过去一个月，工业软件领域出台的政策密度罕见。
9月2日，工业和信息化部印发《"人工智能+软件"专项行动实施方案》，明确提出加快基础软件、工业软件等关键软件智能化升级，培育通用、专用、垂直、工业等各类智能体软件，在重点行业打造100个智能体软件标杆应用；到2030年，智能编程、智能体软件及智能服务等新业态要成为产业新增长极。
9月11日，工业和信息化部举行新闻发布会解读这一方案。会上有一段表述值得琢磨：当前人工智能正在深刻重构软件的技术架构与开发模式，人工智能与工业软件的融合正沿两条路径展开——一是"AI辅助"，在既有架构上叠加智能功能，是当前应用最广、见效最快的升级方式；二是"AI原生"，由模型承担软件核心能力，能力边界不断延伸，重塑了研发与运行逻辑，"为打破先发者生态壁垒提供了新的技术手段"。
这句话点出了一件此前很少有人明说的事：困扰国产工业软件多年的"生态壁垒"，有可能被绕过去。
第一战场：卡住工业软件的，从来不是代码
2018年4月，科技日报用35期报道列出了一份"亟待攻克的核心技术"清单。七年之后回看这份清单，一个规律清晰起来：标准化程度高的硬件产品突破得快，需要生态支撑的软件产品突破得慢。
盾构机主轴承、重型燃气轮机、锂电池隔膜，这些当年被点名的"硬骨头"，几年时间就从被人卡着走到了反向出口。它们的共同点在于，好不好可以用数字说话——可靠性达到国际同类水平，价格低三成，售后响应快一倍，客户的账很好算。
工业软件不适用这套逻辑。一套工业软件的价值，一半在软件本身，一半在它承载的数据、流程和工程师的习惯。客户用了二十年，图纸、参数、上下游接口都在里面。换一套软件，意味着历史数据要迁移、人员要重新培训、供应链要重新对接。成本高到让人不敢下决心。
所以真正卡住国产工业软件的，很多情况下不是"造不出来"，而是"造出来了，客户不敢换"。这也是为什么，以CAD、CAE为代表的通用研发设计类软件的国产化，走了这么多年依然步履沉重。这一仗可以称为工业软件国产化的"第一战场"——也是最艰难、最漫长的一场硬仗。
第二战场：贴着工艺长出来的软件
但还有一类软件很少被提起：与具体生产工艺深度绑定、只服务于某一个行业的专用软件与控制系统。这是工业软件国产化的"第二战场"，同样关乎关键生产系统的自主可控，却长期处在讨论的盲区里。
这类软件处在一个尴尬的位置。通用巨头不屑于做，因为市场太垂直；行业自己不做，它就会被设备厂商随设备"打包"进来，长期封闭运行——数据沉在设备里，标准各家不一，跨产线、跨企业的对比分析几乎无法开展。
玻璃行业正是这样一个场景。一座浮法玻璃窑炉一旦点火，就要连续运转数年，停产意味着巨大的重置成本；炉温波动、料方配比、拉引速度，任何一个参数的变化都会反映在成品上；而一块光伏玻璃的瑕疵判定，往往取决于几微米的差别。这些判断长期依赖老师傅的眼睛和手感，承载它们的软件系统，大多跟着进口设备一起来。
这个战场不在实验室，在车间里。
政策坐标：两套文件，一条路径
值得注意的是，政策层面对这个问题的认识，经历了明显的深化。
第一层是行业级的数字化转型要求。2024年，工业和信息化部等九部门联合印发《原材料工业数字化转型工作方案（2024—2026年）》，附件《建材行业数字化转型实施指南》为玻璃行业圈定了四个重点方向：大型窑炉炉温优化控制及质量预测；基于视觉识别的缺陷在线检测；切割分拣、搬运码垛、磨边钻孔等机器人应用；智能排产及优化。文件同时提出，鼓励建材企业联合软件开发商、装备制造商开展技术攻关，打造一批具有自主知识产权、具有行业特点的专业工业软件和智能装备。
第二层是智能体层面的路径指引。2025年8月，国务院印发《关于深入实施"人工智能+"行动的意见》；其后，工业和信息化部等八部门联合印发《"人工智能+制造"专项行动实施意见》，提出到2027年推出1000个高水平工业智能体、打造100个工业领域高质量数据集、推广500个典型应用场景。今年9月出台的《"人工智能+软件"专项行动实施方案》则进一步把"工业智能体软件"单独列出，明确要"聚焦核心工业环节，研制安全可靠、行为可校验的工业智能体，深度融入生产经营全流程"。
两份文件之间有一条清晰的技术逻辑：行业级要求解决"在哪里用"，智能体路径解决"用什么形态用"。而9月11日发布会上提出的"AI原生"路径，恰好为后者提供了方法论——如果由模型承担软件核心能力、重塑运行逻辑，那么在传统软件生态里被绑定的历史包袱，就不再是无法逾越的障碍。
一个可以观察的技术判断： 通用工业软件的国产化，是在别人已经建好的生态里追赶；而行业工艺软件与工业智能体，是在生态尚未被建起来的地方先落子。前者拼的是追赶速度，后者拼的是场景理解深度。这两条路的难度不同，需要的企业类型也完全不同。
车间里的一个解题样本
在玻璃行业，已经有一批企业在沿着第二条路径走。其中一家位于杭州的产业互联网企业——聚玻工业科技的做法，具有一定的观察价值。聚玻是一家长期深耕玻璃行业的产业互联网平台，从玻璃行业的采购、交易、物流、供应链等环节起步，近几年把积累延伸到了生产车间的工业AI。
它的选择是从行业的真实生产数据入手，而不是从替换通用软件入手。在长期服务玻璃生产企业的过程中，它积累了包括工业数据在内的行业数据资产。这个积累过程本身并不算"工业软件"，但它是训练行业模型的前提。
在此基础上，这家企业把能力固化成了两条产品线：一条负责"看"——用机器视觉在建筑玻璃、光伏玻璃、电子玻璃、家电玻璃四类产线上完成缺陷检测与质量分级，替代人工目视；一条负责"学"——把一线师傅的判级经验，转化为可以被系统调用和复用的算法模型。
第三个环节是工程体系。玻璃产线24小时连续运行，检测系统停一小时就是真金白银的损失，这类场景对软件的可靠性要求接近设备级。
值得关注的是它的推进顺序：先做检测，再做预测，最后才碰控制。
从"看得见"到"跑得稳"：工业智能体的三级门槛
沿着这个思路，把玻璃行业这几年的数字化路径拆开看，大致可以分为三步。
第一步是"看得见"——把过去靠人眼完成的检测交给视觉系统。这是最容易看到效果、技术风险也最低的环节。
第二步是"算得准"——把窑炉炉温、质量预测、工艺参数优化这些原本依赖经验判断的环节，交给模型做预判。这恰恰对应了《建材行业数字化转型实施指南》给玻璃行业圈定的第一个方向。
第三步是"跑得稳"——让系统不只是给建议，而是能在受控范围内直接参与闭环控制和决策。
第三步正是工业智能体真正的门槛。《"人工智能+软件"专项行动实施方案》在论及工业智能体时用了两个定语："安全可靠""行为可校验"。这八个字很关键——它意味着工业智能体与办公类智能体的评判标准完全不同。办公智能体答错了可以重来，工业智能体的一次误判可能是数百万元的损失。
由此可以归纳出工业智能体成立的三个条件：有足够规模的行业数据、有把工艺知识结构化的能力、有可执行的闭环控制通道。三个条件缺任何一个，所谓智能体都会退化成一个仪表盘——能显示、能报警，但不能决策。
能提建议的系统很多，能在生产线上承担责任的系统很少。这两者之间的距离，就是工业 AI 真正的门槛。
为什么这条路径在中国具备可行性
回到9月11日发布会上那个判断："AI原生"为打破先发者生态壁垒提供了新的技术手段。这个判断在中国制造业具备现实基础，原因有三。
其一，有最完整的应用场景。中国拥有全球最完整的工业体系，这意味着任何新技术都有真实产线可以试、可以改、可以迭代。做出来就有地方用，用了就能改进——这是其他国家不具备的条件。
其二，有海量的真实物理交互数据。工业智能体的能力来自对真实生产规律的学习，而这类数据的价值与产量规模强相关。玻璃、水泥、陶瓷这些产量占全球一半以上的行业，天然是数据富集地。
其三，有愿意给国产方案第一次机会的客户。在产业链安全成为共识的背景下，越来越多的制造企业开始愿意把关键生产环节交给国产系统，一起磨合。而这种"第一次机会"，恰恰是过去很多国产工业软件最缺的东西。
结语：终点不是"我们也有了"
把玻璃行业这次的路径放到更大的坐标里看，它给出的启示可能不只是"某个行业的软件实现了国产化"。
更值得关注的是方法：不去已经建成的生态里硬闯，而是从行业自己的数据、工艺和知识出发，长出新的系统。这条路的护城河，不是代码，是时间——是行业数据攒了多久、工艺 know-how 理得多清楚、客户信任建立得多深。
顺着这个逻辑，玻璃行业内部从建筑玻璃延伸到光伏、电子、家电、特种玻璃；行业外部，水泥、陶瓷、耐火材料这些同样"重工艺、重经验"的原材料工业，车间里面对的课题高度相似。
而这套路径在具体企业里是怎么落地的、落到什么程度、还差什么，需要放到具体的产线上才看得清。趋势判断相对容易得出，难的是把判断变成车间里每天跑得起来的东西——这恰恰是接下来最值得观察的部分。
七年之前那份清单上的35项技术，如今看已有相当一部分跨过了最难的那道关。回头看，真正难的从来不是"造不出来"，而是"造出来了，别人敢不敢用"。这个问题的答案，正在一个一个行业里被写出来。
卡脖子的终点，不是别人有的我们也有了，而是别人没做的，我们先做出来了。
（免责声明：此文内容为本网站刊发或转载企业宣传资讯，仅代表作者个人观点，与本网无关。仅供读者参考，并请自行核实相关内容。）