1. 中国工业互联网行业概览
中国经济持续增长，国内生产总值于2024年达到约人民币134.9万亿元，预计到2029年将增至约人民币176.0万亿元。工业仍然是增长的支柱，2024年实现增加值约人民币40.5万亿元。中国还拥有全球最为完备的工业体系之一，横跨41个工业大类、207个工业中类、666个工业小类，成为全世界唯一拥有所有经济活动的联合国产业分类中所列全部产业门类的国家。这种深度巩固了中国作为全球制造业中心的地位。同时，工业行业面临技术瓶颈、供应链复杂性及人口压力。对此，企业正从局部的改造升级转向全企业数字化转型，通过人工智能、工业互联网及第五代网络将运营从以设备为核心转向数据驱动。
数字化与智能化已成为工业领域日趋重要的发展方向。工业互联网作为其核心赋能领域，正加速推动此轮转型。随着全球制造业转向高效、精准、灵活的生产模式，数字化与智能化能力已成为工业竞争力的核心驱动力。企业可借助数字化工具，实时监测营运，从而优化流程、降低成本、提高生产力。而智能化应用则能进一步提高决策能力，赋能企业对瞬息万变的市场环境作出敏捷反应。
工业互联网是数字化与智能化技术的主要应用载体。其将实体设备与联网的传感器及软件深度相整合，实现高效的数据采集、交换与分析，从而全面提升工业效率、生产力与创新能力。关键特征包括：
自动化：软硬件的深度融合可实现各类的任务自动化。系统可根据分析结果实时调整生产，从而减少人工干预及错误率。
连接：设备、系统与网络间的持久链接有助于整个工业生态系统内的协调和数据交换。
数据采集与分析：全面感知技术实时采集设备与工艺数据；先进的分析技术将该数据转化为具有决策价值的洞见，以实现预测性维护与营运优化。
信息技术与营运技术的融合：信息技术与运营技术融汇于统一平台，实现监测、控制与优化，以此提升生产效率并支持创新。
透过工业互联网，企业能够实现生产全流程的端到端数字化与智能化转型，进而强化全球竞争地位。工业互联网预期将成为未来工业发展的关键支柱，并持续推动工业部门向智能制造转型。
工业互联网的架构包括设备层、IaaS、PaaS、SaaS及应用层，形成一个多层次、紧密集成的生态系统。设备层透过智能设备与边缘设备进行实时数据采集与初步处理。IaaS层提供基础的计算与网络资源；PaaS层支持工业应用的开发与数据处理；SaaS层则提供灵活的云端工业解决方案。各层级间的协同运作，实现了工业生产的全面数字化与智能化转型，而安全机制则有助于确保系统稳定与数据安全，为企业的数字化转型与智能制造奠定坚实基础。
工业互联网由以下核心技术能力支持，包括互操作性及确定性延迟的连接与通信协议；用于毫秒级数据采集、设备端推理及具备冗余与离线耐受的本地闭环控制的边缘计算；提供弹性计算、分布式存储、容器编排、数据湖及可扩展MLOps的云计算；对多模态时序数据进行异常检测、预测性维护、工艺优化及质量分类，专注于鲁棒性与泛化能力的工业人工智能与机器学习；使用本体论与关系推理构建异构数据体系，支持溯源归因与可解释决策的知识图谱；基于高保真模型实现实时同步，用于监测、仿真与参数优化的数字孪生；以及采用零信任架构、网络分段、设备身份认证及威胁检测响应机制的工业网络安全。该等技术支持低延时、互操作性、可扩展性与可验证性，共同推动工业系统的数字化与智能化转型。
在关键行业对安全性、韧性及可控性的要求日益提升的背景下，国产化日益被视为一项长期的结构性趋势。企业正系统性地审视其核心技术栈，以降低对单一供应商的依赖，并在合规、成本及生命周期管理等方面提升自主可控。
政策与宏观环境。国家政策推动自主可控能力、国产软件应用及工业互联网标准化建设。数据安全授权及政府采购、补贴与税收优惠等措施，既支持相关需求，亦提升国产解决方案的可获性与可负担性；示范项目与行业标准则进一步加快落地应用进程，增强国产化产品的商业可行性与单位经济效益。
技术驱动因素。在软件层面，国内供应商正致力于构建覆盖研发设计与仿真、生产执行与调度、工厂云与边缘计算、数据平台，以及以AI/ML实现闭环分析的端到端能力。在硬件与平台层面，与国产芯片、边缘设备、物联网网关及工业通讯协议的融合，提升了性能与安全性，并降低了集成与迁移成本，支持大规模替代。
产业生态与应用案例。在能源、化工、机械加工、钢铁及汽车制造等重点垂直行业，国产替代的路径更加清晰，其实施进度取决于工艺重要性、验证周期及合规要求。联合创新平台，行业标准及示范项目正加速技术转化与可规模化应用落地，推动国产化进程从试点迈向规模化部署及商业闭环。
中国工业互联网（IIoT）市场扩张，其市场规模由2020年的约人民币0.9万亿元增长至2024年的约人民币1.4万亿元，并预计将于2029年达到约人民币2.0万亿元。随着工业企业加速数字化与智能化转型，IIoT解决方案正于制造、能源、交通等领域日益广泛应用，以提升生产效率并优化成本。政策支持以及5G、云计算等基础技术的日趋成熟，预期将为可持续增长奠定基础。
AI在IIoT领域的渗透率亦由2020年的约6.1%上升至2024年的约7.8%，预计将于2029年达到约11.0%。AI应用持续拓展，已从进阶分析、预测性维护，延伸至质量控制及自动化决策等领域，可支持更高水平的智能化生产。AI的深度融合提升了IIoT解决方案的功能与价值，驱动了创新与效率的提升，使企业能更灵活地应对持续变化的市场需求与营运环境。
2. 中国AI赋能的工业互联网行业概览
AIoT产业，是将人工智能融入工业互联网体系，可支持生产过程的数字化、智能化与自动化。藉助机器学习、深度学习及数据分析，AIoT可实现对工业数据的实时采集、分析与预测，从而优化工作流程、提升设备效率与产品质量，并可支持预测性维护。AI能提升生产力、减少人工干预，并透过预测性维护缩短停机时间，进而降低营运成本。由AI驱动的质量控制，有助于保证产品质量的一致性并达到更高标准；同时，它亦为管理层提供决策支持，使其能更敏捷地应对市场变化。透过数据的深度整合，基于AI的工业互联网解决方案，协助企业在降低成本的同时提升竞争力，加速其数字化与智能化转型。
中国AIoT市场近年来增长迅猛，其规模由2020年的约人民币541亿元扩大至2024年的约人民币1,119亿元，预计于2029年将达到约人民币2,209亿元。此增长主要源于政策支持、制造业对数字化转型日益增长的需求，以及5G与AI技术的更广泛应用。AIoT透过增强设备连接、优化生产流程及提升资源利用率，已成为推动各行业效率提升与创新的动力，展现出巨大的市场潜力与长远的发展前景。
2.1 AIoT市场应用
中国的AIoT解决方案在能源、石化、汽车、工程机械、采矿、烟草、模具制造及设备制造等关键领域得到广泛应用。核心应用包括HSEQ（健康、安全、环境和质量）解决方案、能源管理和智能制造，实现了端到端的数字化和智能化升级，提高了生产力和资源效率，减少了运营成本，并增强了安全性和可持续性。
HSEQ领域的市场规模，由2020年的约人民币5亿元增长至2024年的约人民币31亿元，预计至2029年将达到约人民币86亿元。能源管理领域的市场规模，由2020年的约人民币63亿元增长至2024年的人民币145亿元，预计至2029年将达到约人民币327亿元。智能制造领域的市场规模，则由2020年的约人民币383亿元增长至2024年的约人民币739亿元，预计至2029年将达到约人民币1,460亿元。随着工业营运者对安全性、能源效率及能制造的重视程度不断提高，该等细分市场预期将继续扩张。
2.2 增长动力
投资回报要求的成本与交付压力。投入价格波动、订单的时效性要求，以及更严格的质量，正不断挤压企业的利润空间。AIoT能针对可量化的关键绩效指标 －良率、意外停机时间、单位能耗消耗及返工率，从而建立起「识别、优化、验证」的闭环。此模式可在不同产线与工厂间复制推广，有助于实现清晰的投资回报与可预测的预算规划。
技能人才短缺及知识与经验的体系化。经验丰富的技术人员短缺及培训周期长会增加可变性。AIoT透过将来自传感器、图像及工艺数据等环节进行结构化处理，可嵌入故障逻辑、控制限制及应对预案，从而减少对个人的依赖，并加速新员工入职、换线和新产品导入。
数据安全与监管要求趋严。对工业数据、脱碳及安全更严格的规定要求具备可审计的记录。边缘优先、云端协同的架构可将敏感数据保留在本地或汇总去标识化数据，同时版本控制和数据沿袭支援内部控制、外部审计及合规的在线监控。
设备即服务与生态系统协作。原始设备制造商及平台合作商，将连接能力与算法嵌入其设备中，并以服务形式提供远程运维、状态监测、质量与能效优化，其定价模式包括订阅制、按使用量付费或按成果付费。标准化的接口与行业模板降低了集成难度，在降低前期投资的同时，也加快了复制推广的速度，而经常性的服务收入则激励了供应商的积极参与。
2.3 新兴趋势
从单点解决方案迈向端到端的营运协同。企业正在统一数据定义，进而将诊断、预测与参数调优等能力向上游及下游延伸，并将成功实践复制至多条产线乃至多个工厂。这要求系统与制造执行系统、生产计划及供应链系统集成，运用统一的关键绩效指标(KPI)，其目标正从优化单点转向协同改善交付、成本与稳定性。
边缘优先、云端协同成为默认架构。为满足实时性与数据安全的要求，越来越多的模型推理在靠近现场装备的边缘端执行，而云端则负责集中式的模型训练、算法与应用的统一管理、跨工厂的对标分析及策略分发。随着低延迟连接（如5G、工业以太网）的普及以及国产软硬件的成熟，边缘端的部署、更新及运维变得更为可控，有助于实现整体的成本与可靠性目标。
基础大模型与任务专用小模型相结合，并实行标准化周期管理。通用及行业预训练大模型主要支持知识检索、工作流指导及代码 ╱ 脚本生成等任务，而轻量化模型（如视觉、时间序列模型等）则在边缘端处理具体任务。两者均在统一的数据治理与评估框架下运行。标注效率的提升（如小样本学习、自动标注、合成数据）降低了数据准备成本，而模型的版本、训练数据沿袭及生产性能则被持续记录且可追溯，形成了可重复的「部署、监控、迭代」循环。
能效与碳管理深度融入生产决策。碳中和目标与能源成本压力，正驱动企业对电价、产能负载、设备状态及工艺参数进行联合优化：在不影响质量或生产节拍的前提下，实施动态的能源调控、削峰填谷及需求响应。产品与供应链的碳数据必须可追溯、可审计，并与排程及采购策略相关联，从「报告与展示」，转向「实时优化与闭环执行」。
2.4 进入壁垒及关键成功因素
领域知识与经验。工业互联网技术的有效应用，要求对特定行业的工艺流程、技术要求及监管环境有深刻的认知。若理解受限，则会导致实施效果不彰。公司通常需凭借丰富的行业经验，将AIoT与真实的营运需求相匹配，方能提升生产力与商业价值。建立并吸引具备深厚领域专长的人才队伍，是应对此壁垒的关键。
组织与人才限制。工业互联网项目的规模化推广，需要具备专业技能的工程师与技术人员，然而此类人才依然稀缺，这对项目的实施与后续营运构成了限制。企业可能需加强内部培训与外部招聘，建立专门的技术团队，同时深化其对行业需求与工作流程的理解，以便更好地部署与维护AIoT系统。
数据隐私与保护。企业必须在安全与合规义务及数据的有效利用之间取得平衡。这要求建立治理架构、安全系统设计及数据使用政策，以保护敏感资料，同时赋能数据分析、模型训练与营运优化。
客户认知不足。部分企业可能对AIoT的潜在价值与实际应用场景缺乏清晰的认识，削弱了其采纳新技术的动力。提升管理层与员工对工业互联网技术、市场趋势及成功案例的理解，是识别并把握IIoT机遇的关键一步。
3. 中国能源行业AIoT市场概览
鉴于能源行业数字化水平高且传感器部署广泛，AIoT在该领域的应用已取得显著进展。能源行业AIoT解决方案的市场规模，由2020年的约人民币18亿元增长至2024年的约人民币 37亿元，复合年增长率为 19.7%；预计至 2029年将达到约人民币 77亿元，对应2024年至2029年的复合年增长率为15.7%。复合年增长率降低反映了2024年后较高的基数，以及从试点转向规模化部署，采购和验证周期更长，同时边缘硬件及连通性的定价正常化。其亦表明产品组合转向软件及服务，其增长依赖于现有基数，而非新增的绿地项目。
在数据采集、实时监控及智能分析等方面的优势是此番增长的基础：藉助IIoT技术，能源企业可实施状态监测、预测性维护及能效优化，从而改善营运并降低成本。此外，政府的扶持政策与新兴的行业标准为技术应用提供了坚实基础，共同推动了AIoT在能源领域的强劲扩张与广阔的增长前景。
3.1 增长动力
安全关键型高可用性运营。发电、输电、配电及管道系统需要具备严密保护计划的确定性、低延迟控制。AIoT将推理置于边缘，实现实时闭环优化，从而减少非计划停机，稳定电网与管道运行，并延长资产使用寿命。
脱碳及成本压力。排放目标与波动的燃料价格要求对调度、热率、辅助负荷及技术损耗进行协同优化。AIoT支持对能源消耗及排放进行持续可追溯的监测，推动基于模型的优化及合规报告，并实现需求响应及市场参与。
老化基础设施及劳动力限制。遗留的数据采集与监视控制系统及分布式控制系统，加上资深操作员队伍的日益缩减，推高运营风险。AIoT将专家逻辑编码为标准化操作流程，加速人员培训，并使旋转及其他关键设备实现基于状态的维护，以提升设可用性及维护效率。
3.2 新兴趋势
基于云端协同的边缘优先架构。实时推理与保护逻辑仍被使用在变电站、工厂及压缩机站，以满足确定性、低延迟需求。云端集中处理模型训练、版本管理及基准测试，管理应用程序及策略部署，并协调全网设备运行及机器学习运营。
从规划到运营的综合优化。AIoT在通用数据及模型架构上整合预测分析、机组调度、电压及频率控制、电能质量管理、漏电检测及吞吐量优化。这种协同机制使诊断、预测与参数调优贯穿全流程，从而提升可靠性、效率及成本效益。
分布式能源资源(DER)于电网及市场中的参与。AIoT使用认证的遥测及结算级数据，实现分布式资源与需求响应的预测、聚合及安全调度。这支持其参与能源及辅助服务市场，同时确保持运行安全及合规。
3.3 准入壁垒及关键成功因素
合规、安全及数据治理。行业特定的电网规范、安全及网络安全要求，以及数据主权及可审计性要求，构筑了高门槛的准入壁垒。领先供应商在运营技术(OT)及信息技术(IT)领域实施端到端身份管理、网络分段及持续监控，并通过可追溯的数据及模型版本维护文档化控制，以满足监管审计。这种可审计的方式建立运营商信任并缩短验证周期。
运营技术集成及互操作性。通常及技术上要求与能源管理系统、配电管理系统、监数据采集与监视控制系统及分布式控制系统的深度互操作。成功通常取决于满足确定性延迟、冗余及离线容差的域级边缘平台，以及即用型适配器与规范的切换及变更管理能力。「首次适配」既有环境的供应商将更快实现规模化。
可靠性、生命周期及规模化投资回报率。公用事业及油气运营商通常要求长支持周期、冗余设计及严格的服务水平，导致销售及验证时间延长。领先的提供商联合生命周期支持 － 备件、远程及现场运维及多站点合作伙伴生态 － 与可量化的热率改进、辅助负荷、技术损耗、泄漏率、可用性及维护关键绩效指标挂钩。可复用的部署方案与结算级数据使投资回报率具备可验证性及可扩展性。
4. 竞争格局分析
中国的AIoT公司可分为三类：(i)垂直行业AIoT供应商；(ii)第三方软件供应商；及 (iii)独立专业 AIoT供应商。垂直行业供应商通常脱胎于传统制造商或大型工业集团，专注于特定行业的数字化与智能化转型，提供高度定制化的解决方案。第三方软件供应商通常是传统的软件公司，它们提供的基础性、通用型AIoT服务，在其总收入中占比较小。独立专业供应商则将AIoT作为其核心业务，提供跨行业、定制化的高附加值服务；其独立性是其关键优势，使其能够服务于多元化的行业，而不受限于单一领域或企业，从而能快速创新，并提供兼具标准化与个性化的解决方案。该等供应商普遍具备开放的平台架构与强大的数据集成能力，能够赋能端到端的数字化转型；同时，它们亦为中小企业提供灵活且具成本效益的实施路径，有助于促进更广泛的产业生态发展。
2024年，独立专业AIoT平台占中国AIoT市场的约24.5%，市场规模约人民币274亿元。德风新征程录得收入约人民币525.5百万元，在该细分市场中排名第五。
2024年，能源行业独立专业AIoT平台的市场规模约为人民币14亿元。德风新征程从能源行业消费者取得收入约人民币141.7百万元，在该细分市场中排名第三。
5. 成本分析
规模以上企业职工的年平均工资由2020年的约人民币79,800元上涨至2024年的约人民币102,400元。这反映了在就业结构升级、技术人才供给紧张及社保合规日趋完善等因素的驱动下，单位劳动力成本正不断上升。对于劳动密集型企业而言，技术人员的薪酬正向行业标准看齐；若人均产出或服务定价未能相应提升，则营运费用率可能随之上升，毛利率或将承压。
【免责声明】本文摘自德风新征程港股招股书，版权归原作者所有，仅用于知识分享与交流，非商业用途！对文中观点判断均保持中立，若您认为文中来源标注与事实不符，若有涉及版权等请告知，将及时修订删除！查看更多报告请关注微信公众号
