时间：2027年6月16～18日      

地点：上海国家会展中心

主办方：李成I3I.2287.0856

数字化转型持续向生产底层渗透，工业 AI 与工业芯片已经成为智能制造升级的两大核心支柱，二者相辅相成，芯片为智能算法提供算力载体，AI 则释放芯片在工业场景中的应用价值，共同推动制造业从自动化走向自主感知、自主决策的新阶段。不同于消费端智能应用，工业环境高干扰、高可靠、强实时的特性，决定了这条赛道的技术路线、产品标准与落地逻辑有着鲜明的行业属性。

工业芯片是整个工业智能体系的硬件底座，覆盖工业处理器、MCU、FPGA、边缘算力芯片、工业安全芯片、信号采集芯片等品类，承担着产线数据采集、信号处理、运动控制、边缘推理、设备防护等关键任务。工业场景对稳定性要求严苛，需要在宽温、振动、电磁干扰较强的工况下长期稳定运行，使用寿命、故障容错、信息安全等级都远高于消费级芯片。过去很长一段时间，高端工业芯片供给高度依赖外部产品，随着国内产业链持续攻关，本土厂商逐步在通用工业控制芯片、边缘算力芯片、工业安全芯片领域实现突破，产品在自动化装备、机床、机器人、智能传感等场景批量试用，国产替代进程稳步推进。同时产业需求也在发生变化，传统控制芯片追求稳定可靠，而面向 AI 应用的新一代工业芯片，开始强化低功耗边缘推理能力，兼顾实时控制与智能运算，实现算力下沉到车间终端。

工业 AI 则依托芯片算力，把机器视觉、预测性维护、工艺优化、质量检测、工业大模型等能力带入生产现场。传统自动化设备依靠固定程序执行动作，应对工况波动、物料偏差时适应性不足。搭载工业 AI 之后，设备可以自主识别产品缺陷、预判设备故障、动态调整加工参数，减少人工干预，降低不良率。其中边缘 AI 是落地主流模式，将推理任务放在本地工业芯片上完成，避免数据全部上传云端带来的延迟、带宽与数据安全风险，契合工厂数据保密、实时响应的诉求。工业大模型也逐步从通用模型转向工业垂类方向，依托产线工艺数据进行微调，适配焊接、注塑、精密加工、仓储调度等细分场景，解决通用 AI 不懂工艺规则、难以直接投产的痛点。

产业发展过程中，依然面临不少现实瓶颈。工业芯片研发周期长、验证门槛高，单款芯片要经过多轮工业场景长期可靠性测试，投入大、回报周期偏长，高端算力架构、工业接口生态仍有待完善。工业 AI 落地同样存在难点，工厂数据分散、标准不一，高质量标注数据获取成本高，算法模型通用性弱，一套模型很难直接复制到不同产线，很多项目停留在试点阶段，规模化复制难度较大。软硬件适配也是突出问题，AI 算法开发框架、工业操作系统、芯片驱动之间的适配工作量大，跨厂商兼容成本抬高了企业转型门槛。

市场需求的持续扩容正在加速产业协同。装备厂商、芯片企业、AI 算法服务商、终端制造企业开始联合开发方案，打造软硬件一体化的边缘智能单元，把芯片、模型、控制软件打包成标准化模块，降低工厂部署难度。长三角等制造业集聚区域，相关技术交流与商贸对接活动持续增多，助力供需两端精准对接。长远来看，工业 AI 与工业芯片的融合不会止步于单点设备智能化，而是朝着全厂统一算力网络、分布式边缘智能方向演进，持续赋能自动化产线升级，为整个装备制造行业打开新的增长空间。