业界将AI技术的演进历程大致划分为Perception AI、Generative AI、Agentic AI、Physical AI四个阶段。当前，AI技术正从Generative AI向Agentic AI和Physical AI 迈进。工业也在积极拥抱AI，我们看到AI技术发展与其在产业应用间的时差正在缩短。从当前看，Perception AI在工业领域的应用已相对成熟；Generative AI发展时间较短，但在工业领域也形成了一批高潜力的应用，如创成式设计、生产计划排程、PLC编程辅助等；而更加前瞻性的Agentic AI和Physical AI 在工业的应用仍处于探索阶段，受制于模型幻觉、安全和可靠性等关键因素，工程化落地仍需一段时间。
AI在工业研/产/供/销/服等不同业务环节的落地速度不同，呈现明显的“双曲线”特征——小模型率先在制造场景落地，这是由于小模型在准确性、稳定性、实时性以及可解释性等方面具有显著优势；大模型率先在研发和销售服务场景落地，这是由于大模型更适合开放、创新性的生成泛化类场景，例如代码生成、知识问答、智能客服等。基于大小模型各自的技术特性和适用场景的互补性，我们预判二者将在工业领域长期共存、相互促进。
憧憬2035年，我们预见工业智能将在 与人类对齐（人）、与机器共融（机）、与生产协同优化（料）、与工业知识共智（法）、与物理世界交互（环）等五个方面将取得长足的进步。在AI的帮助下，工业软件等生产工具将从计算机辅助人模式（CAx）向人辅助计算机模式（HAx）转变。未来的商业模式将是AI解决方案提供商直接向工业企业交付结果、创造价值，实现Result as a Service。在这一变革中，人类与技术的角色关系将重新定义，人类角色向更高阶的提出问题和监督执行转变，大多数体力和脑力劳动将由Physical AI和Agentic AI完成。此外，从更大范围看，工业与AI的融合还将通过重塑未来工业，改变消费者的生活方式和社会组织形态，将人类带向更美好的生活。
然而，前路并非坦途。工业与AI的融合过程中还面临重重挑战。一是AI可靠性与泛化的瓶颈；二是AI技术更新快与工业稳定性的矛盾；三是工业企业在数据、技术上的就绪度不足；四是工业know-how门槛高、场景碎片化制约项目复制扩展；五是由以上因素综合导致的严峻的ROI（投资回报率）挑战。
在本指南中，我们沿着7个工业细分行业的业务流程，梳理了当前行业的挑战与痛点，并从行业的业务流程出发，系统梳理出7大行业与AI融合的高价值场景、业内最佳实践，给读者以启发和借鉴。