消费AI有四层折叠，工业AI呢？

最近，Andrej Karpathy 的一条长推在朋友圈刷屏了。

这位前特斯拉 AI 总监、"Vibe Coding" 一词的提出者，给了一个冷酷的判断：全人类正在被 AI 的认知鸿沟折叠成四个层级——大约 60 亿人几乎没碰过大模型；10 到 20 亿人偶尔用免费版聊天产品；只有约 2000 万人在数学、代码等领域重度使用前沿模型和 Agent；而最顶层，全球大约只有 5000 人真正见识过 AI 实验室内部系统的完整能力。

他引用过一句扎心的话："你对 AI 敬畏的程度，与你用 AI 写代码的频率完美正相关。"

当我读到这条推文时的第一反应不是"人"，而是"企业"。

如果把这张四层漏斗的主角，从 80 亿人换成全球的制造企业，把"使用 AI 的深度"换成"工业 AI 的应用深度"——这张图几乎不用改，就能直接套用。

今天这篇文章，我想做三件事：把 Karpathy 的四层"翻译"成工业版本；用达索系统 45 年"七代世界表征技术"给它配上纵轴；最后给读者一份可以带回去的自查清单。

Karpathy 的模型本质上是一条"漏斗"，切分标准只有一个：你与前沿 AI 能力之间，隔了几层墙。

注意，这四层不是"会不会用 AI"，而是"见过 AI 的哪一面"。第一层的人以为 AI 是个经常出错的玩具，第四层的人知道它正在指数级变强——他们对同一项技术的判断，相差了好几个时代。

把镜头对准制造业，我们可以发现全球企业同样在被折叠。分层标准是一样的：你的核心工程流程里，AI 到底在不在场。

这一层的企业占绝大多数。产品定义靠 2D 图纸和 Excel，变更管理靠邮件和微 信群。AI 当然存在——但存在于员工私人的免费聊天窗口里，用来写周报、润色 PPT。

AI 没有进入流程，只进入了"缝隙"。更要命的是，这些"影子 AI"既没有数据治理，也没有结果验证，反而在悄悄制造合规风险。

——这正是 Karpathy 说的第一层对 AI 的印象：不是 AI 不行，是你见到的那一面不行。

数字化基础好一些的企业，PLM、ERP、MES 都上了，也开始采购 Copilot 类工具：写需求文档、做客服问答、辅助生成代码。效率确有提升。

但看本质：AI 被挡在核心工程决策的门外。它写得出文档，却不能替你定义一个零件该长什么样；它答得出问题，却不能替你验证这个设计扛不扛得住 10 万公里路试。AI 是"外挂"，不是"器官"。

到了这一层，AI 开始真正出现在工程师的主战场：

01创成式设计与智能探索：给定载荷、材料、工艺约束，AI 生成成百上千个候选方案，人来收敛。

02AI 代理式仿真：Agent 自动完成网格划分、工况设置、批量求解，把原本以"周"计的仿真循环压缩到"小时"。

03虚拟孪生驱动的验证闭环：物理样机的数据回流虚拟孪生，AI 在物理机理的约束下持续修正模型——这就是 Karpathy 说的"AI 生成—人类验证"的高速循环在工业界的形态。

这一层的企业信奉的不是"无人工厂"，而是 Karpathy 那个著名的"钢铁侠战衣"哲学：部分自主、增强专家、把验证做快。他们使用自主性滑块（Autonomy Slider）——不同任务，交给 AI 的自主程度不同，人始终握住滑块。

全球能做到这一层的制造企业，大致就是 Karpathy 漏斗里那"2000 万人"的位置：稀少，且领先幅度还在拉大。

最顶层的企业，已经不只是"使用 AI"，而是在定义 AI 学习的对象：

①它们把几十年的 3D 设计、仿真、试验、服役数据沉淀为高质量语料，训练行业专属的工业世界模型；

②它们构建跨企业、跨学科的虚拟孪生网络，让设计、工程、制造、服役的孪生体持续对话；

③它们把知识产权（IP）当作核心资产来经营——这正是达索系统"生成式经济"愿景的核心判断：未来的 IP 就是新的货币。

这一层对应 Karpathy 漏斗顶端的"5000 人"。在工业界，我更愿意这样描述他们：见过"AI + 物理 + 工程知识"三者合流之后是什么样子的人。

光有横轴还不够。企业"AI 用得深不深"，还取决于一个更底层的问题：你的世界表征能力，到了第几代？

AI 不是在真空里聪明的。给它聊天记录，它会聊天；给它有物理机理、有工程上下文的世界表征，它才会做工程。达索系统 45 年来做的最重要的一件事，就是不断升级"人类表征世界的方式"：

Gen 1｜3D 建模（1980s）

打开的新方式：数字化预装配，告别图纸

Gen 2｜数字样机 DMU

打开的新方式：波音 777 万人协同，虚拟对象先于实物

Gen 3｜产品数据管理 PDM

打开的新方式：信息与模型结合，工程协同

Gen 4｜产品生命周期管理 PLM

打开的新方式：追溯、认证、维护全生命周期

Gen 5｜虚拟孪生 Virtual Twin

打开的新方式：虚实表征融为一体，沉浸式体验

Gen 6｜人体虚拟孪生体验

打开的新方式：从"物"到"生命"，生物学融入孪生

Gen 7｜3D UNIV+RSES

打开的新方式：建模+仿真+现实证据+AI 生成内容

第七代 3D UNIV+RSES 是 2025 年 2 月正式发布的：它把生成式 AI 嵌入 3DEXPERIENCE 平台核心，提供组合、交叉仿真多个虚拟孪生的安全环境，同时全程保护客户知识产权。配套的还有一整套新服务：生成式体验（GenXp）、虚拟伴侣（Virtual Companions），以及 VTaaS（虚拟孪生体验即服务）。今年的技术大会上，面向业务、工程、科学的三位虚拟伴侣 Aura、Leo、Marie 已经走到台前。

把两根轴叠起来，几类典型企业立刻呈现：

坐标（Gen 4 × 第二层）——最常见。PLM 数据齐整，AI 只用来写文档。数据是金矿，AI 却停在矿门口。

坐标（Gen 1 × 第二层）——错配风险较高。3D 底子薄弱，却指望 Copilot 逆袭。没有世界表征，AI 只能给你"说得漂亮但不可验证"的答案。

坐标（Gen 5–6 × 第三层）——当前的领跑区。虚拟孪生 + AI 代理 + 人在回路验证，研发周期以肉眼可见的速度缩短。

坐标（Gen 7 × 第四层）——定义者的俱乐部。以 AI 原生的方式重构整个产品生命周期，IP 资产开始产生复利。

自查方法很简单：横轴问"AI 在不在你的核心流程里"，纵轴问"你的孪生体说不说得出物理世界的真相"。

从第一层到第二层，缺的不是工具，是数据主 权意识。把"影子 AI"收编进企业级安全环境，先让 AI 在边缘职能上合规上岗。这是治理问题，不只是技术问题。

从第二层到第三层，是质变，需要三块基石：

A世界表征升级：从静态 3D/PLM 数据走向虚拟孪生，让 AI 有"物理常识"可依。

B验证闭环提速：AI 生成、仿真验证、人类收敛——循环越快，问题暴露得越充分。

C自主性滑块机制：给每个任务定义 AI 的自主边界，而不是一刀切地"全自动"或"全人工"。

从第三层到第四层，比拼的是积累与信任。训练工业世界模型的数据从哪来？从企业多年积累、治理到位的设计与仿真遗产里来。这正是 3D UNIV+RSES 的设计初衷：让生成式结果可信、可追溯，让 AI 在科学与物理的约束下工作。

请你用"是/否"回答：

▢我们的工程师用 AI，是公司统一分配的账号，还是私人免费账号？

▢过去 12 个月，AI 生成的结果是否进入过任何一份正式设计文件或仿真报告？

▢我们的 3D 模型库、仿真资产，是否足以训练一个"懂我们产品"的 AI？

▢一次典型的设计变更，从提出到仿真验证闭环，需要几天？

▢我们的虚拟孪生能预测物理表现，还是只是"好看的 3D"？

▢我们是否有明确的"AI 自主性边界"制度——哪些决策 AI 可以做，哪些必须人签？

▢我们的 IP 资产（设计、工艺、试验数据）是被保护的可交易资产，还是散落各处的文件？

▢我们的竞争对手如果明天接入行业世界模型，我们的护城河还剩什么？

结语：认知折叠，是这个时代最容易被忽视的风险

Karpathy 担忧的不是 AI 太强，而是大多数人见到的 AI 太弱，由此做出的判断与战略，误差会大到危险。

工业界同理。第一层的企业嘲笑 AI 连图纸都看不懂，第四层的企业已经在用工业 AI + 虚拟孪生显著缩短新车的研发验证周期。他们看到的不是同一个技术。

达索系统做"七代世界表征"做了 45 年，做的是同一件事：让人类看见世界的真实一面，然后让 AI 也看见。3D UNIV+RSES 不是又一个工具，它是第七代世界观的起点——在这个环境里，建模、仿真、现实证据与 AI 生成内容融合，虚拟世界与物理世界通过无限循环无缝连接。