最近有个朋友问我，怎么看 AI for Industry，以及 AI for Industry 和 AI for research 到底会怎样影响下一代模型的发展。
这个问题很大，但我最近也一直在想。我的判断可能有点反直觉：
到目前为止，大模型几乎什么都没有改变。
当然，这句话听起来很冒犯。过去几年，大模型已经让写代码、写文案、做客服、做翻译、做数据分析、做知识检索的效率提升了很多。很多白领工作确实被重塑了，很多软件也被重新做了一遍。我们每天都能看到新的 Agent、新的 Copilot、新的工作流、新的自动化。
但如果把标准放到更底层一点，问题就来了：
它改变物质生产率了吗？
它让钢铁、能源、芯片、药物、化工、农业、制造、物流这些东西的生产效率发生数量级变化了吗？
至少现在还没有。
所以我说，当前的大模型 change nothing，不是说它完全没有价值，而是说它现在改变的大部分还是信息世界和白领效率。它改变的是人写东西、查东西、组织东西、调用工具的方式，但还没有真正大规模改变人类获取物质和能源的方式。
如果大模型最终不能帮助工业和科研，它就只是对互联网的缝缝补补：让内容生产更便宜，让推荐更精准，让客服更自动，让办公软件更聪明。它会让互联网世界更顺滑一点，但不会打开新的生产力空间。这样的价值当然有，但不大。
而真正的“改变一切”，一定要发生在这里。
互联网改变的是消费效率
过去二十多年，互联网确实改变了世界。
但它主要不是通过直接提升生产效率来改变世界的，而是通过提升消费效率来拉动生产。
搜索让人更容易找到信息，电商让人更容易找到商品，社交和推荐让需求更快被看见，支付和物流让交易成本下降。互联网把消费端的摩擦大幅降低了。
当消费端效率变高，需求就会被更快地聚合、更准确地分发、更强烈地放大。企业看到了需求，才愿意投入更多资源去扩大生产、优化供应链、提升履约效率。
也就是说，互联网很大程度上是从消费端出发，再反向牵引生产端升级。
这当然是巨大变化。没有互联网，就没有今天的电商、外卖、网约车、内容平台、SaaS、云服务和移动支付。
但它仍然主要是在“信息匹配”和“交易组织”上提效。它让人更快买到东西、找到服务、完成沟通，却不一定直接让一吨钢、一度电、一片芯片、一种新药更容易被生产出来。
大模型如果只是停留在今天这个阶段，本质上也是类似的：它让信息处理更快，让白领效率更高，让软件使用门槛更低。
但这还不是终局。
大模型真正的未来，是进入生产本身
大模型和互联网最大的不同，在于它有机会把“智能”注入生产过程本身。
互联网提供连接，大模型提供智能。
连接改变消费效率，智能才有机会改变生产效率。
如果一个模型只是帮人写邮件、做 PPT、生成几段代码，它当然有价值，但它还没有触碰到现代文明最硬的那层底座：工业和科研。
真正重要的问题是：
- 它能不能帮助工程师更快设计一台机器？
- 它能不能帮助工厂更快优化一条产线？
- 它能不能帮助材料科学家更快找到一种新材料？
- 它能不能帮助能源系统更高效地调度、存储和转化能量？
- 它能不能帮助药物研发缩短从假设到验证的周期？
- 它能不能让仿真、实验、制造和反馈形成自动闭环？
如果这些事情发生，大模型就不再只是“办公效率工具”，而会变成新的生产力基础设施。
那时它改变的就不是文档、代码、客服和报表，而是物质世界本身。
这也是我为什么觉得 AI for Industry 和 AI for research 很重要。
AI for Industry：关键是把智能接到工业系统里
AI for Industry 不是简单地给工程师做一个聊天机器人，也不是给传统工业软件贴一层 AI 界面。
它真正要解决的问题，是让 AI 进入工业系统内部：进入 CAD、CAE、EDA、PLM、MES、SCADA、数字孪生、仿真平台、实验平台、制造执行系统、供应链系统。
工业不是写一段文本就结束。工业有约束、有结构、有误差、有材料、有工艺、有安全边界、有成本函数、有交付周期。
一个桥梁设计、一个芯片设计、一个化工流程、一个机器人的控制系统，都不是“生成一个答案”那么简单。它需要不断设计、仿真、验证、调整、再验证。
所以 AI for Industry 的核心，不是“模型会不会说”，而是“模型能不能做”。
它能不能读懂工程数据？
它能不能调用仿真工具？
它能不能理解约束条件？
它能不能在失败之后自动修正方案？
它能不能把工程师的经验沉淀到系统里？
它能不能在真实工业流程里稳定运行，而不是只在 demo 里看起来很聪明？
这就需要新一代工业软件。
不是传统意义上只给人点按钮、填表单、看图纸的软件，而是给 AI 使用、给 AI 协作、给 AI 闭环验证的工业软件。
未来真正有价值的工业软件，可能不只是人机交互界面，而是模型与物理世界之间的接口。
模型负责推理、规划、生成方案；工业软件负责接入数据、表达约束、调用工具、执行仿真、记录反馈、保证安全。
这套东西搭起来，大模型才有可能从信息世界走进物质世界。
AI for research：关键是让科研形成更快的发现闭环
AI for research 的价值更直接。
科学研究本质上是在寻找规律。人类通过假设、实验、观测、验证，一点点理解物质和能量。
但科学发现很慢。
一个材料体系可能有巨大的组合空间，一个药物分子可能有海量候选结构，一个物理实验可能成本极高，一个能源技术可能需要长期试错。
如果 AI 能把这个循环加速，意义就非常大。
它不是简单地帮科学家读论文，而是帮助科学家提出更好的假设，设计更高效的实验，筛掉低价值路径，发现人类不容易注意到的结构和规律。
如果 AI 能让新材料、新药物、新能源、新工艺的发现效率提升十倍、百倍，那它就真的改变了一切。
因为这会改变人类获取物质和能源的效率。
这和今天很多大模型应用的价值层级完全不同。
一个写作助手提升的是表达效率。
一个编程助手提升的是软件生产效率。
但一个能推动材料、能源、医药、制造突破的系统，提升的是文明的底层供给能力。
前者让我们工作更快，后者让世界本身变得更可生产。
下一代模型的发展，也要靠工业和科研反哺
很多人讨论下一代模型，还是习惯从更大参数、更长上下文、更多文本数据、更强推理能力出发。
这些当然重要。
但我越来越觉得，下一代模型真正的突破，可能不只来自互联网文本，而会来自工业和科研场景里的真实闭环。
今天的大模型主要吃的是人类已经写下来的东西：网页、代码、论文、书籍、对话、文档。
但工业和科研里有大量更重要的数据没有被很好地模型化：
- 工程设计过程里的版本变化；
- 仿真失败和成功的中间结果；
- 工厂产线的传感器数据；
- 实验室的实验记录和负结果；
- 材料、工艺、设备、环境之间的复杂约束；
- 工程师和科学家在多年实践里形成的隐性判断。
这些数据不像互联网文本那样整齐，也不一定公开，但它们更接近真实世界。
如果未来的模型能在这些系统里持续行动、持续验证、持续从结果中学习，它得到的就不是“语言上的智能”，而是“和物理世界发生关系的智能”。
那时模型的发展会进入一个新的阶段。
不是只靠读更多文本变聪明，而是靠做更多真实任务变聪明。
它在工程系统里设计，在仿真系统里试错，在实验系统里验证，在制造系统里反馈。每一次失败和成功，都会变成下一次推理的养料。
这才是 AI for Industry 和 AI for research 对下一代模型最重要的影响：它们会给模型提供新的训练土壤。
不是互联网的土壤，而是物质世界的土壤。
现在还远没有到那个阶段
但必须说清楚：现在还远没有到这个阶段。
今天的大模型看起来很热闹，但绝大多数能力还停留在信息处理和工具调用上。
它可以写代码，但很难保证生产系统稳定。
它可以读论文，但很难独立完成可靠实验。
它可以生成工程方案，但很难对真实工况里的安全、成本、工艺和失效负责。
它可以做 demo，但离真正接管工业流程还很远。
这里面缺的不是一个更会聊天的模型，而是一整套基础设施。
缺工业数据。
缺工程工具链。
缺仿真和实验闭环。
缺验证体系。
缺安全边界。
缺能让 AI 在真实生产环境里长期协作的软件系统。
所以到头来，真正关键的还是工业软件和科研软件。
它们不是大模型时代的配角，而是大模型进入物质世界的入口。
谁能把 AI 接到工业和科研的真实流程里，谁才有机会让大模型从“改变办公室”走向“改变工厂、实验室和能源系统”。
最后
所以我说，当前大模型什么都没有改变，但未来它会改变一切。
这句话不是矛盾，而是两个不同尺度下的判断。
在信息世界里，它已经很强了；但在物质世界里，它还刚刚站在门口。
今天的大模型，改变的是人处理信息的效率。
未来的大模型，如果进入工业和科研，改变的将是人类生产物质、获取能源、发现规律的效率。
互联网通过提升消费效率，间接拉动生产。
大模型未来要做的，是通过提供智能，直接提升工业和科研效率，再进一步提升物质和能源的生产效率。
只有到了那一天，AI 才不只是一个更聪明的助手。
它会成为新的生产力本身。