業界將AI技術的演進歷程大致劃分為Perception AI、Generative AI、Agentic AI、Physical AI四個階段。當前，AI技術正從Generative AI向Agentic AI和Physical AI 邁進。工業也在積極擁抱AI，我們看到AI技術發展與其在產業應用間的時差正在縮短。從當前看，Perception AI在工業領域的應用已相對成熟；Generative AI發展時間較短，但在工業領域也形成了一批高潛力的應用，如創成式設計、生產計劃排程、PLC編程輔助等；而更加前瞻性的Agentic AI和Physical AI 在工業的應用仍處于探索階段，受制于模型幻覺、安全和可靠性等關鍵因素，工程化落地仍需一段時間。
AI在工業研/產/供/銷/服等不同業務環節的落地速度不同，呈現明顯的“雙曲線”特征——小模型率先在制造場景落地，這是由于小模型在準確性、穩定性、實時性以及可解釋性等方面具有顯著優勢；大模型率先在研發和銷售服務場景落地，這是由于大模型更適合開放、創新性的生成泛化類場景，例如代碼生成、知識問答、智能客服等。基于大小模型各自的技術特性和適用場景的互補性，我們預判二者將在工業領域長期共存、相互促進。
憧憬2035年，我們預見工業智能將在 與人類對齊（人）、與機器共融（機）、與生產協同優化（料）、與工業知識共智（法）、與物理世界交互（環）等五個方面將取得長足的進步。在AI的幫助下，工業軟件等生產工具將從計算機輔助人模式（CAx）向人輔助計算機模式（HAx）轉變。未來的商業模式將是AI解決方案提供商直接向工業企業交付結果、創造價值，實現Result as a Service。在這一變革中，人類與技術的角色關系將重新定義，人類角色向更高階的提出問題和監督執行轉變，大多數體力和腦力勞動將由Physical AI和Agentic AI完成。此外，從更大范圍看，工業與AI的融合還將通過重塑未來工業，改變消費者的生活方式和社會組織形態，將人類帶向更美好的生活。
然而，前路并非坦途。工業與AI的融合過程中還面臨重重挑戰。一是AI可靠性與泛化的瓶頸；二是AI技術更新快與工業穩定性的矛盾；三是工業企業在數據、技術上的就緒度不足；四是工業know-how門檻高、場景碎片化制約項目復制擴展；五是由以上因素綜合導致的嚴峻的ROI（投資回報率）挑戰。
在本指南中，我們沿著7個工業細分行業的業務流程，梳理了當前行業的挑戰與痛點，并從行業的業務流程出發，系統梳理出7大行業與AI融合的高價值場景、業內最佳實踐，給讀者以啟發和借鑒。