今年以来，“物理 AI"作为人工智能与物理世界深度融合的产物，已成为全球科技与产业发展的核心热点。人工智能正加速从概念走向生产现场，深入工厂、车间与产线，全面赋能以制造业为代表的实体经济。
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
中国“十五五”规划纲要明确提出加快数智技术创新及全面实施“人工智能+"行动。面对新一轮科技革命，加快推进工业 AI 广泛应用已成为产业界的必答题。中国拥有门类齐全的工业体系、深厚的制造底蕴及对新技术的开放态度，这是发展工业 AI 的独特优势。然而，要将优势转化为生产力，必须破解模型训练与数据供给衔接不足的结构性难题。工业场景需采集足量数据（尤其是负样本），以提升模型训练的精准度，而破题的关键在于抓住“场景”这一核心牵引。
工业场景：人工智能应用的“深水区”
工业场景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，且受设备、工艺、人员、环境等多重复杂因素影响，行业间差异显著。因此，工业 AI 不能追求全覆盖式发展，必须从具体业务场景入手，以可追溯、可验证、可控制为前提稳步推进。
首要任务：找准高价值场景
优先投入的场景应具备四个特征：痛点高频、数据可获取、价值可量化、具有推广复制潜力。质量检测是典型的高价值场景，其成效可通过效率和成本直观衡量。例如，西门子开发的 Smart Detection 智能检测平台已在南京、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”。
核心路径：以场景牵引高质量数据集建设
工业数据广泛分散于不同设备与流程中，呈现无序化、碎片化及多模态特征，且大量关键知识沉淀于工艺规范与专家经验中。未经治理的数据难以支撑大模型训练。只有以具体场景为牵引，数据采集与治理才能有的放矢，推动数据从“无序积累”走向“有序生产”，实现“场景 - 数据 - 模型”的良性循环。
铜冶炼即为典型案例。针对原料波动、人才短缺及工况复杂等难题，西门子与“十五冶”合作，整合 11 个工艺段的设备数据及行业文献、专家经验，打造出炼铜行业首个下沉到边缘的智能体，使影响成品质量与炉体寿命的关键指标——冰铜品位稳定性提升了 15%。
关键支撑：软硬融合的系统能力
工业 AI 落地是复杂的系统工程，需与工业软件、边缘计算设备及工艺流程深度结合。尤其在多代际设备并存、多协议交织的现场，AI 若无法嵌入异构系统则难发挥作用。工业 AI 不仅要输出推理结果，更要打通感知、决策、执行、反馈全链路，实现新旧设备协同与安全兜底。
新一代工业智能体产品已体现这一趋势。西门子近期发布的 Eigen 工程智能体，是全球首批可自主规划执行工业自动化任务的商用 AI 系统之一。它能嵌入自动化开发工作流，完成 PLC 编程、HMI 可视化及设备配置等任务，显著提升工程师的工作效率与可靠性。
必要条件：开放协同的生态创新
工业 AI 的规模化应用无法靠单个企业闭门造车，必须建立在场景开放与生态协同之上。当前，已有企业通过开放场景、协同试点加速技术验证。西门子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 的发展需要在质检、运维、工艺优化、供应链管理及节能降耗等真实场景中长期投入与打磨。未来，智能体应用将更广泛地实现业务流程智能化，大幅提升运营与决策效率。我们呼吁进一步推动场景开放与数据流通，携手共创工业 AI 的时代红利。
END
本文作者：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
责任编辑：朱晓裔
部门领导审核：李峥