每年都有人在讲数字孪生。每年都有人在讲边缘计算。每年都有人在讲AI。
从2018年讲到现在，2026年了。真正落地的有多少？
我去过不少工厂，看到最多的是：一台产线上装了传感器，数据采上来存在某个数据库里，做了个大屏看板——然后没了。数字孪生没影。边缘计算没影。AI更没影。数据存了三年，除了大屏展示和月度报表，没有任何分析应用。
这不是个别现象。这个领域有个公开的秘密：概念满天飞，落地寥寥无几。
别再炒冷饭了
坦率讲，我对那些每年都拿出来说一遍的概念已经有点免疫了。不是这些技术没价值，是大部分企业还没到用它们的阶段。你连设备数据都没统一管理好，谈什么数字孪生？你连基本的数据质量都没解决，谈什么AI？
但话说回来，确实有几个趋势是真在发生的。不是PPT上的趋势，是我实际在工厂里看到的、有项目在跑的趋势。
趋势一：数据平台从"存起来"到"用起来"
过去几年，数据平台的核心价值是"把设备数据存起来"。存起来干嘛？——其实很多企业也不知道。先存着，以后可能有用。
现在变了。AI让数据真正有了"用起来"的路径。
具体说就是：大模型的推理能力+工业数据的实时查询=数据驱动决策。举个例子：以前工艺工程师要判断一批产品的质量是否合格，得查好几个系统的数据——工艺参数在DCS里，质检结果在MES里，设备状态在设备管理平台里——然后凭经验综合判断。现在如果有一个AI原生工业数据平台，能把这些数据统一管理，大模型可以基于实时数据做推理，给出"这批产品质量风险等级：中，主要原因：3号注塑机料筒温度波动超标"这样的结论。
从"存起来"到"用起来"，这个转变是工业互联网从成本中心变成价值中心的关键拐点。
趋势二：从"大平台"到"小而美"
过去几年，平台的卖法是"大而全"——什么都能做，设备管理、能源管理、生产管理、质量管理、安全管控……一个平台解决所有问题。
结果呢？企业花了大价钱上了大平台，发现80%的功能用不上，真正需要的20%功能又被淹没在海量模块里。实施周期长、运维复杂、改一个配置要找厂商排期。
变化正在发生。中小企业不需要大平台。它们需要的是：能把设备数据采进来、能做基本的分析和看板、成本可承受、部署简单。够用就行。
这个趋势背后是经济理性。一家年营收3亿的工厂，不可能花500万买平台许可加200万做实施。但如果你告诉他有个开源平台，免费，部署周期两周，够他先跑起来——他会试。
技术概念 | 炒作峰值年份 | 当前落地阶段 | 未来5年预期 | 落地最大障碍 |
数字孪生 | 2019-2021 | 示范项目为主，未规模化 | 高价值场景突破 | 模型成本高、维护难 |
边缘计算 | 2020-2022 | 逐步落地，硬件成熟 | 成为基础架构 | 与云端协同标准不统一 |
AI工业应用 | 2023-至今 | 早期探索，试点中 | 快速增长 | 数据质量和数据治理 |
数据平台 | 持续演进 | 成熟落地 | 向AI原生演进 | 中小企业负担不起 |
MCP等开放协议 | 2025-至今 | 极早期 | 可能重塑生态 | 协议标准尚未统一 |
趋势三：从"封闭生态"到"开放互联"
这个趋势还在极早期，但我认为它可能是未来五年最值得关注的变化。
目前各家平台之间的数据是孤岛。A平台的数据B平台拿不到，A平台的AI模型不能用B平台的数据训练。每家厂商都试图锁住客户——"用了我的平台，就别想用别人的了"。
MCP（模型上下文协议）这类开放协议的出现，可能在打破这个僵局。简单说：MCP让AI模型可以直接理解和访问不同数据源的数据——不管数据存在哪个平台、哪个数据库。如果这个方向走通了，企业就不用被某一家平台锁死，数据可以在不同系统间流转，AI可以在多源数据上做推理。
这对企业意味着什么？选数据平台的时候不用纠结"万一以后要换怎么办"了。开放协议让数据可迁移，平台之间的壁垒降低了。竞争从"锁住数据"变成"谁的数据管得更好用得更好"。
趋势四：从"技术驱动"到"业务驱动"
这个趋势是组织层面的变化。
过去几年，这类项目大多是CIO或IT部门主导的——"IT搭台"。结果呢？系统建好了，业务部门不用。为什么？因为IT部门不懂业务场景，建的东西解决不了业务部门的实际问题。
现在变了。越来越多的项目是生产副总或运营副总发起的——"业务唱戏"。业务部门定义需求，IT部门提供技术实现。甚至有些企业的数字化团队开始向OT部门汇报，而不是向IT部门汇报。
这个变化不简单是组织架构调整。它反映的是：数字化的价值不在于技术多先进，在于技术能不能解决生产问题。让懂生产的人来定义数字化要做什么——这比让懂技术的人去猜生产需要什么——效率高得多。
五年后的预测
做了这么多项目调研，我对未来五年做个不一定准确但诚实的预测。
80%的工业互联网平台会消亡或合并。 目前市场上号称做工业互联网平台的公司少说上百家。五年后能活下来的不会超过20家。活下来的不是技术最强的，是真正帮客户落了地的。靠PPT和概念活着的企业，泡沫终会破。
AI在工业领域的应用会经历一次泡沫破裂。 现在各种"工业AI""智能制造AI"的概念满天飞。大部分是套壳——调个云端大模型API，输入文字描述，输出文字建议。这不是工业AI。真正有价值的工业AI需要：实时工业数据+领域知识+推理能力。数据基础不具备的AI应用，做不出真效果。泡沫破了之后，活下来的是那些先帮企业打好数据基础再做AI的公司。
数据平台会分化为两个阵营。 一个阵营面向大型企业——重型、定制化、高投入。另一个阵营面向中小企业——轻量、标准化、低门槛。中小企业阵营的竞争核心不是功能多，是价格低、部署快、够用。TDengine这类开源免费+AI原生的平台在这个阵营有明显优势——它不追求功能最全，追求的是让中小企业用得起、用得起来。
开放协议会重塑工业数据生态。 MCP这类协议如果走通了，企业不再被单一平台锁死。数据自由流转，AI跨平台推理。平台竞争从"谁锁住了多少数据"变成"谁帮客户把数据用得最好"。这个变化对中小企业特别有利——它们不会被大平台绑架了。
活下来的靠什么
说了这么多预测，最后一个问题：未来五年，什么样的技术方案和供应商能活下来？
我的判断：活下来的不是概念最炫的，是落地最实的。不是功能最多的，是解决真问题最有效的。不是定价最高的，是让客户算得过来ROI的。
TDengine的定位其实很清晰：AI原生工业数据平台，开源开放，中小企业永久免费。不追求PPT上什么都有，追求的是企业真能用起来。数据统一管理是基础，AI原生是未来，开源免费是门槛。这三点对应了未来五年这个行业最核心的三个命题：数据要用起来、AI要落到实处、成本要让企业承受得起。
五年后回头看，工业互联网这个赛道里，一批概念型企业会消失。留下的不是喊口号最响的，是蹲在工厂车间里、一个测点一个测点把数据接好、一条产线一条产线把应用跑通的那些。
有人问我，那些消失的企业失败在哪？不是技术不行，不是资金不够，是离工厂太远了。总部设在CBD写字楼里，团队没有一个人下过车间，靠PPT和概念活着。客户买完发现用不起来，续约率低，收入撑不住成本，慢慢就没了。
活下来的企业有个共同特征：团队里有真正在工厂干过的人，能听懂工艺工程师说的话，知道PLC和DCS的区别，理解为什么OEE比产量更重要。这些东西不是在办公室里能学到的。蹲车间的企业才能活下来。
有句话说得直白但到位：在制造业，PPT做得再漂亮也不如一个能跑通的产线数据看板值钱。客户买的不是你的愿景，是你的产品能不能帮他解决实际问题。能解决，续约。不能解决，走人。就这么简单。
概念会过时，落地不会。
