在 WAIC 2026 星环科技「认知涌现 · 数据新生」人工智能主题论坛上，艾普工华董事长黄刚发表了题为《基于 GPU 数据库，构建工业智能进化引擎》的演讲，从制造业一线视角分享了认知数据库在工业场景的落地实践。

黄刚指出，制造业的复杂性不仅来自设备和流程，更来自跨部门协作、知识分散和经验传承。随着 AI 基础设施不断成熟，特别是认知数据库的发展，工业软件正从依赖规则和定制开发，迈向以知识驱动、持续进化的 AI 原生阶段。

作为 RelOS 关系数据操作系统的主导者，黄刚介绍了基于星环科技认知数据库打造的工业智能解决方案。工业场景实测显示，该方案不仅实现了传统数据库难以完成的复杂知识处理，在效率上也获得了显著提升，为认知数据库在工业领域的落地提供了实践验证。

大家好，非常开心、非常高兴有这样一个机会，来到会场给大家分享一下，我们在 AI+ 工业软件方面的一些工作。

我来自于艾普工华，我们的工业软件可能大家听得比较多的像 EDA、CAD 这样一些 " 卡脖子 " 工程的工业软件。我想花一点时间，介绍一下我们所在的行业。

制造业的 " 最后一公里 "

中国是一个制造大国。以汽车制造为例，一辆车从订单到下线，背后涉及设备、物流、工人、工艺、质量等多个环节的协同，订单进入车间后，需要通过我们做的一套 MES（制造执行系统）或 MOM（制造运营管理系统），将设计图纸这样的意图转化为车间使用的工单和指令，分解成设备能够识别的生产任务，并实时反馈制造状态。

这个工业软件跟常规看到的设计类工业软件不一样——设计软件面对的是设计知识和个人经验，而车间管理软件面对的是多个部门协作完成的任务，包括计划员、调度员、生产员、工艺工程师、质量工程师等不同角色。

车间管理软件的独特挑战

正因为是不同人协作，所以知识是分散在不同人的大脑里，或者不同人跟其他人对话的短信、邮件等其他地方。它的交互在车间里是移动中工作的，人和设备在不同地方，交互无处不在。同时有很多不同领域的人——设计的人、工艺的人、质量的人，他们的领域知识也有很多交叉。

所以，这样一个软件所面临的环境是：协作密集、知识分散、交互泛在、学科交叉。

在这样的条件下，对于传统工业软件来讲，基本上没有办法做到一个非常灵活的处理。基本上会把指令固化到软件里去，所有的软件交付模式是：派顾问跟客户一起初始化、调研，最后形成一个定制化的工业软件，特别对于大型企业来讲更是如此。因为 AI 出来以后，包括 AI 的基础设施逐步地发展，特别是认知数据库，给软件提供了一些新的想象空间和改善的方向。

一个平台，三套组件

围绕刚才的几个主题——协作、知识分散、交互——我们打造了一个平台（Nexus AI Platform），包括三套组件，分别用来解决协作的问题、知识挖掘与复用的问题，以及交互的问题

（智枢）：多智能体协作枢纽AgentNexus

希望解决三件事：一、让每个员工都能成为业务专家，通过协作获得不同层面的支持；让员工能够通过协作获得不同层面的支持；二、沉淀协作过程中产生的知识，避免人员流失导致经验流失；三、推动工业软件互联互通，实现人与人、人与机器、人与 Agent 之间的协作。

在这一过程中，企业可以搭建不同工作空间和项目空间，实现知识和任务的组织管理。未来，Agent 智能体也能够参与到协作过程中，根据业务需求提供背景知识、提醒历史经验，辅助人员完成工作。

RelOS：工业关系操作系统

知识组件是三个组件当中最关键的环节。这个系统为什么能够体现出 AI 或者体现出智能？这是它能够越用越聪明的核心点。

我们对知识进行建模和复用的时候，世界上已经有很多先进的公司在做这方面的工作。" 本体论 " 的基本核心有两个特征：第一，世界有哪些对象；第二，这些对象到底有什么关系，关系怎么演化的。

RelOS 工业关系操作系统本质上是一个面向工业场景的轻量化本体系统，通过对设备、人员、工艺等对象进行统一描述，帮助企业构建知识体系。而这一体系的核心，就是认知数据库。

我们认为，过去工业软件更多关注数据采集，" 应采尽采 "，但数据背后的知识价值并没有被充分挖掘。AI 时代，数据采集应该围绕业务价值展开，由知识决定需要什么数据，并进一步支撑生产决策。

同时，以前的数据有很多特性是丢失的。比如事务数据，数据是没有时间戳或时间轴的概念，或者整体上并没有用时间把它串起来。现在我们用时序的方式把整个串起来——车间里发生的所有事都是有相互关系的，如果发生在同一时间，背后就有一些可以被发现的规律，甚至未来可以支撑我们决策的方式。

认知数据库的工业实测

过程中我们也很有幸用到了星环的认知数据库，在工业场景之下做了一些测试，得到了几个结论：

第一，像星环认知数据库这样的一些基础设施，基于 DPU 或更适合 AI 环境的数据处理，在 GPU 服务之下，数据库的效率比传统数据库确实高很多。

第二，在复杂的场景下，特别是 AI 不像传统 SQL 那样，知识的效率也比传统数据库高——第一实现了不可能到可能，第二效率也提升了很多倍。

三大能力：隐性知识、关系推理、自学习

RelOS 在工业场景中的放大作用体现在三个方面：

第一，让隐性知识可抽取。 举一个例子，很多制造企业都会返聘退休老师傅，很多情况是不得已而为之，因为老师傅掌握着关键工艺、设备维修等长期积累的经验。这种方式可以把存在于个人头脑中的经验可以被提取、沉淀并形成可复用的知识库，实现隐性知识的显性化，让经验不再随着人员流动而流失。

第二，让关系的知识能够推理。 我们以前很多的知识存在于不同领域里，但不同领域里的知识因为有各种以前看不到的关系，包括刚才说的时间，能够串起来之后，就能发现中间的一些规律，让关系知识能够推理。

第三，在使用中能够自学习。 在协作过程中，系统不断地进行标注，每次决策使用还是不使用都可以自己学习，而且这个方式人始终在环——很多决策过程中，由于 AI 的可信度还需要提高，人在决策的时候，就能够把决策学习的过程自动地添加上去。RelOS 现在支持很多数据，同时也支持在线标定，给出很多专家入口，包括对于在线使用时，可以给一些特定场景直接用 RelOS 做测试，最后形成一个可用的知识库，背后支撑协作和决策。

正因如此，在 " 智枢 " 协作平台中，Agent 不仅能够自动回答工人的问题，还可以主动参与讨论，为现场人员提供基于行业经验和历史知识的决策建议，其知识广度和信息整合能力远超个人经验。

NexusOps 执行：交互、互联与智能体执行

第三个是执行的组件，体现在快速互联和智能之上。主要负责统一连接各类工业软件和 Agent，实现任务编排、智能规划与执行监督。

在这个过程中，我们发现有一个根因分析的能力。在制造企业中，很多问题都需要不断追问 " 为什么 "，传统工业软件虽然能够记录事实，却难以解释问题产生的原因。而有了认知数据库和知识库作为支撑，AI 可以结合 MES 系统、设备数据、传感器数据以及历史经验，自动调用相关知识完成分析，快速定位问题根源，为企业提供更准确的决策依据，显著提升问题解决效率。

一个工厂里的真实场景

这三个组件构成了 AI 原生的工业软件，他们的分工是：第一层负责任务的编排、调取知识；第二是完整的 RelOS 知识引擎；第三是一个执行的 Ops。

举一个小例子。当工厂同时出现紧急插单、设备维护和产线质量异常时，过去各部门往往各自处理，难以及时发现彼此关联，只能依赖人工沟通，问题解决周期较长。

AI 则能够同时调用生产、设备、质量等多个 Agent，结合历史知识自动分析影响关系，几分钟内形成综合决策建议，实现快速闭环。

基于此，我们打造了很多可以用的智能体，这些智能体背后都可以放在协作平台里，实时地解决很多生产企业的问题。

愿景：让每个制造工人站在集体智慧的肩膀上

我们做这件事的目的和愿景是：让每一个制造工人都能站在集体智慧的肩膀上进行工作。

无论是年轻工程师还是中小企业，都能够借助沉淀下来的行业知识和 AI 能力，获得过去只有资深专家或头部企业才具备的决策支持。

这就是我们 AI 原生 MOM 的主要愿景。今天的分享到这里，谢谢大家！

本文根据 WAIC 2026 星环科技「认知涌现 · 数据新生」人工智能主题论坛现场速记整理，已经嘉宾本人授权发布。