原文：AI Infrastructure for Manufacturing – Notes from IMTS
作者：Annelies Gamble（Zetta）
来源：SandHill.io #303 推荐阅读 · 行业动态与分析
说明：本文为中文编译稿，非全文翻译，完整内容请阅读原文。
导读： 两年前还看空”AI改造制造业”的作者，如今转为高度乐观。她在美国国际制造技术展（IMTS）主持了一场 Google Cloud、Databricks、NVIDIA 负责人参与的圆桌，结论是：模型已经足够聪明，瓶颈正在转向数据上下文，以及把洞察变成物理结果的基础设施。
瓶颈已经转移
- 过去AI约等于大语言模型（LLM），只处理文本，而文本只是制造工作的”外壳”。
- 嘉宾：Praveen Rao（Google Cloud）、Shiv Trisal（Databricks）、Les Karpas（NVIDIA Inception 物理AI负责人）。共识是竞争焦点已从”追求更强模型”转向上下文（context）与执行层基础设施。
从洞察到行动
- 工厂早已被告警淹没；衡量标准应从工作流数、token 用量改为”端到端解决的业务问题数”。
- 三块地基：全厂统一数据语义；能以契约方式委派给 ERP、PLM 的智能体（agent）平台；多模态交互界面。
- 从一个今天解决不了或只能手工慢慢解决的问题切入，倒推所需数据，再逐步扩展。
老旧设备与数据难题
- 设备动辄服役数十年，涉及数百种 PLC（可编程逻辑控制器）协议，有的甚至没有 PLC；数据须补足语义上下文才能被AI使用。
- 需建设统一命名空间（unified namespace）；物理AI缺乏互联网级训练数据，要靠数字孪生（digital twin）、仿真和合成数据放大有限数据，并把线上表现回灌形成飞轮。AI 无法把坏数据变好。
开放格式与”多种AI”
- 榜首模型几周一换，数据与上下文须自有、以开放格式存储，才能自由切换模型；OpenUSD 可把3D、时序、语言和 OT 数据统一封装。
- 车间价值很多仍来自传统机器学习（ML）。以预测性维护为例：ML 预测故障与备件需求，LLM 解读手册，数学优化负责排程。智能体已能在一天内写出预测模型，中小厂商受益最大。
边缘与云、机器人形态
- 低延迟或受监管场景放边缘，大规模分析与学习闭环放云端，应采用互联架构而非二选一。
- 人形机器人的支持理由：环境按人体设计，人类操作视频数据最多，可再用跨形态迁移（cross-embodiment）推广；反方认为关键是可靠地搬运和执行，形态应由具体任务决定。
结论：数据与采用才是瓶颈
- 难点有二：老设备不具互操作性；工厂按产量和稼动率考核，经不起部署带来的扰动。
- 建议：只接入解决目标问题所需的最小数据集、用开放格式，而非先给整厂建模；先在受控环境测试，确认AI能完成端到端动作（而非多一条告警）后再渐进扩大。