【番外】工业AI避坑指南：当180年工业技术积淀，遇到大模型 - 主题精读稿

前言：工业AI的真实温度——冷静、耐心、务实

AI浪潮席卷全球，工业界既兴奋又焦虑。本期圆桌汇聚西门子中国研究院院长朱骁洵、西门子成都数字化工厂厂长李永利、深度智控创始人李辉博士三位一线专家，从技术架构、工厂实战、跨界观察三个维度拆解工业AI落地的核心挑战。核心结论是：工业AI的核心首先是工业，AI只是让产品的设计、制造和交付做得更好的手段；数据质量是一切的前提，没有扎实的自动化和数字化基础，AI无从发挥；而落地的关键不在技术的先进性，而在于对场景的深度理解、对最后一公里的耐心适配，以及让一线员工成为驱动者而非旁观者。

一、工业界的AI焦虑：期待高但落地难 (00:57 - 05:39)

2026年3月，西门子RXD大会的工业AI圆桌论坛以"工业AI避坑指南"为题展开。主持人诗婕开场抛出两个判断：第一，C端用户过度依赖AI模型后发现自己会变笨，这在工业场景可能同样存在——搞不清楚AI是怎么回事就一通乱用，反而降低效率；第二，AI从数字世界跨向物理世界，这条路会严峻得多。

三位嘉宾背景各异。朱骁洵自2014年主持西门子中国研究院研究工作，此前在霍尼韦尔做了十几年图像识别——买东西扫条码背后的技术很多出自他手，而他来西门子时，正赶上图像识别被深度学习颠覆的浪潮。李辉博士来自深度智控，从清华大学做能源系统物理模型研究起步，2007年赴美，将物理模型应用于实际能源系统。当时做一个能源系统模型需要四个博士花大半年时间，效果好但极难复制推广，2009年便开始研究AI，直到2018年才找到物理模型与AI结合的可行路径，随即创立公司。李永利则是西门子成都数字化工厂厂长，过去十几年将工厂建成了数字化可持续的双灯塔工厂。

工业界对AI的焦虑源于期待与现实之间的巨大落差。 李辉博士观察到，互联网AI应用广泛且聪明，工业界期待将其硬套到工业场景中提升效率、产生经济价值，但落地时发现根本行不通。互联网AI关注的是满意度，而工业AI更关注的是确定性、安全性和可靠性，两者的底层逻辑完全不同。他分享了一个案例：一家半导体晶圆厂家受互联网AI浪潮影响，花了两年多时间反复尝试将互联网AI套用到工厂中，均未成功，最终通过物理AI的方式才真正符合需求。

二、工业AI应用现状：视觉AI、小模型与生成式AI (06:50 - 11:32)

面对"工厂到底敢不敢用生成式AI"的直接提问，李永利厂长先澄清了一个认知：工业AI在工厂里已经用了很多年，主要聚焦两个技术方向。一是视觉AI，帮助把控原材料、制程和成品的质量。二是基于机器学习或深度学习训练的小模型——不是大语言模型，而是专用小模型，典型应用包括设备预防性维护和产线动态调参，后者是秒级的，基于后段质量表现迅速反馈给前段调整参数。

大语言模型让工业工具箱多了一个新工具，尤其在人机交互层面打开了想象空间。 无论是车间里与机器交互，还是办公室里与应用软件交互，有了大语言模型之后交互方式变得更轻松、更方便，可以大量提高效率。李永利做出了一个有趣的区分：上一代AI主要帮助车间里的工作人员，服务于自动化流水线和机台；而这一代生成式AI更多帮助的是办公室人员——电脑屏幕后面做数据协调和研究的人。

朱骁洵则从更高的视角回应。他强调，工业AI的核心首先是工业。工业是做产品的，最终必须把产品交付到客户手里，AI只是帮助产品的设计、制造和交付做得更好。因此核心还是场景驱动——只有场景才是真正的难题。预测性维护的小模型和机器视觉，都是十几年前深度学习浪潮带来的技术，现在已经很好地落地在工厂中。他进一步指出生成式AI的另一个突破口：工业中存在大量"长尾需求"，每个工厂都有自己独特的痛点，以前用通用程序很难解决，未来可以让AI马上写一段代码，把那些零零碎碎的小问题都解决掉。

三、数据难题：孤岛、质量与高质量数据集成 (12:16 - 16:12)

数据在这一轮AI之前就已经是难点。朱骁洵回顾了西门子过去十年的数字化铺垫工作：首先是用知识图谱打通企业数据体系中的数据孤岛，开发了一个数据中间层（data layer）；随后发现制造企业还有一个更大的痛点——IT系统和OT系统（自动化设备）之间的数据标准和实质完全不同，也需要打通，因此又开发了工艺模方套件。

但对AI来说，更大的难题还在后面：怎样把企业里所有重要的数据都收集起来、关联起来。 让AI真正理解一个工厂的运营方式，光有数据远远不够。大量工业数据背后如果没有人的知识——比如当时为什么改了一个图纸——这些数据对AI的价值其实不大。

怎么样去收集高质量的数据集成，为了我觉得下一轮在数字化里面非常有挑战的一个话题。

李永利从一线视角补充：数据一直是工业的焦点，做自动化时就在关注数据打通和标准，到了数字化时代更是要求各平台之间的数据互通。大语言模型之后，对非结构化数据有了更好的处理能力，工业看数据的范畴比以前更宽了。但他紧接着发出一个严肃的警告：如果企业的自动化经常要切回手动，数字化平台的数据都不太敢信，那么指望人工智能来补上之前的窟窿是不可能的。从自动化的基础到数字化的基础，一步一个脚印走扎实，才能真正体会到人工智能的价值。

四、弯道超车之辩：数字化积累是否为必要前提 (16:12 - 20:22)

一个尖锐的问题被抛出：在AI时代，没有来得及做好数字化的公司还有机会弯道超车吗？三位嘉宾给出了截然不同的判断。

朱骁洵认为当然有机会。每一次颠覆性技术出现都是弯道超车的窗口。十年前数字化还是一件昂贵、困难的事情，现在有了AI之后，以前很难做的事突然变得容易了，新公司借助新手段去做数字化很可能事半功倍。

李辉博士则强调数字化是AI应用的基本前提——工业场景的数据非常稀缺，不像互联网各个层面都有海量数据。没有数字化，在工业场景中AI根本无法应用。

李永利厂长则直接表示不同意弯道超车的观点。 他用电子地图做比喻：一个在北京运行得非常好的电子地图模型，放到一个新城市，如果不知道每条街道的准确距离、有几个红绿灯，模型再好也无法应用。底层数据的质量是一切的基础，还得回到第一步去做。

朱骁洵并不完全反驳，而是用一个十年前的案例来说明为什么他仍然乐观：当年在李永利工厂里做的AGV加机械臂自动搬运PCB板的实验，当时需要花费大量精力编程让机器人自主化。十年后有了大模型驱动人形机器人等新工具，虽然问题依然复杂，但搭建速度会快很多。新工具让人兴奋，因为以前要花很多功夫做的事情现在来得及做，因为更快。

五、物理AI与实时仿真：可信可靠是底线 (20:22 - 22:47)

话题转向物理AI和实时仿真。朱骁洵指出，世界模型领域还刚刚起步，但从工业角度来看，核心问题更加具体：AI必须落到物理设备上干活，那么在执行指令之前，怎样确保让机器人或PLC执行的指令不会对生产造成任何破坏性，是可信、可靠的？

这就需要实时的仿真技术——在运行过程中不断验证AI指令的可靠性。 传统上先做仿真、再根据结果编程让物理设备执行指令。有了AI之后，AI会直接判断物理设备该做什么，它是一个黑箱。工业对可靠性的要求极高，因此物理和虚拟世界之间的链接互动在实时性上的要求比原来大了很多。

关于硬件的重要性，朱骁洵用一句话点明逻辑链条：硬件是数据的入口，数据是AI的燃料。全世界工业自动化设备每三台中就有一台是西门子的，这些边缘设备和未来的边缘端AI算力，就是AI在工业世界里的"手"。

六、最后一公里：欲速则不达的工业逻辑 (22:47 - 26:20)

工业AI落地为何强调欲速则不达？李永利厂长给出了一个精彩的框架。互联网思维常谈0到1和1到N，但工业场景要谈的是0到1、1到99、和最后一公里。最后一公里比前两段更难、更有挑战，因为必须落地和适配。

做到99的时候，往往只是一个标准解决方案。一个标准解决方案放到具体机台上，效果常常还不如老师傅的那组参数。从99到100，需要针对现场具体机台、具体加工对象去深入理解工况中所有参数及其关系。这就是为什么工业谈AI落地，必须谈适配、谈落地——只有落地了才能真正看到价值。

另一个不可妥协的要求是稳定性。大语言模型有时表现出奇的好，有时又很糟，但工业场景要求解决方案必须非常稳定。一个不稳定的解决方案对制造来讲就是一个灾难。

工厂里经常出现一种情况：花大价钱采购了一套AI解决方案，第一天有人用，第一个月有人用，时间一久就没人用了。李永利解释，这不是AI不好，而是水土不服、没有调到最优。工业AI落地到场景时，标准解不够，必须找到最优解。而走完最后一公里，光靠数据专家不够，一定要懂行业知识（domain knowhow）的人来参与，才能保证顺利实施。

七、场景驱动与ROI重构：锤子找钉子的反面 (26:20 - 31:05)

"拿着锤子找钉子"在工业领域非常普遍。李辉博士分享了一个典型案例：2021年与一家互联网大厂合作优化数据中心能源系统，对方AI能力极强、各种模型很先进，就想拿AI模型去套用所有场景，做了三年多效果都不好。深度智控的做法完全不同——从实际场景出发，想降低数据中心的能耗，就从最底层入手建立每个设备模型，做系统仿真，再做系统优化和闭环控制，一步步落地才产生了持续的价值。

ROI的计算方式也需要打开格局。李永利厂长指出，工厂运营的目标是"多快好省"。如果只盯着"省"来算ROI，很多项目算不通。但如果关注"多快好"，就能看到项目的真正价值。他举了两个例子：供应链端到端协同合作看起来省不了几个人，但在能源危机、原材料涨价的背景下，各环节比竞争对手快一个小时带来的价值无可估量；制造灵活性看起来需要额外投入，但如果提前验证了第二供应商（从设计到质量全流程验证），就能在供应链波动时第一时间切换，速度和灵活性远超同行。

好的ROI思维是：先想清楚项目目的，用最实用的技术实现最大价值，而非追求技术的先进性。 新技术有两个特点——可能不够稳定，而且一般比较贵。工业场景最理想的是用成熟技术，又稳定又便宜。

八、技术与场景的融合：不是两张皮 (31:05 - 33:16)

技术人员和一线实践人员天然站在两个生态位置，如何融合？朱骁洵以自身为例：他不是那个拿锤子的人，而是琢磨下一个锤子长什么样的人。西门子非常重视场景驱动，因为工业不看重情绪价值。像李永利这样的厂长是内部客户，他不在乎技术新不新，只看质量、成本和效率。

好的技术人员会主动的去向客户的需求去融入，这才是做工业AI成功的唯一的办法。

朱骁洵举了一个生动的例子：西门子AI团队里有好几个钢铁工艺专家，不是因为招了钢铁专业的人，而是几个算法工程师为了做钢铁项目，不得不跟各钢厂的首席总工对话，项目做成了，技术人员也成了钢铁工艺专家。

九、AI替代人：两轮经验与新的平权 (33:16 - 38:39)

工厂对AI替代人的焦虑并非第一次出现。李永利指出，在谈AI替代人之前，工厂已经经历过两轮：机器代人和数字化代人。 新技术确实会替代简单重复的劳动，但也带来新机遇。他用工厂的真实数据说明：设备机台数量翻了两番，工人数量没有增加，但工人从手动拧螺丝的操作工成长为看设备、做维护保养和故障处理的技术工人，创造更高价值，收入也更高。

数字化代人的例子同样生动：供应链计划的同事以前被叫"大表姐"，因为要收集海量数据做到一张大表上，大量工作是确保数据准确。数字化之后，数据自动抓取和基本分析已完成，工作重心转向寻找最优的生产计划参数，从"大表姐"变成了"最优姐"。

AI时代更有意思的是一个报关岗位的例子。关务同事做了一个智能体，在西门子中国AI大赛获得三等奖。报关的技术难点是HS Code（税号），常用的一万多个，涉及商品名称、描述、材质、加工过程，没有人能全部掌握，每次查税号都是复杂的翻书过程。现在有了智能体，把所有显性知识灌进去，输入产品信息后自动生成税号，报关时还做重复校验——如果申请的税号和填写的内容不符会主动提醒。这位关务同事不再需要成为税号专家，而是专注于让报关更高效。

由此引出两个趋势：AI作为助手（assistant）和搭档（co-pilot）的应用已有很多成功案例，但让AI全程独立完成复杂过程目前还很难。另一个趋势是AI时代的平权——以前关务同事要花很长时间学习所有代码才能上手，现在有了智能体，小白分分钟变成熟手，工作门槛大大降低。

十、规模化复制与小而美方法论 (38:39 - 44:05)

从落地成功到规模化复制，卡在哪里？朱骁洵直言，就卡在最后一公里。过去十年大家都在琢磨工业APP怎么复制，这正是长尾需求的问题。他看好深层次AI能够在未来帮助解决最后一公里的适配。但在当下，不要太执着于长程任务和短程任务的划分，可以把事情模块化，将普通任务与AI任务结合在一个工作流里。未来很长一段时间会是自动化、信息化、人和AI共存混合的实施阶段。

李永利厂长则分享了一套经过实践检验的"小而美"方法论。核心思路是：0到1和1到50交给专家团队，50之后由一线运营团队主导。

"小"有三层价值：第一，试错成本低，即使失败了也有大量学习和认知提升；第二，小项目难度低，一线运营人员可以参与甚至主导；第三，结果出得快，可以快速迭代升级。

"美"有两层含义：第一，由自己团队主导50之后的开发，能控制项目不跑偏、不做产生不了价值的方向；第二，每上一个台阶，人员能力进步一点，自信心提升一些，成就感增加一些。员工从旁观者到参与者，最终到驱动者。如果所有人都是驱动者，那就是全员在开展，而不是厂长一个人在推着大家走。

十一、物理AI的难点与前提 (44:05 - 49:23)

2026年开年AI世界的热点话题之一是物理AI。黄仁勋在GTC演讲中画的折线图，从生成式AI到推理AI到Agentic AI再到物理AI，物理AI处于最高点。

朱骁洵对此保持冷静判断：物理AI还有很长一段路要走。 最容易理解的物理AI是虚拟世界中的物理法则——机器人抓取物体时的力反馈、传感器数据。但工厂不是纯粹的物理世界，自动化设备的信息系统中有大量逻辑数据在流动，不是简单的物理模型就能描述的。工业AI需要像数字孪生一样实现工厂与虚拟世界的互动，还要理解背后的机理模型、数据流动和程序逻辑。物理AI不解决工业所有问题。

李辉博士从十年实践中给出了更具体的洞察。深度智控从2009年开始研究AI，专门针对工厂能源系统这一个细分领域，研究了十年才找到可行路径。他用"盲人摸象"做比喻：纯AI就像盲人摸象，摸到腿以为是柱子，摸到肚子以为是墙。深度智控的做法是在AI感知"大象"之前，先告诉它这是一只大象、有哪些特性，AI只在这个框架内感知和预测——所以再怎么摸，也不会摸出一头河马或一堵墙。

物理AI真正未来能够在工业场景落地的一个前提，是每个场景的AI真正能够懂行业的knowhow，能够懂物理的趋势和机理，能够懂物理规律，真正能够让它在物理的框架之内来去理解、来去感知、来去预测、来去优化控制。

他相信物理AI未来完全可以做到自我迭代、自我学习、自我优化并实现闭环控制，但要走到这一步，路程还很长。

十二、寄语：保持好奇，聚焦价值，坚持长期主义 (49:23 - 50:48)

三位嘉宾各用一句话寄语工业AI同行者。朱骁洵：保持好奇心，持续学习。李辉博士：懂场景，再谈技术，坚持长期主义。李永利：聚焦价值，小步快跑。

主持人诗婕的总结或许是对整场讨论最好的概括：工业AI落地不是一个技术问题，可能也不是一个资本问题，而是一个耐心问题。 在互联网世界各种媒体渠道上看到AI带来的兴奋和焦虑的同时，工业一线从业者展现出的冷静、耐心和务实，是这个领域最珍贵的底色。