头图｜AI生成
“死亡谷”是AI领域一个始终绕不开的话题，这是技术从实验室到真实场景之间最难跨越的一段距离。Gartner的研究显示，高达85%的AI项目无法从实验室走向规模化部署和业务价值转化。
虽然已经能写代码、做设计，甚至替代一部分程序员的工作，但在真实的工业生产中，它却连一台机器都指挥不好。
比如，某电子厂想通过AI降低质检成本提升准确率，但仅应用三个月，产品批次更换，系统误报率从0.5%飙升到15%，生产不能停，工厂只好又换回人工质检。
这背后的冲突在于，AI是概率性的，而机器世界必须是确定性的。
过去100年，工业的每一次跃迁，从来不是某项技术的发布，而是生产方式的重写。从电气化让机器替代人力，到自动化让流程变得可控，再到数字化让工厂第一次被记录与计算，工业世界始终围绕一个命题演进——把不确定性，变成可以被理解、被预测、被控制的系统。
但AI还没有给出这个命题的解法，真正从理解世界，走向深度参与世界。
在西门子RXD大会上，西门子董事会主席、总裁兼首席执行官博乐仁表示，当 AI融入物理系统，它就不再只是一项技术功能，而是一种变革力量，一种能切实影响现实、重塑世界运行方式的力量。
这一步，并不会自然发生。
回顾历次工业跃迁，都占据了关键位置。这一次，它正在面对一个更难的问题：如何让AI真正融入到物理世界？
工业AI，为何迟迟未能爆发？
AI在真实物理世界中的落地，往往看起来很美好，但现实远比想象复杂。
某电解铝工厂想要通过时序大模型为电压设定、出铝量、氟化盐添加量等操作提供操作建议，让生产更稳定。实际应用中却遭到了工区长的抵制，因为AI无法解释每一项建议，工区长担心出问题背锅，不敢采纳执行。
这是因为单一技术模型无法适配全流程的复杂需求，根本不具备可解释的能力。AI想要真正在电解铝工厂落地，不仅要分析时序数据，还需结合电解槽操作的全工艺，梳理数据-特征-模型的因果关系。
在西门子中国董事长、总裁兼首席执行官肖松看来，「工业AI是座金矿，但要挖出金矿里的真金，也并非易事」。
西门子中国董事长、总裁兼首席执行官肖松
因为工业场景并非单一环节，而是覆盖产品设计、生产制造、质量检测、运维全生命周期的复杂系统，技术研发也不像文本、图片生成那么简单。
在西门子RXD大会的圆桌讨论环节，国机数科董事长王宇航总结了当下AI在工业生产中落地慢的原因：「技术与场景脱节、业务与数据脱节、投入与产出脱节」。
大语言模型和工业生产并不是完全匹配，很多工业知识可能是图纸、照片，现在的大语言模型还不能很好的理解这些知识。
企业每天在生产经营中产生大量数据，但这些数据就像尾矿一样，虽然大家都知道它有价值却不知道如何提炼出来。
国机数科董事长王宇航
AI在工业领域的应用是一个跨界融合的命题，部署成本高，无正向收益闭环。对于工厂来说，无论工业AI的愿景有多美好，最终都要核算其所有的投入能否在生产当中落地形成正向收益。
在排产、库存、供应链等各个场景的优化问题上，工业AI的真正难点不是实现路径，而是能否解决复杂系统问题。在数据、模型等多个层面，工业AI都需要面对复杂系统带来的挑战。
比如，排产、库存、供应链中，一个环节的调整，往往会在多个环节产生连锁反应，局部最优往往意味着整体失衡，这属于系统耦合的问题。这种现实世界的复杂性同时也会映射到数据层面，形成数据的耦合性。
工业场景数据存在多元异构、多模态、时空耦合的特征，且需保证同时间基点的关联性，这是数据利用的核心难点。即使是头部企业，工业数据的正确性和高质量性尚未被系统性解决。
很多工厂了解自身的生产情况但缺乏技术能力，AI公司拥有足够的技术能力却很难深度了解工厂不同场景之间的关联和需求痛点，双方很难形成合力。
工业AI的胜负手不在模型，而是数据
西门子通过构建一套贯通硬件、软件与数据的技术栈，将AI带入物理世界。
西门子RXD大会发布的26款新品中，绝大多数指向硬件，涉及自动化与运动控制、AI 基础设施与电气等多个品类。
在肖松看来，「当AI加速融入物理世界，硬件比过去更重要」。
软件则构建一个基于物理规律、可实时运行的数字孪生系统，为排产、库存等决策层优化提供虚拟仿真环境，降低试错成本。其中，西门子在今年CES期间新推出的Digital Twin Composer作为高精度数字孪生构建工具，支持产线全流程虚拟验证。
西门子的全栈能力，更关键在于其长期沉淀的工业数据资产。在工业AI领域，数据不是附属资源，而是决定模型能否落地的前提。
大模型落地需要三个关键条件：算力、模型和数据。算力和模型已经平权，各个企业都具备获得最领先算力和模型的能力，但如果工厂只依赖于通用模型和其衍生Agent，模型始终无法达到可用的精度。
企业拥有大量的生产数据，但这就如同地底下的石油和铁矿一样，并不能直接使用和交易。石油和铁矿需要开采提炼成同标准可交易的大宗商品，数据也需要标注清洗加工变成高质量的数据集，才能用于模型训练。
在西门子RXD大会的圆桌讨论环节，西门子中国董事长、总裁兼首席执行官肖松和几位嘉宾也深入讨论了数据重要性以及获取的难度。
一方面，工业数据具有易腐、离散等特征，获取的难度非常高。
北京数据集团的李振军指出，「工业数据采集极难，而且存不下、边采边丢」。很多工厂为了节省成本，传感器数据只存一个月，甚至边采边丢。当你想训练一个“预测性维护”模型时，却发现连去年的故障样本都没有。
此外，工业门类极其细分，每一家工厂都是一座孤岛。互联网可以大集中，但工厂是离散的。这种离散性决定了工业AI很难产生像GPT一样规模效应。
因此，数据是AI在制造业落地过程中最难、也是最有价值的领域。
北京数据集团副总经理 李振军
另一方面，数据的使用必须看得懂、用得上、算得清，同样存在非常高的门槛。
工业企业的内部流程和场景非常复杂，不管是生产准备、流程控制，还是库存、供应链，一个不具备20年经验的人很难找得到、看得懂有用的数据，更不要说把数据用好。
数据不仅要转化为生产、运营、决策层面可理解的信息，并与实际工业场景深度绑定，还要确保企业投入能够形成正向收益。
可以说，谁掌握了高质量、可用的数据，谁才能真正释放AI价值。以高价值场景为牵引，推动多模态模型与产业知识融合，才能真正把数据用好，实现工业AI的破局。
在西门子RXD大会期间，肖松邀请中国客户和AI初创企业举行了一场闭门会，专门讨论工业AI的落地。关于数据的门槛怎么过，他的判断是：「不能在所有领域同时展开，要在聚焦的行业里找突破」。
预测性维护、质量视觉检测等成熟场景，数据相对充分，价值可以量化。西门子成都工厂部署了一百多项AI技术、南京工厂有50多项，都是一线工程师自己开发的。总部没有空降方案，车间里的人最清楚痛点在哪、哪些数据有价值。
具身智能等初级场景，还处在数据匮乏的阶段，需要合成数据、仿真数据来补充，突破的时间轴更长。
那为什么西门子可以沉淀足够多的工业数据资产？
这背后是西门子近180年的持续积累。目前，西门子的工业软件与硬件产品，已服务于全球40多个行业、40多万家客户。
在软件领域，西门子的版图几乎囊括了从设计、仿真到制造、运维的完整生命周期，并深入汽车制造、食品加工、化工流程、生物制药等对行业know-how要求极高的复杂系统。
在硬件领域，西门子更是构筑起了从设备实时控制、全厂数据采集和监控到数据处理与 AI 实时决策的完整硬件体系，把生产车间的每一个动态都转化成可被采集、推理的数据。
正是这些积累，让西门子训练工业基础模型IFM所依托的高质量工业数据就达到了 150PB。可以说，数据构筑了西门子在工业AI的护城河，其能力并非只掌握技术能力的互联网科技公司所能匹敌的。
西门子，点燃工业AI浪潮
已经传承700多年的泸州老窖，基于西门子工厂仿真软件Plant Simulation完成了整厂级的数字孪生建模与系统验证优化，古老的白酒行业酿造生产向可预测、可控、可复现的数智化方向迈进。
还有更多的中国制造企业在西门子的助力下，实现从单点提效到全局优化的转型升级。
在新能源、高端制造、数据中心、电池、机器人等高增长领域，大量中国制造企业通过使用西门子中国研发、适配中国场景的智能硬件与软件产品，大幅缩短工程周期、提升良品率、降低能耗与物料损耗。
可以说，几乎没有哪一种工业AI解决方案，是西门子无法构建的。这些领先的成果并非偶然，而是长期在技术研发领域投入的结果。
1973年，西门子在人工智能发展尚未清晰的时候，就获得了自己的第一项AI相关专利，并在AI领域开启了持续的投入。
即使在上世纪90年代科技互联网泡沫破灭的时候，西门子仍然聚焦专家系统、模式识别、神经网络在工业场景的可行性研究，探索AI在质量检测、故障诊断等环节的应用。
随着AI能力的提升和在各行业更广泛的应用，西门子也升级了AI战略。2022年，西门子面向工业、楼宇、电网、交通领域推出西门子Xcelerator平台，让企业数字化转型更简单、更快速、更易规模化。
今年1月，西门子宣布将打造工业AI操作系统，让AI能够真正进入工业生产系统，实现更安全、高效、规模化的落地。
目前，西门子在AI领域已拥有超过1500名专家，让西门子AI领域的专利持有量居世界领先地位。
工业AI的使用门槛被不断降低，才能向更广泛的行业渗透。这个过程中，西门子所扮演的角色，正在从单纯的技术提供者，转向工业AI的启蒙者和产业升级路径的共建者。工业技术一直在变革，风口也在不停变换，但西门子一直是不可或缺的存在。
小结
工业AI的突破，并不只是一次简单的技术升级，而是工业体系第一次被完整地重写。西门子点燃了工业AI浪潮，也让一条原本模糊的路径开始变得清晰。当越来越多工厂真正在核心业务场景落地AI，新一轮生产力的革命才正式开始。
本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4845878.html?f=wyxwapp
配资查询提示：文章来自网络，不代表本站观点。
