空间智能行业市场前景及投资研究报告：物理AI重构工业智能底座

证

券

研

究

报

告物理AI崛起：重构工业智能底座——空间智能系列之四2026.6.25核心结论◼

物理AI推动工业AI进入生产闭环，工业智能的价值锚正在重估。◼AI输出升级为参数、路径、动作和调度策略，价值衡量也从人效提升转向良率、能耗、节拍、停机时间等。◼

工业是物理AI最值得重视的落地场景，原因在于“可验证、可量化、可付费”。◼制造业天然具备设备、产线、工艺、质量和机器人等物理对象，同时拥有连续数据流、仿真验证机制和清晰ROI，具备从AI试点走向规模商业化的基础。◼

NVIDIA范式揭示了物理AI的本质：算力、仿真、世界模型和执行系统的协同工程◼Omniverse、Cosmos、Isaac和Thor/Jetson

Thor共同指向一个产业趋势：未来AI进入真实工厂前，必须先在数字孪生和仿真环境中完成验证，再通过边缘算力和OT系统进入受控执行。◼

工业软件的入口价值将被重新定价，长期方向是工业操作系统。◼CAD、CAE、PLM、MES、SCADA等系统掌握设计、仿真、生产、质量和设备数据，未来将成为AI调用工业流程、理解业务上下文、连接执行层的关键接口。◼

工业AI的壁垒不在模型发布，而在工业体系沉淀。◼真正难复制的是System

of

Record、数据上下文、仿真验证、OT执行和安全信任；模型会迭代，工业入口、流程数据和执行反馈闭环才是长期护城河。◼

风险提示：物理AI技术成熟度不及预期、工业场景落地进度不及预期、制造业资本开支波动、工业数据治理难度较高风险、OT执行层安全与责任边界风险。

证券研究报告2目录1.

物理AI：工业智能的范式切换2.

技术底座：数字孪生、世界模型与仿真优先3.

系统重构：从工业软件到工业操作系统4.

工业AI的壁垒如何体现？5.

重点公司及风险提示31.1

物理AI推动工业AI进入生产闭环◼

空间智能（感知基座）—世界模型（认知决策中枢）—物理AI（系统整合载体）••空间智能：关注AI如何像人类一样理解空间结构、物体之间的几何关系及环境中的动态变化。世界模型：动态重建。本质上是为AI系统提供一个内部的物理世界模拟器，使其能够预测行动的结果，而无需在现实世界中通过试错来学习。•物理AI：目标是构建能够理解、推理并直接作用于物理世界的智能系统。◼

物理AI逐步成熟，工业AI的价值锚从信息处理效率提升，转向设备、产线、工艺、质量与机器人等物理环节的闭环优化。物理AI本质是一个系统工程物理AI在工业端的落地阶段主要形态核心价值数据分析传统工业AI信息处理效率工程流程效率知识问答调用软件编排流程工业Agent物理AI仿真验证执行反馈重构工业闭环

证券研究报告

资料：申万宏源研究41.2

物理AI的关键分水岭：工业约束下的可执行决策◼

工业侧的核心变化：AI输出从“可读”升级为“可验证、可执行、可反馈”•传统AI主要解决信息生成与模式识别，输出形态以文本、图像、代码和建议为主，验证方式以人工审核为主•物理AI面向设备、产线、工艺、机器人等工业对象，输出可能转化为参数、动作、路径或调度策略，因此必须满足物理可行、安全可控、实时稳定和全流程追溯。物理可行性是AI在工业落地的核心对比维度传统AI物理AI价值对象文本、图像、代码、知识设备、产线、工艺、机器人输出形态核心约束验证方式商业价值内容、建议、解释语义准确、逻辑合理人工审核参数、动作、路径、调度策略物理可行、安全可控、实时稳定仿真验证、工业规则、现场反馈良率、能耗、节拍、停机时间信息处理效率AI输出仿真验证工业执行结果反馈参数

/动作建议物理可行

/安全校验设备

/产线

/机器人良率

/能耗

/节拍

证券研究报告

资料：申万宏源研究51.3

工业是物理AI主战场：四要素驱动落地闭环◼

物理AI在工业侧的核心机会，是让数字系统从“记录工厂”走向“优化工厂”。◼

制造业天然具备物理AI落地所需的物理对象、连续数据流、验证机制和ROI闭环。•工业系统由设备、产线、工艺、物料、质量和人员共同构成，具备连续数据流和明确物理约束，是物理AI最容易形成商业闭环的场景。•相比泛软件场景，工业侧更看重稳定性、可验证性和可追溯性，AI价值也更容易用良率、能耗、停机时间和工程周期衡量。工业场景具备物理AI落地的条件物理对象连续数据流设备

/产线

/机器人

/仓储物时序

/质量

/工艺

/运维数据流明确执行对象训练与反馈基础工业侧可验证、可量化、可闭环ROI闭环验证机制CAE/

数字孪生

/试生产

/质良率

/能耗

/节拍

/停机时间检支撑商业化付费降低执行风险

证券研究报告

资料：申万宏源研究61.4

工业AI三层演进：执行深度决定价值空间◼

工业AI壁垒随执行深度提升，价值重心向流程优化和自主执行系统迁移。••工业AI早期以知识助手切入，部署快、场景清晰，但长期容易被平台型软件和通用模型内嵌。流程优化器进入质检、排产、能耗、运维等高频生产场景，结果可量化，是当前工业AI商业化最清晰的阶段。•自主执行系统要求AI接入工业软件、仿真验证和OT执行层，技术门槛最高，也对应物理AI最大的长期价值空间。三层能力对应不同商业化阶段工业AI三层能力递进自主执行系统部署难度提升自主执行：物理AI长期空间321设计生成

/仿真验证

/设备调度

/产线控需要接入工业软件、仿真验证和OT执行层，门槛最高，也最接近系统重构。制重构工业闭环客户价值提升流程优化器流程优化：当前商业化最清晰质检、排产、能耗、运维等高频生产环节，结果可量化，ROI验证更直接。质检

/排产

/能耗

/预测维护

/工艺参数推荐ROI验证最清晰壁垒强度提升知识助手知识助手：部署快但壁垒有限文档、维修、工艺知识等场景清晰，长期易被平台型软件和通用模型内嵌。文档问答

/故障解释

/代码辅助

/工艺知识检索提升工程师信息处理效率

证券研究报告

资料：申万宏源研究71.5

从Copilot到Autopilot：执行深度打开工业AI价值空间◼

Copilot对应功能溢价，Agent对应系统入口，Autopilot对应工业闭环。•工业AI早期以Copilot形态切入，主要解决知识检索、代码生成、报表分析和维修建议等任务，对应软件功能增量。•

Agent阶段开始调用CAD、CAE、PLM、MES等工业系统，价值从单点人效提升扩展到跨流程编排。•

Autopilot阶段要求AI在数字孪生中完成验证，并通过OT和自动化系统进入受控执行。执行闭环是工业AI价值升级的核心CopilotAgentAutopilot123辅助工程师调用工业软件受控执行闭环文档问答

/

代码生成故障解释

/

报表分析CAD

/CAE

/

PLMMES任务编排仿真验证

/OT执行结果反馈

/工业闭环价值：提升人效价值：提升流程效率价值：重构工业流程执行深度提升流程编排软件功能增量工业闭环

证券研究报告

资料：申万宏源研究8目录1.

物理AI：工业智能的范式切换2.

技术底座：数字孪生、世界模型与仿真优先3.

系统重构：从工业软件到工业操作系统4.

工业AI的壁垒如何体现？5.

重点公司及风险提示92.1

NVIDIA范式：物理AI是系统工程◼

英伟达已经把物理AI搭成平台体系，工业侧机会集中在仿真、数据、算力与执行系统的协同升级。•

Omniverse承接数字孪生和物理仿真，Cosmos补齐世界模型与合成数据，Isaac服务机器人训练与部署，Thor/Jetson

Thor提供边缘侧算力。•工业物理AI需要同时解决虚拟环境构建、物理数据生成、模型训练、边缘推理和执行系统连接，单一大模型难以独立完成工业闭环。NVIDIA物理AI生态：从仿真底座到工业执行闭环英伟达通过Omniverse实现虚实结合工业应用层

虚拟工厂

/产线仿真

/机器人训练

/设备优化真实执行模型与数据层

Cosmos/

世界模型

/合成数据

/VLA仿真与数字孪生层Omniverse

/PhysX/IsaacSim算力层GPU/Thor

/JetsonThor

/

边缘计算虚拟训练

证券研究报告

资料：英伟达官网，申万宏源研究102.2

Omniverse：数字孪生从可视化走向仿真验证◼

英伟达2019年即提出Omniverse，作为继CUDA之后的又一个“软核心”•作为3D的实时协作平台，通过对主流3D软件的接口整合，以及RTX在图像领域的超强能力，为用户提供简单高效的3D协作环境。◼

Omniverse进入工业领域实践，主要是仿真能力重要提升。•NVIDIA

PhysX

(物理引擎)是动力学计算内核：执行底层的物理定律数学计算，模拟刚体、柔体、流体、关节等。定律求解：是真正的“物理大脑”，负责计算重力、碰撞、摩擦、形变等。高保真模拟：经过多年游戏和工业应用验证，能确保模拟结果高度符合真实世界。Omniverse平台集成多类型软件Omniverse在汽车设计方向的应用

证券研究报告

资料：英伟达官网，申万宏源研究112.2

Omniverse：数字孪生从可视化走向仿真验证◼

数字孪生的产业定位正在从展示和监控，转向AI决策的前置验证平台。•

Omniverse的价值在于把工厂、产线、设备、物流和机器人转化为可计算、可交互、可验证的虚拟环境。•未来AI生成的产线改造、机器人路径、物流路线和工艺参数，需要先在数字孪生环境中测试，再进入真实生产系统。展示监控产线仿真AI决策验证真实工厂执行生产反馈设备状态

/产线运行布局

/节拍

/参数

/路径

/OT

/机器人

/良率

/能耗

/物流调度产线停机Siemens+Omniverse为富士康提供数字孪生产线BMW基于Omniverse打通多软件应用

证券研究报告

资料：英伟达官网，申万宏源研究122.3

世界模型：工业AI从状态识别走向结果推演◼

世界模型提升的是工业AI的前瞻决策能力：从“识别发生了什么”，升级为“推演调整后会发生什么”。•••传统工业AI更多基于历史数据做异常识别、质量归因和故障预测，核心是解释过去和识别当前状态。世界模型引入后，AI可以在不同工况、动作和参数假设下推演结果，用于评估工艺调整、机器人路径、排产策略和设备状态变化。工业企业真正关心的是：参数调整后良率如何变化、路径调整后节拍如何变化、设备状态变化后停机风险如何变化。世界模型提供实时问题解答和警示物理AI生成更多复杂环境实现预测

证券研究报告

资料：英伟达官网，申万宏源研究132.3

Cosmos：英伟达的世界基础模型◼

Cosmos被定义为“世界基础模型”•2025年1月，正式推出物理AI大模型Cosmos，并宣布将其以开源的形式发布。◼

Cosmos通过生成物理学数据实现端侧模型训练。•核心功能在于使开发者能够根据文本、图像和视频等输入组合以及机器人传感器或运动数据生成基于物理学的视频，实现对现实环境（如仓库、工厂、交通路况等）的预测，从而完成对机器人和自动驾驶汽车的训练。◼

Cosmos

Reason是可定制70亿参数的推理视觉语言模型（VLM）。◼

Cosmos

Transfer-2模型则专注于合成数据生成。Cosmos形成多种版本

证券研究报告

资料：英伟达官网，申万宏源研究142.4

仿真优先：AI决策进入执行层前的验证路径◼

AI越接近设备、产线和机器人，仿真验证的战略价值越高。•工业场景不允许模型输出直接作用于核心设备。设计方案、工艺参数、机器人动作和产线调度，需要经过物理约束、工艺规则、安全边界和经济性验证。••物理AI推动仿真系统从后置工程工具，升级为前置决策基础设施。仿真验证决定AI能否从“给建议”进入“受控执行”。英伟达和Ansys合作加速仿真效果NVIDIA发布面向物理

AI的开源智能体工具和技能集合

证券研究报告

资料：英伟达官网，申万宏源研究152.5

合成数据：

“真实

+仿真

+生成”◼

工业AI的数据瓶颈，将通过真实数据、仿真数据、合成数据三类供给共同缓解。••工业数据采集成本高、长尾场景稀缺、标注难度大，真实试错也会带来安全和停线风险。物理AI引入后，CAE、多物理场仿真、数字孪生和世界模型成为新的数据供给方式，补足真实工业数据不足的问题。•数据供给方式变化，是物理AI进入工业场景的重要基础。生成不同环境下的行车环境模型训练真实采集数据传感器

/设备

/质量

/运维提升样本丰富度与泛化能力工业AI训练与验证数据长尾覆盖仿真数据补足极端场景与稀缺样本CAE/

多物理场/数字孪生统一沉淀多源数据支撑训练、验证与部署部署验证降低现场试错成本与风险合成数据世界模型

/场景生成

/扰动样本

证券研究报告

资料：英伟达官网，申万宏源研究162.6

Sim-to-Real：虚实迁移能力决定工业落地质量◼

物理AI能否从Demo进入真实工厂，关键在于仿真模型、现场数据和边缘部署的持续校准能力。•真实工厂存在设备老化、传感器噪声、材料波动、环境扰动和操作差异，虚拟环境中的模型效果进入现场后可能出现衰减。•

Sim-to-Real的核心不是一次性迁移，而是通过域随机化、真实数据校准、小范围上线和生产反馈，持续缩小虚实差距。•现场部署后的反馈校准能力，决定物理AI能否从仿真演示走向规模化应用。域随机化真实数据校准小范围上线生产反馈迭代加入噪声与扰动用现场数据修正模型限定场景试运行持续回流优化模型仿真环境

/

训练样本现场部署

/

生产运行

证券研究报告

资料：申万宏源研究17目录1.

物理AI：工业智能的范式切换2.

技术底座：数字孪生、世界模型与仿真优先3.

系统重构：从工业软件到工业操作系统4.

工业AI的壁垒如何体现？5.

重点公司及风险提示183.1

工业软件演进：从工具系统到推理执行系统◼

工业软件的角色正在从记录、管理和协同，升级为AI调用工业流程的接口层。•

CAD、CAE、PLM、MES、SCADA等系统过去主要承担设计、仿真、生产、设备和质量管理功能，是工业数字化的核心载体。AI加入后，系统中的数据、流程、权限和接口将被模型调用，工业软件从“人操作的软件”升级为“AI编排工业任务的基础设施”。工业发展知识创新、形成工业软件生态工业APP

/工业AI知识创新与执行闭环52020年2010年开始复杂工业系统解构和重构工业设计系统优化云化平台化工业互联网与SaaSAgentTwin闭环系统解决方案优化43C：软件云化、平台化，APP持续发展设计、制造与管理协同云端平台生态PLMMESSCADA工业软件复杂系统方案自主研发与定制化解决方案2000年2从单点工具到解决方案集成定制流程工具数字化11980年3D应用CAD/CAE

/CAM/NC绘图仿真

加工机、电、电子、光、热、软等知识数字化1946年计算机第二次工业革命第一次工业革命IT进程技术平台演进通用计算机软件起步大型计算机软件固化C/S+B/S云计算云平台+工业互联网各终端+工业APP生态UNIX+PCWintel+移动有线/无线网络

证券研究报告

资料：《工业APP白皮书（2020）》，申万宏源研究193.1

工业软件变革（1）：产品研发数字化◼

CAD从二维走向三维，将设计意图转化为可计算、可仿真的数字模型•

这一变化标志着CAD从“电子绘图板”升级为“设计意图的数字化表达”。工程师的几何结构、尺寸约束和设计逻辑首次被系统化编码，为后续仿真、制造和AI推理奠定基础。◼

PLM——从“单点效率”到“系统协同”的跨越•

这一阶段让产品数据成为企业核心资产，几何、材料、供应商、变更历史和合规要求首次被集中管理，形成贯穿全生命周期的数字线程。研发设计到制造交付的全流程（CAD-CAE-CAPP-CAM）1.

CAD计算机辅助设计2.

CAE计算机辅助工程3.

CAPP计算机辅助工艺规划4.

CAM计算机辅助制造5.

制造执行6.

运营与服务生产制造运维与售后怎么设计设计是否可行如何制定工艺路线如何加工制造生产制造生产制造•三维建模•结构强度分析•热分析•工艺路线规划•工序分解与排序•设备/工装选择•工艺参数设定•工时与成本估算•加工路径生成•刀具选择•切削参数设定•NC代码生成•仿真与验证•数控加工•设备运维•故障诊断•备件管理•售后服务•二维图纸•装配设计•参数化设计•装配生产•流体分析•质量检测•生产执行与追溯•多物理场仿真•性能验证与优化PLM（产品生命周期管理）——

数据在组织中的流动、管理与复用从单机到企业级系统｜从文件管理到BOM、变更、版本、权限、协同、合规管理｜扩展到采购、制造、质量和售后几何与设计数据•三维模型•二维图纸•装配结构仿真与验证数据•仿真模型•分析结果•性能报告工艺与制造数据•工艺路线•工序信息•工艺参数加工与设备数据供应链与物料数据•物料清单(BOM)•供应商信息•采购信息变更与合规数据•变更记录•版本历史•合规要求运维与服务数据•设备状态•维护记录•售后工单贯穿全生命周期的数字线程•刀具路径•NC代码•设备参数

证券研究报告资料：Catia软件，申万宏源研究203.1

工业软件变革（2）：工业互联网——连接工厂与设备◼

控制层与执行层数字化，让生产世界变成可分析的数据流•代表公司包括Siemens、Rockwell、Schneider、ABB等。它们在OT层积累了深厚的设备接入、协议理解、现场工程和实时控制能力，是工业AI走向执行闭环的重要基础。◼

OT层数字化是工业AI从“建议”走向“执行”的前提•掌握OT入口的企业在AI时代拥有不可替代的战略位置。新进入者可训练模型，但难以快速建立对数万种设备的可靠连接与控制能力，这构成执行层的深厚护城河。工业边缘架构打通现场资产、控制层与IT系统工业互联网落地案例架构

证券研究报告

资料：Siemens官网，申万宏源研究213.1

工业软件变革（3）：云化、SaaS化和平台化◼

云端迁移的本质，是数据对象化、协同实时化、商业模式订阅化••云化使协同方式从文件传输转向实时多人协作，商业模式也从永久授权转向持续订阅。这不仅是部署方式变化，更是软件企业商业模式和数据资产形态的重构。◼

云化为AI提供跨项目、跨流程学习的数据基础•本地部署下，工业数据分散孤立，AI难以获得统一样本和上下文。云化后，平台可在合规前提下整合数据，形成统一数据模型、权限体系和API体系。因此，云化是工业AI落地的重要前置阶段，为AI

Agent跨系统编排设计、生产和服务流程奠定基础。AutodeskFormaBoard：AI辅助建筑方案可视化云—边—端协同架构

证券研究报告

资料：Autodesk软件，Siemens官网，申万宏源研究223.1

工业软件变革（4）

：推理执行型系统◼

工业AI将工业数字资产从“被动记录”升级为“主动推理”•CAD、CAE、PLM、MES等系统沉淀了大量设计、仿真、工艺和设备数据，过去主要用于人工查询和分析。工业AI可调用这些数据，实现自然语言理解、模型推理和任务执行。•工程师只需描述需求，AI即可联动CAD生成方案、调用仿真验证、结合PLM/MES分析影响，形成“需求—设计—验证—生产反馈”的闭环。◼

工业AI不是“加聊天界面”，而是工业软件架构的重构••••交互层从“菜单+鼠标”变为“自然语言+Agent编排”。数据层从“文件+数据库”变为“知识图谱+向量库+上下文”。执行层从“人操作软件”变为“Agent调用API+人工审核”。本质上，工业AI推动工业软件从“工具软件”升级为“工业操作系统”。智能工厂演进路径：从精益运营到AI赋能闭环制造架构：Observe—Infer—Decide—Act

证券研究报告

资料：kalypso官网，BCG分析，申万宏源研究233.2

工业操作系统：物理AI的长期架构◼

工业AI长期形态将围绕模型、软件、数据、仿真、执行形成统一架构，工业软件从功能工具升级为工业操作入口。•工业操作系统不是单一软件品类，而是一种架构升级：上层由AI

Agent和工业模型负责推理与任务编排，中层由CAD、CAE、PLM、MES、SCADA等工业软件承接流程和数据，底层由PLC、DCS、机器人、伺服和传感器完成执行。•越靠近核心流程、权威数据和执行接口，越具备长期价值分配能力。工业AI的壁垒会沉淀在系统入口、数据上下文、仿真验证和执行反馈中。工业操作系统：AI编排工业系统的三层架构AI编排层AIAgent

/工业模型

/企业知识库角色变化推理与任务编排人操作软件工业软件层CAD

/

CAE

/PLM

/

MES/SCADA

/QMS

/EAMAI调用软件流程承接与数据沉淀软件连接设备执行与数据层PLC

/

DCS/

机器人

/伺服

/传感器

/

边缘计算系统获得反馈执行落地与现场反馈

证券研究报告

资料：申万宏源研究243.3

数据是基础，OT决定能力边界◼

工业数据价值取决于是否具备设备、工艺、质量、资产与反馈结果的上下文关联•工业AI需要的是结构化、语义化、可追溯的数据资产。数据上下文越完整，AI越有机会从异常识别进入工艺优化、质量归因和可执行建议。工业数据壁垒

是“上下文密度优势”。◼

工业AI从建议系统进入执行系统，关键在于OT连接、权限边界与可追溯机制。•

PLC、DCS、SCADA、机器人控制器、伺服与运动控制系统，是AI输出转化为工业动作的关键接口；越靠近执行层，实时性、稳定性和责任边界越重要。工业数据上下文是AI基础AI/

Agent工业软件OT执行层物理系统策略生成参数建议调度方案MES/

SCADA工业边缘PLC

/

DCS机器人控制器伺服运动设备

/

产线机器人质量结果可执行数据资工艺优化

/

质量归因产/

预测任务编排维护上下文密度提升质量与资产反馈良率

/

缺陷

/

维修

/

停机工艺与物料条件生产结果回流：质量

/

能耗

/

节拍

/

停机参数

/

材料

/

批次

/

环境设备与工序标签进入核心流程需要四类安全机制设备编号

/

工位

/

工序

/

产线AI决策质量提升仿真验证权限审批安全边界过程追溯裸时序数据先在虚拟环境验证方案限定参数范围和动作空间建议、审批、执行、结果全记录关键操作分级授权温度

/

压力

/

振动

/

电流

证券研究报告

资料：申万宏源研究253.4

工业AI规模商业化已具备基础◼

模型能力成熟：从文本生成走向工具调用和Agent编排•大模型能力从问答和内容生成，扩展到代码生成、函数调用、多模态理解和工作流编排，使AI有机会调用CAD、仿真、PLM、MES等系统，而不是只停留在“解释文档”。◼

数据底座成熟：工业互联网、云化和边缘计算补齐落地基础•过去十年工厂连接、设备数据采集、时序数据库、工业边缘和云端平台逐步成熟，工业数据开始具备被治理、被上下文化和被AI调用的基础。◼

客户需求成熟：降本增效、工程师短缺和质量提升形成共同驱动•制造企业面临工程师短缺、调试周期长、良率压力、能耗约束和柔性制造需求。AI若能直接减少停机、提升良率和缩短开发周期，客户付费意愿明显高于泛化办公场景。知识问答agent与自动化agent

证券研究报告资料：

weforum（世界经济论坛）

，申万宏源研究263.4

工业AI商业化：迈向价值分成◼

AI功能首先表现为软件模块增量和高阶订阅•工业软件厂商可将Copilot、生成式设计、仿真加速、工艺优化等功能打包为高阶模块，提高单座席价值和订阅ARPU。◼

中期有望从卖座席走向卖流程自动化•当AI开始参与BOM变更、工艺推荐、排产优化和质量追溯，客户购买的不再是某个功能，而是更短的工程周期、更低的停机风险和更高的生产效率。◼

长期可能出现结果付费和平台生态分成•若AI真正进入生产闭环，计费方式可能按节省停机时间、提高良率、降低能耗、仿真次数或任务执行量收费，但前提是厂商能够稳定证明ROI并承担工业级责任。Fusion扩展模块：高阶功能订阅化AutodeskFlex：Token按需使用模式

证券研究报告资料：Autodesk官网，申万宏源研究27目录1.

物理AI：工业智能的范式切换2.

技术底座：数字孪生、世界模型与仿真优先3.

系统重构：从工业软件到工业操作系统4.

工业AI的壁垒如何体现？5.

重点公司及风险提示284.1

在“模型吞噬应用”的悲观叙事下，工业AI的真壁垒◼

通用AI正在吞噬低壁垒应用•容易被吞噬的应用具备共同特征：仅是大模型API薄封装，没有私有数据，没有深度嵌入客户工作流，不与核心系统集成，输出仅为文本、图片或报表，客户迁移成本低。工业领域很多“AI助手”、“设备文档Copilot”如果不能进入核心工作流，也面临被基础模型或平台型工业软件吞噬的风险。•单纯功能插件没有长期护城河。工业AI公司必须回答“为什么我的应用不会被通用模型或平台内嵌功能取代”这一问题，否则长期价值有限。◼

工业AI真壁垒不在模型，而在模型周围的一整套工业体系•真正构成壁垒的是四个核心要素：1.

工业数据的上下文：数据来自哪台设备、对应什么工艺段、当时的工况参数、与质量结果和维修结果的因果链条。2.

系统of

record：谁掌握客户的设计真相、生产真相、质量真相、资产真相。3.

仿真验证能力：AI生成的结果是否物理可行、安全可行、经济可行。4.

从建议到执行的闭环能力；安全、合规、责任和客户信任：工业级可靠性责任是纯AI公司难以短期建立的信用资产。•这五个要素不是单一技术突破可以替代的，它们共同构成“模型可替换、体系不可复制”的综合壁垒。模型本身不构成工业AI护城河，工业体系才构成护城河。

证券研究报告294.2

工业AI壁垒一：工业数据的上下文，而非数据本身◼

工业AI根本障碍不是“数据不够多”，而是数据缺乏上下文•工业AI不能只接入设备数据流，还需要理解数据来自哪台设备、对应哪道工序、处于什么工况、与质量和维修结果有什么关系。•Siemens

Insights

Hub

的核心价值在于连接机器、产线和工厂运行数据，并将其转化为可分析、可应用的信息；工业AI瓶颈不在裸数据，而在数据是否能被模型理解、解释和验证。◼

真正的数据壁垒由工业语义、流程上下文和历史反馈构成•“数据壁垒”的准确表达不是裸数据量，而是“数据+工业语义+流程上下文+历史反馈+验证体系”的复合壁垒。没有上下文的裸数据对大模型几乎没有工业价值，这也是单纯数据积累不构成护城河的原因。在TDengine,任何一个属性都可以配置描述、计量单位、数据类型、限值等来为AI提供上下文

证券研究报告

资料：TDengine数据库官网，申万宏源研究304.3

工业AI壁垒二：系统of

record——掌握真相的系统入口◼

工业企业的系统of

record是关于物理世界真相的权威数据源◼

系统of

record迁移成本极高，是工业软件企业最深结构性壁垒•AI模型可以被替换，从OpenAI换到Anthropic再到开源模型，技术切换门槛会随时间降低。但系统of

record一旦嵌入客户核心流程，替换成本包括数据迁移、工作流重建、员工培训、合规重新认证、多系统接口重开发，远高于模型切换成本。•因此，掌握系统of

record的工业软件企业如Siemens、Dassault、Autodesk、PTC、SAP、Rockwell等，在AI时代拥有天然结构性优势。模型不构成壁垒，系统入口和其中积累的上下文数据才构成壁垒。未来的工业软件架构数据护城河的新逻辑

证券研究报告

资料：深思

SenseAI，申万宏源研究314.4

工业AI壁垒三：仿真、物理规律和验证能力◼

工业AI不同于通用AI的本质，在于“答案必须物理可行”•仿真验证不是可选项，而是工业AI进入真实工业流程的必备前提。◼

CAE、仿真和数字孪生的战略价值将因AI而上升•当AI开始参与设计决策和生产执行时，仿真环节将从“工程师分析工具”升级为“AI决策验证器”。NVIDIA

Isaac

Sim：机器人在物理仿真中训练与验证DELMIAVirtualTwin：制造流程虚拟仿真验证

证券研究报告

资料：英伟达官网，申万宏源研究324.5

工业AI壁垒四：闭环执行能力与工业级安全信任◼

只有进入执行闭环的AI才有长期价值•完整工业AI闭环包括六个环节：感知设备、工艺、质量和供应链数据；理解工业语义和上下文；推理并生成方案；通过仿真验证方案；调用软件、设备或流程执行；记录结果并持续优化。没有执行和反馈闭环的AI，本质仍是“看板+问答”，难以形成长期壁垒。◼

工业级安全、合规和责任体系是新进入者难以建立的信用壁垒•工业场景下，AI决策错误可能造成设备损坏、安全事故、召回风险和责任争议。