卡奧斯奔赴港交所，工業AI開啟新征途｜甲子光年

工業AI如何走向規模化應用？

作者｜田思奇

編輯｜栗子

無數次歷史證明，每一輪技術變革的最終價值落點都不是技術本身，而是我們衣食住行的物理世界。

經過數年設備聯網與數據沉淀的“修橋鋪路”，中國工業互聯網正迎來智能化加速階段。許多企業不再滿足于數據分析，而要求人工智能介入后持續提升效率、降低能耗、改善質量。

這一趨勢，與今年政府工作報告中提出的深化拓展“人工智能+”，推動重點行業領域人工智能商業化規模化應用，拓展智能制造等形成呼應。

在制造與能源等高價值、低容錯的工業場景中，AI能否長期穩定運行并持續提升效率，正在成為其能否進入生產體系的關鍵分水嶺。

在這一產業拐點上，剛剛遞表港交所的卡奧斯，給我們提供了一個觀察樣本。

這家脫胎于海爾的企業成立于2017年，早在行業風口形成之前便開始探索工業智能的落地路徑。通過端云一體的數據智能與物聯網能力，卡奧斯將工業智能體嵌入生產系統，目前已累計服務逾9500 家付費客戶，客戶規模與客單價值均處于行業高位，成功實現產業規模化落地并達成盈利。

據弗若斯特沙利文報告，以2024年收入計，卡奧斯在中國基于平臺的工業數據智能解決方案市場位居第一。

隨著工業AI進入規模運行階段，卡奧斯的IPO不僅是其沖擊AI+工業互聯網第一股的關鍵一步，也成為觀察工業智能如何從技術能力走向產業基礎設施的重要窗口。

1.歷史的必然：工業互聯網的智能化躍遷

工業是人工智能最難攻克的現實場域，也是承載極高經濟價值的試金石。

縱觀近年來中國制造業的數智化演進進程，工業智能從邊緣探索走向中樞系統的規模運行，并非一時的技術跟風，而是產業升級不可逆轉的歷史必然。

發展初期，工業互聯網以設備上云為核心完成底層連接，打通了長期割裂的物理孤島。當全國重點平臺的連接設備數突破億臺量級，海量數據的匯聚，自然催生了對深度分析與局部優化的需求。

如今，伴隨大模型與智能體技術的躍升，技術演進再次跨越臨界點。人工智能正從離線的被動分析轉向實時的閉環運行，全面介入排產調度、工藝參數尋優與能源動態配置等決策地帶。

從連接到決策的跨越，標志著行業正式步入規模運行的全新階段。

由技術內生驅動的產業趨勢，也與國家戰略同頻共振。

2026年1月，工信部等八部門印發的《“人工智能+制造”專項行動實施意見》，首次將工業大模型、工業智能體納入系統性框架，并提出量化目標：到2027年形成全覆蓋的行業大模型體系，推出1000個高水平工業智能體，推廣500個典型應用場景。工業智能已被正式確立為新型工業化的核心支柱，成為加強大國制造核心競爭力的關鍵變量。

但工業AI落地的“最后一公里”，遠非簡單的模型遷移。

工業場景具備極致的復雜性與嚴苛的紀律性。

首先是數據環境的重重壁壘，現場異構碎片化的時序數據，其治理難度幾何級數倍于消費互聯網領域；其次是可靠性門檻——工廠運轉與能源調度幾乎不存在試錯空間，任何一次算力偏差都可能引發停線危機甚至安全隱患；更重要的是系統在全生命周期內的韌性，算法必須在設備老化與工況環境的劇烈波動中維持精準輸出。

據「甲子光年」觀察，工業場景里的工藝知識，往往沉淀在工程師和老師傅的經驗里，零散且難以言傳。只有長期在產線中積累，才能將這種“隱形知識”轉化為模型可理解的數據結構。這恰恰解釋了為何沿用消費產品邏輯的純算法企業往往在工廠泥足深陷。在工業的語境里，始終是物理場景決定技術形態，而非相反。

在通往工業AI深水區的征途中，中國科技產業形成了三股主要力量：

一是以華為云、阿里云為代表的云廠商，它們憑借強大的算力底座與通用模型能力，從底層基礎設施切入；

二是以寶信軟件為代表的垂直行業軟件商，深耕鋼鐵等特定領域，積累了深厚的行業Know-how。

而在兩者之外，以卡奧斯為代表的跨行業工業互聯網平臺，則展現出對產業深刻的洞察與戰略定力。這類平臺孕育于極其復雜的制造母體，天生兼備深刻的工藝理解力與廣闊的平臺泛化力。它們主要致力于將不可復制的制造經驗，升華為可跨行業調用的智能體模塊。

在人工智能與制造業深度融合的國家戰略浪潮中，卡奧斯的探索不僅順應了時代，也在某種程度上引導并定義了工業智能的未來形態。企業服務不再局限于交付零散的工具和一次性項目成果，而是構建一套以平臺為土壤、以工業智能體為核心引擎的運行系統。

這種立足于歷史維度、深刻洞見產業未來的系統性能力，正在重塑整個工業科技領域的價值評估體系，成為承載新型生產力落地的堅實底座。

2.把AI藏進系統：工業智能的縱深思維

當工業AI進入規模運行階段，智能能力的形態開始發生變化。它不再是孤立的算法或輔助分析工具，而是以工業智能體的形式嵌入排產、工藝控制、質量管理和能耗優化等關鍵環節，在生產系統中持續運行并形成決策閉環。這種轉變的本質，是AI從提供建議的工具，變成了直接參與生產運營的決策者。

但這種智能體，很難從實驗室里憑空創造，而是從制造體系內部逐步演化出來。

卡奧斯的技術架構，正沿著這一邏輯生長。

早在2023年，公司便已開始系統探索工業智能體系的構建。它沒有將AI視為可以單獨售賣的能力，而是將其嵌入一套完整的工業智能操作系統。這套系統的中樞是COSMOPlat工業互聯網平臺，以BaaS工業操作系統和BaaS工業大腦為內核。

在底層，BaaS工業操作系統整合多協議物聯能力，實現設備與系統的統一連接，讓數據采集與設備控制具備可持續性；

同時，作為BaaS工業大腦核心組件之一的天數工業大數據平臺，提供多源異構數據匯聚、多模態數據存儲、工業數據治理分析等全生命周期管理能力。平臺已覆蓋家電、能源化工及能碳等多個行業，實現毫秒級查詢與全要素治理，將分散、口徑不統一的工業數據轉化為可供AI調用的基礎資源。

另一核心組件——天智工業大模型，是國內首個基于工業互聯網平臺的垂域大模型，檢索精準度達93%。針對工業領域數據供給不足、模型成本高、業務適配難等痛點，公司遵循“一行業一模型”策略，打造出家電、能源化工、能碳等行業大模型，支持研發設計、生產制造、運營服務、雙碳管理等主要工業場景。

這種系統級架構的深遠價值，在于打破了定制化開發的成本魔咒，確立了智能能力規模化復制的行業范本。依托高度模塊化的設計理念，卡奧斯將高度依賴人工經驗的工藝知識，解構并重塑為可靈活調用的能力單元。

成熟智能體在不同產線間快速部署，交付周期縮短，邊際成本下降。據招股書披露，基于天智工業大模型，卡奧斯已打造覆蓋3大行業、40余個核心場景的工業智能體，高質量智能體數量達57個。

基于天智工業大模型建構的四類智能體應用場景，包括微網、空壓、冷熱及能源管理

卡奧斯的這種路徑，本質是“一米寬、百米深”。所謂一米寬，是指它聚焦的切口——不是連接設備，不是數據分析，而是生產運營中最關鍵、也最難啃的決策環節：排產調度、工藝參數優化、能耗實時調控。這個領域價值密度最高，但進入門檻也最高。

百米深，是指在選定切口后向下挖掘的三個層次：行業深度上，從家電到化工、汽車、能源，跨越離散與流程制造；能力深度上，從數據治理、模型訓練到邊端執行，形成完整閉環；場景深度上，從單點智能體到多智能體協同，逐步覆蓋全流程。

在行業進入規模運行的語境下，能夠將智能體植入產線心臟并維持穩定運行的企業，正在獲得遠超傳統軟件廠商的資產溢價。因為在工業的邏輯里，只有長在產線上的大腦，才配得上基礎設施的稱謂。

3.可盈利的高價值工業AI，長什么樣？

對工業AI平臺來說，商業模式并不復雜。企業付費購買系統與軟件服務，讓AI持續優化生產過程。卡奧斯的業務，也主要圍繞工業智能系統展開。但真正的考驗，在于是否具備跨行業復制的能力。

只能在母體產線生存的企業，天花板往往止步于工程服務商；能夠穿透制造、能源、化工等高復雜度場景，并持續提升外部客戶占比的企業，才具備平臺級軟件的基礎。

在這一邏輯下，跨行業落地能力成為關鍵指標。

卡奧斯不僅在離散制造的家電領域得到驗證，也跨越了工藝邏輯截然不同的流程制造。招股書披露，公司已助力全球客戶打造17座燈塔工廠。這一由世界經濟論壇認證的榮譽，意味著其智能能力已進入排產調度、工藝參數優化與質量控制等生產決策核心。

以全球家電制造商海爾燈塔工廠為例，卡奧斯通過COSMOPlat平臺整合數據至數字孿生工廠，實時優化生產。洗衣機生產線采用注塑智能體，分析500余項參數，自適應調整工藝，使生產周期縮短15%。凈水器工廠中，AI模型為每批原料生成專屬燒結曲線，碳濾芯孔隙控制達微米級，質量成本降低72%，庫存周轉天數縮短53%。

這一能力在能源化工領域復用：為大型國有能源化工集團陜西延長石油建設工業互聯網平臺，整合16個業務板塊數據，構建PB級數據湖，部署38個工業智能體參與決策。油田開采中，動力計卡診斷智能體將人工從每日500余人降至約90人，診斷效率提升70%；煉油裝置中，醛分離塔工藝優化使產品一次轉化率提升30%以上；調油環節，智能配方系統將一次成功率提至98%以上，混合效率提升70%。

在工業園區能源管理中，卡奧斯為安徽省下塘園區建設能碳管理平臺，接入164家企業用能數據與45座分布式光伏電站，部署超萬個傳感設備，實現實時監測優化。通過空壓智能體和能源調度算法，園區整體能源成本降低15%，平均周減碳1.88噸，并入選省級零碳試點。

對于資本市場關注的獨立性問題，也需要放在產業背景下理解。海爾作為全球最大的家電制造企業之一，為卡奧斯提供了一個復雜而完整的制造環境。二者的協同本質是生態資源整合，并非依賴，這份扎根制造場景的實踐積淀，更是卡奧斯打磨工業智能技術、構筑核心競爭壁壘的關鍵所在。正是在這一長期實踐中，公司不斷打磨智能體系統，并逐步形成能夠跨行業復制的工業智能能力。

如今，這種能力正在向外部市場擴展。截至2025年9月，卡奧斯累計服務付費客戶超過9500家，覆蓋多個垂直行業，其中國家級專精特新企業超過600家。外部客戶收入占比從2023年的27.2%提升至2025年前九個月的41.1%，收入結構正在持續變化。

IDC數據顯示，中國工業企業應用大模型與智能體的比例從2024年的9.6%躍升至2025年的47.5%。這意味著工業AI正從少數企業的試點項目逐漸走向行業標配。在這一背景下，卡奧斯外部客戶占比的提升，與產業整體滲透曲線呈現出高度一致的趨勢。

盈利結構是判斷商業模式成熟度的另一重要指標。在AI企業普遍面臨高投入壓力的背景下，卡奧斯已經形成較為穩定的盈利能力。公司數據智能解決方案毛利率保持在30%至40%區間，明顯高于傳統硬件集成業務。2024年公司實現扭虧為盈，2025年前九個月凈利潤達到1.76億元，同比增長393%。

值得注意的是，工業科技領域發展初期獲得政府補貼支持是行業普遍慣例，而卡奧斯的盈利增長并非依賴補貼，反而正通過核心高毛利數據智能業務的內生增長逐步擺脫非經常性損益的影響，扣非后盈利水平持續改善，印證了其商業模式的可持續性。

卡奧斯的擴展能力也延伸至全球市場。其工業智能方案已在20多個國家落地，服務海外企業超過50家，海外收入占比超過12%。這意味著，在中國復雜制造場景中打磨出來的工業智能技術，正在具備進入全球制造體系的可能。

因此，卡奧斯值得被觀察的關鍵，并不在于商業模式本身，而在于它證明了一件更困難的事情：工業AI可以在高價值生產系統中長期穩定運行，并在此基礎上逐步形成可復制的業務結構。

4.結語：IPO不是終點，是價值重估的開始

縱觀全球科技產業的演進脈絡，從數字化連接向系統性智能的躍升，并非某幾家企業的突發奇想，而是人工智能技術演進與大國制造業轉型升級相互交匯的歷史必然。當人工智能加持實體經濟被確立為國家戰略的核心引擎，工業智能的規模化應用便天然承載了重塑新質生產力的時代使命。

工業AI企業的價值，并不取決于模型參數規模或技術概念，而取決于它是否能夠在真實生產系統中持續創造收益。「甲子光年」認為，從產業視角看，工業AI企業的發展往往取決于四個關鍵變量的乘積效應：單點智能體的ROI、可復制場景數量、產線滲透率以及組織適配能力。

單點智能體的ROI，決定技術是否真正創造收益；可復制場景數量，決定解決方案的橫向擴展邊界；產線滲透率，反映AI是否進入排產、工藝控制、能耗管理等核心流程，而非停留在外圍分析層；組織適配能力，則決定智能系統能否在企業內部長期運行，而不是短期試點項目。

當這四個變量形成正向循環時，工業AI企業便不再依賴一次性項目交付，而是逐步形成可以持續運行的產業能力。

與此同時，AI正在加速向生產核心環節滲透：Gartner預測，到2026年，超過60%的新建產線將部署某種形式的AI驅動的過程優化系統；據弗若斯特沙利文數據，中國基于平臺的工業數據智能解決方案市場規模，將在2025年至2029年保持年均23.4%的增速。

在這一背景下審視卡奧斯，其IPO的意義超越了單一公司的資本事件。它向市場證明了：在規模龐大、變化緩慢、不容出錯的物理世界里，AI不僅可以穩定運行，還可以做成一門可持續、可復制、可盈利的大生意。

從17座燈塔工廠到超過9500家付費客戶，從59.6%的數據智能收入增速到外部客戶占比的持續提升，這些指標共同勾勒出一家工業智能縱深型公司的輪廓：通過軟件、數據與智能體持續優化生產系統，而非一次性交付項目。

工業AI的時代，不屬于只會展示模型能力的企業，而屬于能夠在復雜物理系統中穩定運行、持續優化并實現跨行業遷移的企業。當這套結構性能力得到持續驗證，工業AI便不再只是技術進步的象征，而成為可以長期定價的產業資產。

卡奧斯的IPO，正是對這一判斷的印證——它讓市場看到，在規模龐大、不容出錯的物理世界里，AI不僅可以穩定運行，還能做成可復制、可盈利的大生意。這，便是它作為行業樣本的意義所在。

（文中圖片來自卡奧斯，封面圖由AI生成）