当大模型可以写代码、做分析、调用工具，几乎所有企业都开始追问同一件事：如何把大模型接入生产流程，以实现降本增效？
但工厂不是聊天框，大模型一个看似合理却不准确的回答，放在消费场景里或许只是一次糟糕的体验，但当进入芯片设计、汽车制造和机器人生产领域，却有可能变成返工、停产，甚至安全事故。
这些问题，也是西门子在面向人工智能转型时，需要面对的问题。
实际上，在大模型风起云涌的这些年里，西门子也在向 AI 靠近。就在西门子大中华区 Realize LIVE 用户大会 2026 上，现场展示了西门子面向中国企业首发的企业级智能体平台 Intelligence Center X（简称 ICX）。
基于这一平台，西门子试图将分散的数据、工业知识、AI 模型和业务流程放进同一套系统，让智能体从回答问题走向执行任务。ICX，也成了西门子面向工业 AI 又一次迈出的重要一步。
工业 AI 落地的三大难题
2026 年，工业 AI 的叙事正在发生变化。过去几年里，企业更关心 AI 能做什么，不少企业纷纷围绕大模型搭建知识库、问答助手和概念验证项目。在经历了一系列探索和验证后，如今 AI 开始走出聊天框，进入芯片、汽车、机器人、能源装备和生产线。
这时，企业关心的问题也变成了：AI 能不能持续运行？能不能对结果负责？又能不能从一个场景复制到整个组织？
中国拥有完整的制造业体系，也为工业 AI 提供了足够多的真实场景。但在西门子工业软件中国董事长及总经理梁乃明看来，工业 AI 在企业落地仍然面对三大难题——"AI 项目很多，真正创造价值的不多；数据很多，工程知识却是分散的；试点很多，规模化应用依然困难。”
首先是数据难题。制造业企业通常不缺数据，他们的 PLM 中保存着产品和零件数据，ERP 记录了供应商与成本信息，MES 连接着生产过程，CRM 还有客户与售后信息。然而，现实是这些数据分散在不同系统中，使用不同标准，缺少统一语义，也未必实时更新。
西门子数字化工业软件总裁兼首席执行官 Tony Hemmelgarn 指出：“目前仍有约 50% 的客户在个人桌面或文件系统中管理自己的工程数据，即使企业建立了数据湖，其中保存的往往只是某个时间点的快照，难以完整保留持续变化的产品配置和设计意图。”
工业数据始终伴随版本、配置、权限和设计意图变化。同一个零件装在哪款产品、属于哪个版本、由谁修改、会影响哪些工序，这些关系并不会天然存在于一张数据表中。一份二十年前的旧文件如果被 AI 当成最新标准，生成的答案越流畅，潜在风险反而越大。
第二个难题，是概率模型如何进入一个强调确定性的工业世界。大模型擅长根据概率生成结果，但芯片的热、电和机械结构，机器人的动力学、寿命和可靠性，汽车软件与处理器、网络、线束之间的关系，都受物理规律约束。工业企业无法接受“基本正确”，更不能让未经验证的答案直接进入生产。
第三个难题，是如何跨过 POC 与规模化应用之间的鸿沟。Tony Hemmelgarn 和西门子数字化工业软件 PLM 产品执行副总裁 Joe Bohman 在接受媒体采访时，提到了大量 AI 项目停滞的两个原因：
- 项目没有对准明确的业务结果。由于缺乏对业务结果的聚焦，很多客户没有围绕关键业务问题部署 AI，导致大量 AI 项目停留在 POC 阶段；
- 很多企业的 AI 项目依赖外包团队。如此不仅容易对服务团队形成依赖，也使得企业没有把数据、流程和方法沉淀为自己的能力。
而一个工业 AI 项目最终必须回答诸如“节省了多少能耗，缩短了多少研发时间，减少了多少样机，提高了多少良率，又避免了多少停机损失”等问题。离开这些指标，AI 很容易成为一场效果不错、却无法复制的演示。
数据要可信，结果要确定，项目还要能够复制，这三道门槛明确了企业需求的变化——企业需要的不再是一个孤立的模型，而是一套能够连接数据、工程工具和业务流程的系统。西门子 ICX 正是在这个背景下孕育而生。
西门子 ICX 的 AI 演进路线
智能体正在改变企业软件的使用方式。过去，软件等待人发出指令；Copilot 出现后，软件开始理解问题、推荐操作；而在进入智能体阶段，AI 还需要沿着业务流程调用工具、修改数据，并把任务交给下一个系统。
这使数字主线变得更加重要。Joe Bohman 指出，数字主线的核心并不是一条数据传输通道，而是企业真实的业务流程。流程不会停留在某一套软件中，它可能从 PLM 进入 ERP，再进入 MES 和售后服务系统。智能体要跨系统工作，就必须知道数据之间的关系，也要知道自己处于流程中的哪一步。
ICX 因此没有被设计成一个大模型，它实则是位于企业现有系统之上的 AI 编排层：向下连接 PLM、ERP、MES、CRM 和 OT 数据，向上管理模型、Agent 与工作流，并对每一次数据访问和智能体决策进行追踪。
ICX 平台首先需要建立企业的“上下文”。RapidMiner Graph Studio 负责连接不同系统中的数据，构建知识图谱和工业本体。所谓工业本体，就是让 AI 理解一个零件属于哪台设备、一次设计变更会影响哪些工序、设备故障又会进一步影响哪些订单和客户。它并不要求把所有数据简单搬进同一个数据库，而是补上数据之间的关系、含义和业务语境。对智能体而言，这一层相当于企业地图：没有地图，模型知道得再多，也不知道当前应该去哪里。
第二部分是 RapidMiner AI Studio，负责数据处理、AutoML 建模、模型训练、部署和生命周期管理。传统制造企业往往不缺懂设备和工艺的人，真正稀缺的是能够同时理解算法与工业现场的数据科学家。RapidMiner AI Studio 尝试降低这道门槛，让工艺、质量和设备人员也可以参与模型开发，在统一环境中完成数据准备、算法推荐、调优和管理。
第三部分是 Mendix。作为西门子的低代码平台，Mendix 承担了智能体和智能应用的开发、编排与治理任务。企业可以把不同的智能体连接起来，让它们按照数字主线分工，并通过工作流进入真实业务。
此外，ICX 还设置了统一治理层。客户可以自带模型，但模型和智能体必须在企业设定的权限与业务边界中运行，每一次数据访问、模型推理和流程操作都应可追溯、可审计，关键节点仍由人作出确认。
按照西门子的设计，ICX 可以叠加在西门子已有的 AI 产品上，也可以独立连接使用第三方 OT 设备的企业，还可以作为通用企业智能体平台部署。
不过，Graph Studio、AI Studio 和 Mendix 更像是 ICX 的大脑、知识底座与编排系统。智能体要真正完成工业任务，还需要能够调用成熟的工程软件。西门子近年来也在推动 PLM 的智能化演进，并将这一系列 AI 软件融入到了 ICX 体系中。
Joe Bohman 把这条演进路径按照更快的引擎、更智能的执行、可信赖的结果三方面进行了解释。
最早进入 PLM 的 AI，主要解决单点效率问题。Designcenter 可以用 AI 生成图纸初稿，使部分绘图任务效率提升约 50%；Teamcenter 可以识别企业反复设计的相似零件，减少重复制造，AI 让零件分类效率提高约 10 倍。
随后，AI 开始以 Copilot 的形式进入工程师工作界面。西门子从 2019 年起在 Designcenter 中加入了命令预测，之后陆续增加拓扑优化、标注预测和语音命令，如今这些 AI 能力每月被调用超过 50 万次。
Designcenter Copilot 进一步把产品文档和最佳实践放进工程师当前的设计环境，帮助新员工理解复杂工具；Teamcenter Copilot 则把对话入口连接到企业内部的文档、需求、图纸和产品知识，它调用的不是公共互联网信息，而是经过权限管理的企业知识。
这之后，Copilot 开始演变为智能体。AI 不只解释某项功能，还可以创建工程变更、调用设计工具、分析配置影响，并把任务沿数字主线交给制造或服务环节。
从这个角度看，ICX 与西门子 PLM 被纳入了统一架构之下：ICX 提供统一的数据语境、模型管理和智能体编排；Teamcenter、Designcenter、Simcenter 和 Opcenter 则提供可执行的工程对象、物理模型和业务工具。
大模型负责理解意图，工业本体负责限定语境，数字主线规定流程，成熟工业软件完成执行和验证，这正是西门子搭建企业智能体平台的基本逻辑。
当 ICX 进入工业生产环境
一套企业智能体平台是否成立，最终还要看它进入真实的生产环境后能解决什么问题。在制造业，平台架构画得再完整，如果不能缩短研发周期、降低能耗、提高质量或减少停机时间，仍然很难从试点走向规模化。而康美包和理想汽车，恰好展示了工业 AI 进入产品研发、工艺优化和工厂运营的路径。
康美包解决的是能耗问题。这家无菌包装企业的一条产线每分钟运行约 800 米，单个工厂年电费超过 3000 万元。最初，24 台核心设备只有 5 台电表，数据保存在 CSV 文件中，无法长期追溯。后来，康美包把电表增加到 100 个，覆盖关键设备，并把能耗数据与生产数据打通。在此过程中，管理层很快提出了一个更实际的问题：已经看到了所有设备的耗电排名后，我们究竟应该从哪里省钱？
康美包随后利用 ICX 中的 AI Studio 建立起机器学习能力，由自己的业务和数据人员参与模型开发，最终使相关冷冻机项目实现约 10% 的节能效果。
但令康美包亚太区 IT 总监顾贤哲印象最深刻的，并不是训练模型，而是为了补齐一个关键孔距数据，五名工程师花了六个月安装和调试摄像头，逐一解决振动、光线与精度问题。
这也让康美包形成了一套六步法：先定义业务目标，再确定影响结果的变量，检查数据是否存在，补齐传感器和信息系统，把 IT、OT 数据编排到同一时间和空间序列，最后用 AI 结果反馈生产。
机器学习由此从一个冷冻机项目扩展到吸管孔和色差等场景，康美包也有了新的计划——把中国工厂积累的方法推广到全球约 20 座工厂。
理想汽车则希望将世界模型和具身智能的理念引入到整个工厂中。理想汽车制造工程高级总监徐勉把理想汽车的 AI 路径分成“向左走”和“向右走”：向左是在虚拟世界中重构知识、经验与流程，让工程师借助 AI Coding 和自动化工具提高工艺开发效率；向右则是让 AI 回到制造现场，参与感知、决策、执行和反馈。
理想汽车基于 Teamcenter 建设了产品和工艺数据体系。在标准件装配环节，一辆车包含 70 多种螺丝等标准件，过去需要工程师逐一识别，再选择动力工具、套筒和接杆，并进行干涉验证。如今的算法已经可以支持约 45 种标准件的自动检查和工具选择，相关效率提升 60% 以上。
在焊接环节，一辆车包含四五千个焊点。新车型进入生产后，系统可以先与既有车型和 170 多万台车辆积累的数据进行比较，相似度高于 95% 时直接调用最佳实践，低于 95% 时再由算法生成初版工艺参数。
理想汽车还尝试把生产线做成可以快速组合的模块。过去一个工站进入现场后可能需要两个月调试，现在设备、工艺和调试工作可以在合作伙伴处预先完成，运到工厂后五天即可接入生产线。
下一步，理想汽车希望借助工业本体和 ICX 连接采购、制造、质量、物料与订单数据，让 AI 评估一台设备故障会影响多少产能、哪些订单和哪些用户，再反推问题来自产品设计、工艺设计还是维护环节。
在看过康美包、理想汽车等切身实践后，不难发现：大模型只有在进入数据、工具和流程后，才能成为生产力。
西门子已经搭建起了 ICX 企业智能体平台，接下来需要做的，是将基于 ICX 的这些分散在各个行业的成功案例，变成更多企业可复制的生产力。
科技行者团队出品
