工业AI落地迎规模化考验 自动化市场增长逻辑生变

中经记者 谭伦 上海报道

当人工智能加速进入工业生产现场，工业数智化转型正从过去的单点技术应用，转向数据、控制、能源与运营的系统性融合。对于制造企业而言，如何打破长期存在的数据孤岛，推动工业AI从试点示范走向规模化应用，并在保障生产安全的前提下实现可量化的投资回报，正成为新一轮产业升级的重要课题。

这一趋势，在日前上海举行的第26届中国国际工业博览会上得到进一步体现。相较于单一设备的智能化升级，如何实现工业生产各环节的互联互通，以及AI与工业自动化技术的深度融合，成为本届展会的重要看点。作为参展企业之一，施耐德电气集中展示了开放自动化、工业AI及能源管理领域的创新成果，并围绕流程与混合行业、市政、数据中心和离散制造四大场景，呈现工业智能技术从设备接入、生产控制到运营优化的应用路径。

展会期间，施耐德电气集团董事、高级副总裁、工业自动化业务中国区负责人丁晓红向《中国经营报》记者表示，工业智能不应停留在单点、单层面的智能化，而是需要融入不同应用场景、不同层级和不同架构之间，系统性地释放数据价值。

这一判断，也折射出工业AI发展的新变化：随着技术应用逐步深入，行业竞争的重点已不是单一算法或产品能力，而是能否将数据治理、行业知识、开放架构与场景应用相结合，形成可持续、可复制的商业价值。

数据治理成工业AI核心挑战

近年来，生成式人工智能、大模型与智能体技术快速演进，为工业生产、设备运维和能源管理带来了新的技术手段。然而，相较于通用场景，工业AI的落地往往受到数据基础、生产流程复杂性以及系统安全可靠性等多重因素制约。

对此，丁晓红指出，当前工业AI面临的很多挑战，与过去工业数字化转型过程中反复讨论的问题并没有本质区别，其中最根本的仍然是数据治理。

在她看来，制造企业通常经历了较长的发展周期，不同阶段建设的生产设备、控制系统及信息化平台容易形成相互独立的数据孤岛。进入工业AI阶段后，企业不仅需要处理结构化数据，还需要整合大量非结构化信息，进一步增加了数据治理的复杂性。

“未来还有一个很重要的概念，就是‘Context’，也就是数据的‘业务上下文’。要把一个设备、一座工厂的‘前世今生’联系起来，才能更好地理解现状并预测未来。”丁晓红表示。

这意味着，工业AI要真正发挥价值，不能仅依赖模型对海量数据进行分析，还需要结合设备运行记录、工艺流程和行业经验，使数据具备可供理解和决策的业务含义。

针对这一趋势，施耐德电气正在持续完善EcoStruxure三层架构，以开放互联为基础，在设备接入、运营控制和管理优化等环节融合工业AI能力，推动生产数据向运营决策转化。

从具体应用来看，哪些工业AI场景已经具备规模化推广条件？

丁晓红认为，能源优化和设备预测性维护是现阶段相对成熟、具有广泛应用基础的两个方向。

其中，能源优化涉及企业普遍面临的电力、水、气等资源消耗问题。通过采集相关设备和仪表数据，企业能够开展跨车间、跨工厂的能源分析，识别节能空间。而预测性维护则可以结合设备运行数据与AI算法，提前发现潜在故障，减少非计划停机。

在施耐德电气自身工厂中，相关技术已经形成具体应用。例如，上海普陀工厂引入了“智能领班”，现场负责人可以通过系统仪表盘了解异常情况，再有针对性地开展巡检；无锡工厂则利用AI视觉技术识别HMI组装过程中零部件是否齐全、操作是否正确。

丁晓红将此类应用概括为“小而美”的实践，即投入不一定很大，但能够直接解决现场工作中的具体问题。

不过，从单点应用迈向全局优化，工业AI仍面临更高门槛。

丁晓红指出，未来随着数据孤岛逐步打通，以及多智能体和通信协议等技术发展，AI有望实现跨设备、跨工艺段、跨软件系统的协同优化。但与局部场景不同，全局优化涉及整个生产运营体系，对安全、合规、部署方式和效果验证都有更高要求。

尤其当AI进一步进入机器人、自动驾驶及工业生产控制等物理场景时，算法的可靠性将直接关系到人员与生产安全。

因此，从产业发展阶段来看，工业AI短期内更可能沿着能源管理、预测性维护等成熟场景持续渗透，而跨系统自主决策和物理世界应用，则仍需要技术能力与工业安全体系同步完善。

软件定义加速工业自动化开放

如果说数据治理是工业AI落地的基础，那么开放自动化和软件定义自动化，则正在成为打通工业系统、降低应用部署成本的重要技术路径。

传统工业自动化系统往往与特定硬件设备深度绑定，不同品牌、不同年代的控制系统之间缺乏统一接口。当企业需要新增功能或升级产线时，容易面临兼容性不足、重复开发以及改造成本较高等问题。

软件定义自动化试图通过软硬件解耦，降低工业控制软件对特定硬件的依赖，使控制功能能够以更加灵活、模块化的方式开发和部署。

2020年，施耐德电气推出EcoStruxure开放自动化平台（EAE）。经过六年发展，该平台的应用已经从早期的水务、市政等领域，逐步拓展至数据中心、物流及其他工业场景。本届工博会上，施耐德电气集中展示了基于EAE的EcoStruxure Foxboro SDA软件定义自动化系统、Modicon M590 dPAC数智控制器，以及多款联合生态伙伴开发的应用方案。

据施耐德电气工业自动化技术架构和流程行业负责人刘文介绍，随着开放自动化生态不断扩大，越来越多的行业企业、高校及技术伙伴参与其中，软件定义自动化的应用范围也在持续延伸。

这一变化的产业价值，不仅在于提升系统兼容性，还将过去依赖单个项目和工程师经验的工业能力，转化为可以封装、复制和复用的软件模块。

据施耐德电气工业自动化业务通用行业负责人金石透露，在部分离散制造项目中，施耐德电气与合作伙伴利用EAE开展模块化开发和能力复用，节省了60%以上的开发时间。在施耐德电气北京物流中心，EAE的应用使部署周期缩短了20%。

对于拥有大量存量设备的中国制造企业，这种技术路径同样具有现实意义。

金石表示，存量工厂升级既要引入新的智能化能力，也要尽可能保留已有设备、控制程序及长期积累的行业知识。通过开放自动化平台，企业能够在减少原有设备改动的情况下整合数据，降低重复投资。

丁晓红进一步指出，中国工业已进入更加注重高质量发展的阶段，未来存量市场的重要性将进一步提升。施耐德电气已设立专门服务存量市场的团队，研究如何通过自动化升级和AI应用提升既有工业资产的运营价值。

与此同时，工业AI能否大规模推广，还取决于技术供应商是否具备将行业经验转化为标准化产品的能力。

“标准化是规模化的基础。”丁晓红表示，施耐德电气正尝试将能源优化、预测性维护及流程控制等领域的成熟能力进行标准化封装，使更多开发者和中小型系统集成商能够快速调用。

但她也强调，工业应用场景高度复杂，标准化不可能满足所有客户需求，仍需要生态伙伴结合具体场景完成个性化开发。

由此来看，开放自动化的竞争正在从单一产品性能，延伸至行业模块积累、开发者生态以及跨场景复制能力。谁能够降低系统集成和应用开发成本，谁就更有机会推动工业AI形成规模化商业应用。

工业自动化增长逻辑生变

工业AI和软件定义自动化的加速融合，也发生在中国制造业投资结构持续调整的背景之下。

过去，部分工业自动化需求主要来自新工厂建设和产能扩张。如今，随着产业发展向高质量、精细化运营转变，企业对既有产线改造、能效提升、生产安全以及投资回报的关注度正在提高。据刘文介绍，其在近期走访山东工业客户时发现，部分传统炼化企业正从追求规模和产能，转向精细化工及高附加值产品领域，对工艺控制、安全管理和运营效率提出了更高要求。

与此同时，有色金属、装备制造等领域的中国企业正加快海外布局，带动自动化设备、工业软件和本地化运营服务需求增长。

丁晓红表示，面对产业结构变化，施耐德电气一方面将继续关注新兴项目，另一方面也在加大存量市场的资源投入，同时依托全球服务网络支持中国企业出海。

值得关注的是，AI算力基础设施发展也为自动化与能源管理融合创造了新的需求。

“电力是算力的基础，自动化则是实现算力与能源协同优化的基础。”丁晓红指出，算力、能源和自动化本身就是相互联系的整体，需要通过融合释放更大的系统价值。

在本届工博会上，施耐德电气针对数据中心展示了覆盖供配电、冷源群控、液冷及智能运营的解决方案；同时推出变频器、智能电动机管理系统等产品。这些产品和方案覆盖流程工业、市政基础设施、数据中心以及离散制造等领域，反映出工业自动化企业正在围绕不同产业需求，推动控制、驱动、软件及能源管理能力的协同发展。

从更长期的产业竞争看，工业AI的商业化并非简单地将大模型嵌入现有生产系统，而是需要工业企业、自动化厂商和软件开发者共同完成数据整合、工程能力封装及业务流程改造。

丁晓红表示，施耐德电气不会将自己定位为一家大模型公司，而是更关注结合长期积累的行业经验、软硬件及数据基础，围绕具体场景开发AI智能体，并探索多智能体协同优化及AI与机器人融合的可能性。

随着工业AI逐步从技术验证走向实际生产，自动化产业的价值创造方式也在发生变化：从提供单一设备和控制系统，转向提供覆盖生产、能源、运营和维护全生命周期的综合解决方案。而能否在确保安全可靠的基础上，形成可量化、可复制的应用价值，将成为工业智能化下一阶段发展的关键。

（编辑：张靖超 审核：李正豪 校对：颜京宁）