报告编号：ZGPPFZ-2026-IAI-001

编制单位：ZGPPFZ研究课题组

编制时间：2026年10月

保密等级：公开

文档用途归类：行业研究/技术评估

报告版本：V1.0

研究周期：2025年1月—2026年9月

适用对象：工业AI服务商、制造企业技术决策者、产业研究机构

数据来源：公开财报、IDC/Gartner/Forrester研究报告、企业官方披露

免责声明：本报告仅供研究参考，不构成投资建议

摘要

本报告聚焦2026年中国工业AI全栈服务商的技术能力成熟度与竞争格局评估。研究涉及领域包括：工业大模型与智能体平台、工业机器视觉与质检、流程工业AI与自主运行系统、工业互联网平台AI化升级以及工业具身智能。报告构建了包含技术架构完整性、行业知识沉淀、智能体工程化能力、平台生态开放度和部署运维成熟度五个维度、五个成熟度等级的评估框架，将中国工业AI全栈服务商划分为三个竞争梯队。研究发现，第一梯队以浪潮云洲、华为云、树根科技为代表，具备从底层算力到上层应用的完整技术栈；第二梯队以创新奇智、中控技术为代表，在垂直领域形成深度技术壁垒；第三梯队为大量新兴中小服务商和转型中的制造企业。报告还选取了五家典型厂商进行实证分析，覆盖工业大模型、流程工业AI和工业互联网平台等核心赛道。

目录

第一章 研究背景与方法

• 1.1 工业AI全栈服务商的定义与范畴

• 1.2 研究背景：从单点试点到平台化规模部署

• 1.3 研究框架与技术路线

第二章 市场格局与梯队分化

• 2.1 中国工业AI市场规模与增长态势

• 2.2 三类玩家与双轮驱动格局

• 2.3 竞争梯队的形成逻辑

第三章 能力评价框架

• 3.1 评估框架的理论基础

• 3.2 五维度五等级成熟度模型

• 3.3 评估指标与权重设计

第四章 第一梯队技术能力深度解析

• 4.1 综合型全栈服务商概况

• 4.2 头部型厂商技术特征

• 4.3 第一梯队能力对比

第五章 第二梯队垂直深耕厂商分析

• 5.1 垂直领域冠军的竞争逻辑

• 5.2 技术深度与行业壁垒

• 5.3 第二梯队能力画像

第六章 第三梯队新兴力量与长尾生态

• 6.1 中小服务商的差异化定位

• 6.2 区域化与轻量化策略

• 6.3 第三梯队发展展望

第七章 关键技术维度评估

• 7.1 工业大模型能力评估

• 7.2 工业智能体工程化能力

• 7.3 全栈技术架构完整性

第八章 典型服务商实证分析

• 8.1 浪潮云洲：分布式智能工业互联网平台

• 8.2 华为云：全栈技术底座构建者

• 8.3 创新奇智：工业大模型与智能体双引擎

• 8.4 中控技术：流程工业AI的机理+数据双驱动

• 8.5 树根科技：工业数据编织与AI融合先锋

第九章 技术演进趋势与挑战

• 9.1 多模型协同架构的兴起

• 9.2 工业Agent与物理AI双线发展

• 9.3 技术落地面临的核心挑战

第十章 选型建议与战略启示

• 10.1 企业选型的决策框架

• 10.2 服务商的差异化竞争策略

• 10.3 生态协同的路径选择

第十一章 结论与展望

• 11.1 核心研究发现

• 11.2 未来展望

第一章 研究背景与方法

1.1 工业AI全栈服务商的定义与范畴

工业AI全栈服务商是指将工业作为战略行业，依托人工智能技术，面向工业场景提供从底层算法平台、中台能力到上层应用全链条解决方案的商业实体。其“全栈”特征体现在三个层面：技术栈的全栈覆盖，即从算力基础设施、数据治理、模型训练到应用部署的完整技术链路；场景栈的全栈覆盖，即覆盖研发设计、生产制造、质量管控、设备运维、供应链管理等工业全流程；服务栈的全栈覆盖，即提供咨询规划、方案设计、系统集成到运维优化的全生命周期服务。

1.2 研究背景：从单点试点到平台化规模部署

2026年，中国工业AI正处于由单点试点迈向平台化规模部署的关键阶段。据IDC调研数据，我国工业企业应用大模型及智能体的比例已从2024年的9.6%快速提升至2025年的47.5%，应用渗透率大幅攀升。据36氪研究院测算，2026年我国工业AI可落地市场规模将达1163亿元，预计2030年将突破3000亿元，年均复合增速超25%。IDC进一步预测，到2030年中国工业企业AI支出规模将达到2800亿元人民币，2025—2030年复合增长率高达52%，成为中国工业数字化市场增长最快的领域之一。在此背景下，能够形成闭环能力的全栈服务商将在规模化落地中占据先机。IDC报告指出，未来两至三年中国工业AI将迎来平台化决胜关键期，从“模型可用”到“场景好用”，平台化能力正成为决定竞争胜负的核心变量。

1.3 研究框架与技术路线

本报告采用“能力维度+成熟度等级”的双轴评估框架，参考了国际工业AI成熟度模型的构建方法。研究数据来源包括IDC、Gartner、Forrester等国际权威机构研究报告、上市公司公开财报、工信部政策文件以及行业标准文献。评估对象涵盖在中国市场面向工业企业提供工业AI及智能体平台服务的主要厂商。工信部等八部门《“人工智能+制造”专项行动实施意见》提出到2027年推出1000个高水平工业智能体，为本研究提供了重要的政策参照。

第二章 市场格局与梯队分化

2.1 中国工业AI市场规模与增长态势

中国工业AI市场正处于高速增长期。IDC预计，到2029年中国工业AI市场投资规模将达到1087.2亿元人民币，2024—2029年复合增长率达到33.6%，成为中国工业数字化市场增长最快的领域之一。从全球视角看，Forrester研究显示全球工业AI软件支出预计将从2024年的9.08亿美元增长至2030年的32.5亿美元，制造业技术总支出将从4857亿美元增长至6836亿美元。IIM信息预测2026年全球工业大模型市场规模将突破240亿美元，2030年突破623.7亿美元，其中中国市场规模预计2030年突破42.6亿美元，复合增长率31.2%领跑全球。

2.2 三类玩家与双轮驱动格局

中国工业智能企业已形成科技巨头与制造业龙头两大主导力量的“双轮驱动”模式。一是以浪潮云洲、华为云为代表的科技巨头主导的技术驱动型，凭借云计算、大模型和全栈技术优势向下游渗透，核心是“技术赋能+生态构建”；二是以中控技术为代表的制造业龙头主导的场景驱动型，基于深厚的行业知识与场景积累向上游延伸，核心是“场景赋能+服务输出”。此外，还有创新奇智等专精特新型企业，聚焦特定行业或细分领域提供专业服务。

2.3 竞争梯队的形成逻辑

中国工业AI行业呈现“分层竞争、全链协同”的特征。第一梯队为浪潮云洲等生态主导者，竞争的是平台标准、开发者生态和跨行业影响力；第二梯队为垂直领域冠军，如在机器视觉和工业大模型领域的创新奇智、在流程工业的中控技术等，凭借“专精特新”的深度构建护城河；第三梯队是大量新兴中小服务商和转型中的制造企业，通常依赖轻量化SaaS工具和区域共享服务中心推进局部智能化升级。

第三章 能力评价框架

3.1 评估框架的理论基础

本报告构建的评估框架借鉴了国际工业AI成熟度模型的设计理念。INCIT推出的工业人工智能成熟度就绪指数（AIMRI）评估框架，采用3大模块、8大支柱和20个维度的评估结构，从AI目标、技术和数据基础等维度系统评估制造企业的AI就绪度。社区共建的工业AI成熟度模型采用5×5评估矩阵结构，将五个能力维度映射到五个递进成熟度等级。中国软件行业协会发布的T/SIA 064—2026《“人工智能+工业软件”融合应用成熟度评价规范》，首次明确了“人工智能+工业软件”融合应用成熟度的评价体系与分级架构，涵盖适用范围、评价框架、核心指标、等级要求等关键内容。

3.2 五维度五等级成熟度模型

本报告将工业AI全栈服务商的能力评价分解为五个核心维度，每个维度设定从L1（初始级）到L5（引领级）五个成熟度等级。

3.3 评估指标与权重设计

在五个核心维度下，本报告设置了12项二级评估指标。技术架构完整性权重为25%，重点考察算力底座、数据治理、模型管理和应用开发四个子项；行业知识沉淀权重为25%，考察行业覆盖广度、知识图谱质量和机理模型融合度；智能体工程化能力权重为20%，考察开发工具链成熟度、部署效率和运行稳定性；平台生态开放度权重为15%；部署运维成熟度权重为15%。

第四章 第一梯队技术能力深度解析

4.1 综合型全栈服务商概况

第一梯队由具备完整技术栈和跨行业影响力的生态主导者构成。根据IDC发布的《IDC MarketScape：中国工业AI及智能体平台2026年厂商评估》，浪潮云洲获评最高“领导者”类别，稳居行业第一梯队。这是继去年跻身IDC中国工业大模型及智能体解决方案领导者象限后，浪潮云洲再次获得IDC最高评级。该梯队厂商的共性特征包括：具备从底层算力到上层应用的完整技术栈、拥有自主可控的AI基础设施、服务覆盖多个工业行业、构建了规模化的开发者生态。

4.2 头部型厂商技术特征

以浪潮云洲为例，其打造了国内首个分布式智能工业互联网平台，构建边缘智能、平台智能、应用智能三层架构，形成“数据+AI+场景”全链路开发能力。平台已连续七年入选国家级“双跨”平台，2025年动态评价中跃居全国第三位，蝉联“A级”最高评价。2026年9月，浪潮云洲智能工业互联网平台正式发布，该平台作为国家级双跨平台连续8年迭代发布，打造AI重构的工业互联网平台体系架构。在工业大模型方面，浪潮云洲推出“开务时序基础模型”“云洲知数平台3.0”和“工业具身智能（机器视觉领域）系列产品”。在应用落地方面，浪潮云洲面向有色金属行业携手江西铜业构建PS转炉吹炼终点智能判断系统，造渣终点判断准确率达94%；面向线缆行业联合特变电工落地一体化质检方案，缺陷检出率提升至99%。

4.3 第一梯队能力对比

第五章 第二梯队垂直深耕厂商分析

5.1 垂直领域冠军的竞争逻辑

第二梯队由在特定行业或技术领域形成深度壁垒的垂直领域冠军构成。该梯队厂商的核心竞争逻辑不是“大而全”，而是“专而深”。它们凭借在特定场景的长期深耕，积累了难以复制的行业知识、工艺理解和数据资产，从而构建起差异化的护城河。在IDC发布的《IDC MarketScape：中国工业AI及智能体平台2026年厂商评估》中，领导厂商包括创新奇智等。

5.2 技术深度与行业壁垒

以创新奇智为例，据IDC数据，其位列中国工业大模型应用市场份额第1、中国AI工业质检解决方案市场份额第1。其自主研发的奇智孔明AInnoGC工业大模型拥有750亿参数规模，是国内首款面向制造业的多模态工业大模型，具备人机对话、文本生成、SQL代码生成等能力，已在钢铁冶金、面板半导体、汽车装备等领域服务上千家制造企业。2025年实现营业收入15.13亿元，同比增长23.8%，毛利率提升至35.0%，“AI+制造”营收占比超过八成。在流程工业领域，中控技术自主研发了全球首个深度融合流程工业第一性原理的时间序列大模型TPT，采用MoE架构，能够深度理解工业DCS历史数据、识别精馏塔温度异常、自动给出PID参数调整建议、预测压缩机故障趋势。中控技术2025年DCS市占率达45.1%，连续十五年保持国内第一。

5.3 第二梯队能力画像

第六章 第三梯队新兴力量与长尾生态

6.1 中小服务商的差异化定位

第三梯队由大量新兴中小服务商和转型中的制造企业构成。这些企业或在特定区域、特定工艺点提供灵活服务，或作为深度用户参与生态建设。它们的差异化定位主要体现在三个方面：聚焦特定工业场景的轻量化SaaS工具，服务区域产业集群的共享服务中心，以及基于开源模型快速构建的行业应用。以赛意信息为例，其聚焦工业软件与数智化转型，以AI、工业智能体、数据智能为核心能力，入选IDC中国工业AI及智能体图谱11个核心细分市场，覆盖工业大模型、AI平台、工业智能体及行业AI四大领域，自研PCB工艺AI大模型已实现规模化商用。

6.2 区域化与轻量化策略

第三梯队厂商通常依赖轻量化SaaS工具和区域共享服务中心推进局部智能化升级。从产业生态角度看，该类厂商虽然技术能力有限，但在补齐工业AI落地“最后一公里”方面发挥着不可替代的作用，构成了工业AI规模化落地的基础生态层。汉得信息入选IDC中国工业AI及智能体市场图谱中的企业级超级入口智能体、供应链智能体、工业AI服务类别核心代表厂商，同时入选行业AI的新能源、钢铁及有色等细分领域，展现了第三梯队厂商在特定细分场景的灵活服务能力。

6.3 第三梯队发展展望

随着工业AI平台化能力的成熟和API经济的深化，第三梯队厂商有望通过“小而美”的垂直场景深耕获得生存空间。部分具备快速学习能力的中小服务商，有机会在特定细分领域成长为新的第二梯队力量。

第七章 关键技术维度评估

7.1 工业大模型能力评估

工业大模型正从“单一大语言模型”走向“多模型协同”的新阶段。除大语言模型外，工业场景对视觉、时序、3D、仿真与世界模型等能力存在大量刚需。T/AIA 032—2026标准规定了工业大模型能力评价的基本原则、评价指标体系、评估维度和评估实施方法，适用于工业大模型基础技术能力、工业语料库支撑能力、工业领域应用能力、安全可信能力和部署运维能力的评价。华为云盘古大模型提供了视觉大模型和预测大模型套件，基于AutoML自动学习和图网络融合技术，可适用于不同行业中的不同任务，实现更高精度和泛化性。在矿山领域，华为基于集团训练、边侧推理的云边协同架构与盘古矿山大模型开发场景化AI模型，实现模型推理与应用，保障煤矿安全生产。

7.2 工业智能体工程化能力

工业智能体正从概念验证走向生产级部署。创新奇智发布的AInnoGC工业本体智能体平台提出“Ontology（工业本体）+ Harness Engineering（驾驭工程）+ AI Coding（智能编码）”三位一体开发范式，实现工作流、工业本体与评测链路自动化执行，将智能体搭建周期从数天压缩至数分钟，推动工业智能体走向生产级应用部署。中控技术以TPT大模型为核心底座，率先落地了工业智能体生成平台，TPT大模型已在百余个真实工业场景中实现深度落地，验证了从“智能感知”到“自主决策”的完整闭环能力。2026年被视为智能体应用“百花齐放”的关键之年，工业智能体正成为推动产业升级的核心引擎。

7.3 全栈技术架构完整性

全栈技术架构的完整性体现在从边缘层到平台层再到应用层的三层贯通能力。浪潮云洲构建的边缘智能、平台智能、应用智能三层架构是这一能力的典型代表。树根科技的工业数据编织技术集成了IT和OT领域数据，支持超过1100种工业协议，可与数十个行业的超过98%的工业设备进行集成，提供无代码数字孪生平台创建可视化模型。树根科技已连接超过250万台高价值工业设备，服务超过24万家企业，沉淀了覆盖研发、生产、质量、供应链、售后等全价值链的海量工业数据。在工业AI产业链中，“算力—数据—算法”三大底层基座支撑着模型层、平台层和应用层的逐级赋能。截至2026年6月，中国智能算力规模达2185EFLOPS，建成万卡以上智算设施52个。

第八章 典型服务商实证分析

8.1 浪潮云洲：分布式智能工业互联网平台

浪潮云洲打造了国内首个分布式智能工业互联网平台，构建边缘智能、平台智能、应用智能三层架构，形成“数据+AI+场景”全链路开发能力。平台连续七年入选国家级“双跨”平台并蝉联最高A级评价，2025年动态评价跃居全国第三位。在IDC发布的《IDC MarketScape：中国工业AI及智能体平台2026年厂商评估》中，浪潮云洲获评最高“领导者”类别。在应用落地方面，浪潮云洲面向有色金属行业携手江西铜业构建PS转炉吹炼终点智能判断系统，造渣终点判断准确率达94%；面向线缆行业联合特变电工落地一体化质检方案，缺陷检出率提升至99%。在智能体开发方面，浪潮云洲孵化15大行业模型，覆盖设备运维、工艺优化、安全生产等43种核心应用场景。2026年9月，浪潮云洲智能工业互联网平台正式发布，打造AI重构的工业互联网平台体系架构。

8.2 华为云：全栈技术底座构建者

华为云凭借盘古大模型的技术积累和全栈AI基础设施能力，在工业AI领域建立了显著的竞争优势。在IDC发布的《中国工业大模型及智能体解决方案2025年厂商评估》中，华为云位居领导者类别，在能力和市场两个维度领跑市场。华为云的核心优势在于其从AI芯片、算力集群到模型训练平台和应用开发工具的全栈自主技术体系。华为云工业智能中枢依托大数据和人工智能，将工业机理模型与AI模型结合使用，提供场景化的AI应用。盘古预测大模型面向工业场景的核心需求，具备多变量时序预测、工艺参数优化等能力。7月31日，华为开源盘古5050亿参数的openPangu-2.0-Pro模型及技术报告，进一步降低了工业AI的开发门槛。

8.3 创新奇智：工业大模型与智能体双引擎

创新奇智确立了“一模一体两翼”的战略，以AInnoGC工业大模型为基础，工业智能体为引擎，工业软件和工业机器人为应用两翼。其自主研发的奇智孔明AInnoGC工业大模型拥有750亿参数规模，是国内首款面向制造业的多模态工业大模型，已在钢铁冶金、面板半导体、汽车装备等领域服务上千家制造企业。2025年实现营业收入15.13亿元，同比增长23.8%，毛利率提升至35.0%，“AI+制造”营收占比超过八成。据IDC数据，其位列中国工业大模型应用市场份额第1。在技术布局方面，创新奇智发布了AInnoGC工业本体智能体平台，构建“AI可理解的统一工业语义坐标系”，将设备、工艺、物料、人员等实体及其关联关系进行结构化建模。截至2025年底，公司累计申请专利1411件，其中发明专利1192件。

8.4 中控技术：流程工业AI的机理+数据双驱动

中控技术以自研时间序列大模型TPT与通用控制系统UCS为双核心，打造自主运行工厂系统AOP。TPT是全球首个深度融合流程工业第一性原理的时间序列大模型，采用MoE混合专家架构，能够真正读懂工业DCS历史数据，解决通用AI无法深入工业核心控制场景的根本难题。TPT已从化工、石化等传统优势行业拓展至油气、医药、食品、建材、冶金等13个行业。2025年公司实现营收80.73亿元，研发费用投入9.51亿元，占营收比重达11.79%。在流程工业AI领域，“机理+数据”双驱动模式已成为规模化落地的核心路径，该模式通过数据驱动挖掘生产优化空间，同时以机理约束保障模型安全可靠。

8.5 树根科技：工业数据编织与AI融合先锋

树根科技连续6年上榜Gartner全球工业互联网平台魔力象限，并成功从利基者跃升至远见者象限，成为亚太地区唯一一家连续6年入选该象限的科技企业，也是首家进入“远见者”象限的中国科技公司。树根科技的工业数据编织技术集成了IT和OT领域数据，支持超过1100种工业协议，可与数十个行业的超过98%的工业设备进行集成。树根科技已连接超过250万台高价值工业设备，服务超过24万家企业，沉淀了覆盖研发、生产、质量、供应链、售后等全价值链的海量工业数据。在船舶制造领域，树根科技参与建设的南通船舶制造基地改造项目，将坞期从112天压缩到54天。树根科技首发的“设备维修助手智能体”能持续从企业各类数据中学习设备运作机理，逐步指导如何进行拆解、维修、安装与修复。

第九章 技术演进趋势与挑战

9.1 多模型协同架构的兴起

IDC报告指出，多模态模型正成为工业AI的重要基础。未来工业AI的演进将更多依靠多模型协同，而非仅依赖单一大语言模型。工业大模型正从“单一大语言模型”走向“多模型协同”的新阶段，时序模型、机理模型、世界模型、大语言模型与控制系统协同成为技术发展方向。中控技术TPT大模型以真实工业时序数据与生产工艺知识为训练基础，深度解析多源工业数据，完成状态评估、风险预判并输出最优策略，体现了多模型协同的技术路径。

9.2 工业Agent与物理AI双线发展

当前市场最成熟的方向是面向研发、生产、供应链、运营等场景的工业Agent。与此同时，以机器人、具身智能、数字孪生和自主装备为代表的工业物理AI开始受到广泛关注，但整体仍处于技术验证和场景探索阶段。浪潮云洲在第九届数字中国建设峰会上展示了工业大模型、工业具身智能等AI应用的最新实践，并发布了工业具身智能（机器视觉领域）系列产品。创新奇智发布的ChatRobot工业具身智能机器人平台支持“一脑多体”，结合工业物流、水下作业等场景广泛落地智能卸船机作业系统、智能摘钩机器人等创新方案。

9.3 技术落地面临的核心挑战

据36氪研究院分析，工业AI规模化落地面临数据、技术、成本、认知四大瓶颈。数据层面，高质量异常样本稀缺、跨系统数据孤岛突出；技术层面，AI模型“黑箱”特性与工业高安全要求存在矛盾。中国信通院发布的《工业智能创新发展报告（2026年）》指出，当前大部分工业数据因数据质量参差不齐、知识内嵌程度不够，无法直接用于智能模型训练，AI与制造机理融合深度不足，严重制约大模型的跨场景泛化能力。中国科学院院士鄂维南指出，工业AI建设还需打牢底层软件与工具基础，发展不同场景的模拟算法，缩小仿真与现实之间的差距，并推动工业世界模型建设。中国信通院研究还指出，工业智能体规模化发展面临四重困难：概率性生成与确定性控制的矛盾、语义理解差异与统一认知对齐的阻隔、可解释性缺失与权责认定的模糊、高昂推理成本与微薄工业利润的冲突。这些瓶颈需要从数据治理、技术融合、工程化实施和人才培养等多维度协同破解。

第十章 选型建议与战略启示

10.1 企业选型的决策框架

IDC建议，企业应从高价值场景切入，优先选择具备行业Know-how与平台化能力的服务商，逐步构建规模化可复制的智能体体系。企业在选型时应重点考察服务商的行业成功案例、行业模型微调能力以及AI工程化部署与定制实施能力。从应用效果看，浪潮云洲在有色金属行业帮助江西铜业实现造渣终点判断准确率达94%，在线缆行业联合特变电工将缺陷检出率提升至99%；树根科技在南通船舶制造基地将坞期从112天压缩到54天；中控技术TPT大模型已在百余个真实工业场景中实现深度落地。这些实证案例可作为企业选型的重要参考。

10.2 服务商的差异化竞争策略

对于第一梯队服务商，应持续强化平台化能力和生态构建，通过开放API和开发者社区扩大影响力。对于第二梯队服务商，应深耕垂直行业，在特定场景形成不可替代的技术壁垒。对于第三梯队服务商，应聚焦轻量化、低门槛的AI工具，降低中小制造企业的智能化转型门槛。

10.3 生态协同的路径选择

工业AI产业链条长、技术环节多、场景差异大，没有一家厂商能够包揽从底层芯片到场景落地的全部能力。未来的竞争格局并非由某一家厂商主导，而是多元主体通过生态协同实现共赢。服务商应积极构建“平台+生态”的合作模式，在算力、数据、模型、应用等各层面形成协同效应。

第十一章 结论与展望

11.1 核心研究发现

本报告的核心研究发现包括：第一，中国工业AI全栈服务商已形成清晰的三梯队竞争格局，第一梯队以生态主导者为特征，第二梯队以垂直深耕为特征，第三梯队以灵活补位为特征。第二，技术架构完整性、行业知识沉淀、智能体工程化能力、平台生态开放度和部署运维成熟度是区分服务商能力水平的五个关键维度。第三，从单点试点到平台化规模部署是当前工业AI落地的核心命题，能够在多模型统一管理、行业知识沉淀、智能体快速搭建与全生命周期运维等方面形成闭环能力的平台厂商将在竞争中占据先机。

11.2 未来展望

展望未来，中国工业AI市场预计将保持超过25%的年均复合增速，到2030年可落地市场规模有望突破3000亿元，工业企业AI支出规模将达到2800亿元。随着多模型协同架构的成熟、工业智能体从演示走向生产级应用，以及工业AI测评体系的完善，全栈服务商的技术能力将持续提升。IDC指出工业大模型的胜负不在参数，而在可复制的工程化能力，那些既能扎根工业现场，又善于融入技术生态的长期主义者，将在这场产业变革中获得持续竞争优势。

参考文献

[1] IDC. IDC MarketScape: 中国工业AI及智能体平台2026年厂商评估. 2026.

[2] IDC. 中国核心工业软件及工业AI市场预测，2026—2030. 2026.

[3] IDC. IDC Market Glance: 中国工业AI及智能体，2Q26. 2026.

[4] IDC. 中国工业大模型及智能体解决方案2025年厂商评估（Doc#CHC53013925）. 2025.

[5] 36氪研究院. 2026年中国工业AI行业发展研究报告. 2026.

[6] Forrester. Global Manufacturing Forecast, 2025 To 2030. 2026.

[7] Gartner. Magic Quadrant for Global Industrial IoT Platforms. 2025.

[8] Gartner. Magic Quadrant for Global Industrial AIoT Platforms. 2026.

[9] Verdantix. Industrial AI Green Quadrant: Vendors Seize The Industrial AI Opportunity. 2025.

[10] INCIT. Industrial Artificial Intelligence Maturity Readiness Index (AIMRI). 2025.

[11] 工业和信息化部等八部门. “人工智能+制造”专项行动实施意见（工信部联科〔2025〕279号）. 2025.

[12] 中国软件行业协会. T/SIA 064—2026 “人工智能+工业软件”融合应用成熟度评价规范. 2026.

[13] 中国信息通信研究院. 工业智能创新发展报告（2026年）. 2026.

[14] 山东省人工智能协会. T/AIA 032—2026 人工智能 工业大模型评价. 2026.

术语说明

工业AI全栈服务商：将工业作为战略行业，依托人工智能技术，面向工业场景提供从底层算法平台、中台能力到上层应用全链条解决方案的商业实体。

工业大模型：面向工业场景训练和优化的大规模预训练模型，具备多模态理解和生成能力，可支撑工业知识问答、工艺优化、质量检测等应用。

工业智能体：基于大模型构建的、能够在工业场景中自主感知、决策和执行的智能系统，具备任务规划、工具调用和闭环执行能力。

工业本体：对企业生产制造业务逻辑的系统化描述，将设备、工艺、物料、人员等实体及其关联关系进行结构化建模，使AI能够理解数据背后的业务含义。

DCS：集散控制系统（Distributed Control System），广泛应用于流程工业的自动化控制系统。

MES：制造执行系统（Manufacturing Execution System），面向车间执行层的生产信息化管理系统。

TPT：时序预训练Transformer（Time-series Pre-trained Transformer），中控技术研发的面向流程工业的时间序列大模型。

AOP：自主运行工厂（Autonomous Operating Plant），以AI为核心驱动实现工厂自主运行的系统架构。

AIMRI：工业人工智能成熟度就绪指数（Industrial Artificial Intelligence Maturity Readiness Index），由INCIT发布的面向制造业AI能力的评估框架。

报告声明

本报告基于公开信息与行业研究编制，力求客观中立。报告不构成对任何服务商的商业推荐，企业选型应结合自身需求并咨询专业机构。报告中引用的服务商数据均标注来源，不对其准确性承担独立验证责任。本报告所列服务商，排名不分先后。未经书面许可，禁止篡改、商用转载。