制造业需要怎样的AI

（来源：中国经济导报）

转自：中国经济导报

余锋

当AI从虚拟世界走向物理世界，它究竟能为制造业带来什么？制造业，又需要怎样的AI？

“物理世界的AI”尚无统一定义。在我看来，它是人工智能与物理实体的深度融合，AI不再局限为屏幕内的“大脑”，而是能直接感知、理解、影响或改变物理世界的智能系统，形成感知—决策—执行的闭环。对工业企业而言，这意味着将AI嵌入真实的生产设备和运营流程，让机器从执行动作的工具，演进成能听、能看、能思考、能协作的“数字工人”。

作为在工业领域干了几十年的“老兵”，当AI走进物理世界，我更关心的不是它有多聪明，而是它能否对现实结果负责。在互联网场景中，AI犯错或许只是一次搜索偏差；在炼油厂、化工厂、电网等工业现场，AI对温度、压力、流量等关键参数的微小误判，都可能引发灾难性后果。这也是霍尼韦尔推动“从自动化走向自主化”的出发点，让智能建立在确定性与可控性之上。结果可验证、可追溯、可审计，这是工业运行的安全底线。

进入智能化时代，AI赋予工业系统新的能力，不再只是被动执行预设逻辑，而是主动感知环境、做出判断、参与行动，并在运行中持续迭代。这种能力使得风险识别前移，将历史数据与实时运行数据结合，转化为可执行的运营洞察。

在“不容有失”的行业，能力的跃迁还需谨慎推进，须建立在确定性之上。因此，针对这一类行业，霍尼韦尔坚持推进物理AI的路径是在现有可靠运行的控制系统之上，逐步叠加AI、云和边缘计算的能力，让底层控制逻辑坚守安全底线，上层智能聚焦风险识别与优化，而人类始终在回路中掌握最终决策权。

物理AI要真正走进工业现场，必须跨越三道门槛。

第一道门槛是数据的可获得性与可治理性。工业数据长期被孤立封存于不同资产和系统中，行业经验也散落各处，高度碎片化。将这些数据收集、清理、集成是AI有效学习工业运行规律的基础，而这一过程本身就是一项长期而复杂的系统性工程。没有高质量、可访问的数据，再强大的算法也难以发挥作用。

第二道门槛是对工业环境的深刻理解。物理世界的AI要做出正确决策，仅靠数据远远不够，它必须理解工艺逻辑、设备行为和生产约束。同一组数据，在不同行业背景或工艺下，其背后的物理意义可能截然不同。这种对工业环境的深刻理解，源于长期的行业实践和系统化积累。

第三道门槛是责任的归属。有人直言：“AI出错了，它可以很礼貌地跟你道歉，但你能对它怎么样呢？”传统PLC基于预设逻辑运行，结果可验证、可追溯；而AI算法具有概率性特征，一旦出错往往难以解释原因、界定责任。在工业场景中，这种不确定性是不可接受的。

因此，在炼油厂、工厂和楼宇等系统中，真正推动成果优化的，始终是人的专业知识、场景理解与责任判断。“人机协同/人始终在回路中”并非对技术的保守选择，而是对工业现场安全可靠的责任。工业世界不会盲目追逐“先进”，只接受那些经过验证、值得信任的技术。

中国拥有全球规模最大、复杂度最高的工业体系之一，中国制造业增加值占全球比重达30%，这样的体量是物理AI重要的“压力测试场”。

霍尼韦尔自1935年进入中国，已深耕超过90年。实践表明，霍尼韦尔是在复杂工业场景中持续验证并塑造物理AI应用路径的参与者，也正是通过在中国这样高复杂度环境中的持续实践，相关技术能力才能具备广泛推广的普适价值。

未来3~5年，如果押注一个物理AI的垂类方向，哪个点最有可能成为制造业智能化的“超级入口”？我的答案是可能在管理。

设备管理、质量管理、标准化作业……管理领域蕴藏着巨大的智能化机会。过去几年，我同时负责数十家工厂的运营，发现一家工厂出现的问题，往往在其他工厂也曾发生，但这些共性问题没有被有效连接、总结与复用。中国是全球最大的制造业国家，如果未来有十万家工厂能够实现数据互通，AI就能帮助识别安全隐患、提供解决方案。管理的智能化，正是企业降本增效的核心路径。

同时，物理AI也在重塑产业工人的能力体系。随着技术工人持续短缺，将多年积累的工程经验转化为标准化、可学习的系统能力已成为现实刚需。通过人工智能辅助运维，新员工在现场即可获得分步指导、实时诊断和操作建议，就像导航软件为驾驶者提供实时路线指引，让复杂操作变得清晰可循。

谁最有机会定义下一代制造入口？我想是属于那些能够深度嵌入真实物理系统、拥有长期工业积累，并且在“不容有失”的环境中持续交付确定性结果的参与者。霍尼韦尔始终坚持“叠加而非替换”“人始终在回路中”“循序渐进而非一夜颠覆”的理念，这不是保守，而是对客户、对行业、对社会的责任。

（作者系霍尼韦尔大中华区总裁，本文摘编自作者在福布斯环球科创联盟论坛上的发言）