绝跟风、沉淀资产的务实路径。
