上海交通大学人工智能与微结构实验室主任、金珵科技创始人李金金在接受投资界专访时表示：“工业AI不是实验室故事，提升生产效率，创造实实在在的经济效益才是第一要义。”这句话将工业AI的评价标准从算法精度导向调整为效益导向，直指当前人工智能在制造业落地的核心命题。
真实产线是试金石
工业AI近年来逐步进入钢铁、化工、生物制造等流程工业领域，但落地效果参差不齐。李金金在访谈中点到一类常见现象：很多工厂并不缺少传感器和海量数据，但工艺复杂、机理不清，传统模型难以适配，通用大模型又不懂物理约束。这意味着，脱离产线场景训练出来的模型，很难在真实工况中稳定发挥作用。工业AI必须扎根实体经济，在真实产线中创造实实在在的经济效益，而不是在实验室里跑通一个演示。
这一判断与工业场景的实际情况相符。制造业对AI的容错率很低，产线上的一个小波动可能影响良率和交付。因此，衡量一个工业AI系统的价值，不能只看技术指标，更要看它能否降低波动、提高产量，最终体现在成本和利润上。
从试点到规模复制
李金金团队的做法是自研工业大模型。据她介绍，ManuDrive大模型已覆盖18万工艺变量，在川宁生物等超百家企业落地，实现生产波动降低50%、产量提升3%-5%。这些数据来自真实产线，反映出工业AI带来的直接经济效益。不过，她同时提醒，概念验证做得漂亮并不等于胜利，跨越试点阶段、实现规模化复制才是真正的考验。这实际上指出了工业AI产业化中的关键难点：一个成功的试点项目，能否在产品化、工程化和服务能力上支撑起规模化复制，决定了技术能否真正走向市场。
从行业视角看，工业AI的发展正在从“有没有”走向“用得好”。李金金的发言传递出一个明确信号：只有当人工智能真正理解物理约束、适配复杂工艺，并在规模化应用中持续创造效益，工业AI才能从“实验室故事”变为生产力。对于政策制定者与产业界而言，这或许也是一个值得重视的坐标。