西门子肖松:以场景为牵引,推动工业AI从单点实效迈向生产力跃迁

西门子中国董事长、总裁兼CEO、国际智能制造联盟副主席 肖松

中国“十五五”规划纲要明确提出，“加快数智技术创新”“全面实施‘人工智能+’行动”。面向新一轮科技革命和产业变革，加快推进工业AI的广泛应用，已成为产业界的一道必答题。

中国工业门类的广度、制造业体系的深度、产业创新的速度、对新技术的开放态度，成为发展工业AI的独特优势。但要将这一独特优势转化为生产力，必须破解工业AI落地过程中模型训练与数据供给之间衔接不足的结构性难题，工业场景需要采集足够多的数据，尤其是负样本的数据，通过这样的方式训练模型才能够更加有效和精准，数据质量是工业AI成功的关键。破题在于抓住“场景”这一核心牵引。

工业场景是人工智能应用的“深水区”。它价值巨大，但门槛极高。工业生产强调零容错，对确定性、可靠性和安全性要求严苛，而工业现场又受设备、工艺、人员、环境等多重因素影响，系统高度复杂，且不同行业、不同生产模式和不同制造工艺差异明显。这使得工业AI不能追求全覆盖式的发展方式，而是必须要从具体的业务场景入手，以可追溯、可验证、可控制为前提稳步推进。

真正值得优先投入的，不是概念最热的场景，而是那些同时具备四个特征的场景：痛点够高频，数据可获取，价值可量化，并且具有推广复制和进一步泛化的潜力。

质量检测就是典型的高价值场景，人工智能的应用成效能够通过效率和成本等指标直观衡量。西门子开发的Smart Detection智能检测平台，已经在南京和仪征等多家工厂部署。数据显示，该平台可将硬件成本降低90%，项目交付周期从“周级”缩短至“小时级”。

工业领域的数据并非天然完备、现成可用，而是广泛分散在不同设备、系统和流程中，呈现出无序化、碎片化、多源异构和多模态等特征。与此同时，大量影响生产质量和效率的关键知识，常常沉淀于工艺规范、操作经验以及一线工程师和“老师傅”的长期实践之中。未经治理、整合与标注，难以支撑大模型、智能体的训练使用。

只有以具体场景为牵引，数据梳理才能有的放矢，数据采集才能不失焦，数据治理才能抓住重点。只有这样，数据才能真正从“无序积累”走向“有序生产”，分散的数据和隐性的知识也才能逐步转化为可用、可靠、有效的模型训练资产，从而实现“场景-数据-模型”的良性循环，让人工智能真正“有用、好用”，可以“放心用”。

铜冶炼就是一个典型例子。在这一场景中，原料矿石含铜量不稳定、一线经验人才储备不足、高温工况复杂多变等问题相互交织，仅靠单一数据或单点模型难以有效应对，必须围绕具体工艺场景整合设备数据、工艺知识和专家经验。西门子与“十五冶”合作，整合11个工艺段的设备数据，以及来自行业文献、工艺规范和“老师傅”口口相传的行业知识和一手经验，打造出炼铜行业首个下沉到边缘的智能体，使影响铜成品质量和炉体寿命的关键指标——冰铜品位稳定性提升了15%。

工业AI落地不是单一模型部署的问题，而是一个复杂的系统工程，需要与工业软件、边缘计算设备、执行装备以及工艺流程深度结合。尤其在多代际设备并存、多协议交织的工业现场，人工智能如果不能嵌入复杂异构系统，就很难真正发挥作用。

工业AI不仅要能够理解现场，输出推理结果，还要能够让新旧设备之间实现协同，让指令能够准确执行，让异常处置具备安全兜底，并通过运行数据的持续回流形成闭环。只有打通感知、决策、执行、反馈的全链路，工业AI才能从技术能力转化为现实生产力。

这一趋势已在新一代工业智能体产品中有所体现。西门子近期发布的Eigen工程智能体，是全球首批正式商用、可自主规划执行工业自动化工程任务的AI系统之一，它让人工智能不再只是停留在对话框里，而是真正可以嵌入到自动化开发的关键工作流，完成PLC编程、HMI可视化、设备配置等任务，帮助工程师把工作做得更快、更准、更可靠。

它要真正走向规模化，必须坚持开放式创新，必须建立在场景开放和生态协同的基础之上。从这个意义上看，开放不是附加项，而是工业AI普及应用的必要条件。当前，已有企业开始通过开放场景、协同试点等方式，加快相关技术在真实工业环境中的验证和优化。西门子也正主动向生态伙伴开放多个中国工厂场景，围绕具身智能开展应用试点。

工业AI不是一蹴而就的事，需要在质检、设备运维、工艺参数优化、工艺排产优化、供应链优化、降低能耗、生成式设计等真实场景中长期投入、持续积累、耐心打磨，智能体应用将会越来越广泛，实现业务流程的智能化，大幅度提升业务运营和决策效率。

作者：肖松，西门子中国董事长、总裁兼CEO，国际智能制造联盟副主席