頭圖｜AI生成

“死亡谷”是AI領(lǐng)域一個始終繞不開的話題，這是技術(shù)從實驗室到真實場景之間最難跨越的一段距離。Gartner的研究顯示，高達85%的AI項目無法從實驗室走向規(guī)?；渴鸷蜆I(yè)務價值轉(zhuǎn)化。

雖然已經(jīng)能寫代碼、做設計，甚至替代一部分程序員的工作，但在真實的工業(yè)生產(chǎn)中，它卻連一臺機器都指揮不好。

比如，某電子廠想通過AI降低質(zhì)檢成本提升準確率，但僅應用三個月，產(chǎn)品批次更換，系統(tǒng)誤報率從0.5%飆升到15%，生產(chǎn)不能停，工廠只好又換回人工質(zhì)檢。

這背后的沖突在于，AI是概率性的，而機器世界必須是確定性的。

過去100年，工業(yè)的每一次躍遷，從來不是某項技術(shù)的發(fā)布，而是生產(chǎn)方式的重寫。從電氣化讓機器替代人力，到自動化讓流程變得可控，再到數(shù)字化讓工廠第一次被記錄與計算，工業(yè)世界始終圍繞一個命題演進——把不確定性，變成可以被理解、被預測、被控制的系統(tǒng)。

但AI還沒有給出這個命題的解法，真正從理解世界，走向深度參與世界。

在西門子RXD大會上，西門子董事會主席、總裁兼首席執(zhí)行官博樂仁表示，當 AI融入物理系統(tǒng)，它就不再只是一項技術(shù)功能，而是一種變革力量，一種能切實影響現(xiàn)實、重塑世界運行方式的力量。

這一步，并不會自然發(fā)生。

回顧歷次工業(yè)躍遷，西門子都占據(jù)了關(guān)鍵位置。這一次，它正在面對一個更難的問題：如何讓AI真正融入到物理世界？

工業(yè)AI，為何遲遲未能爆發(fā)？

AI在真實物理世界中的落地，往往看起來很美好，但現(xiàn)實遠比想象復雜。

某電解鋁工廠想要通過時序大模型為電壓設定、出鋁量、氟化鹽添加量等操作提供操作建議，讓生產(chǎn)更穩(wěn)定。實際應用中卻遭到了工區(qū)長的抵制，因為AI無法解釋每一項建議，工區(qū)長擔心出問題背鍋，不敢采納執(zhí)行。

這是因為單一技術(shù)模型無法適配全流程的復雜需求，根本不具備可解釋的能力。AI想要真正在電解鋁工廠落地，不僅要分析時序數(shù)據(jù)，還需結(jié)合電解槽操作的全工藝，梳理數(shù)據(jù)-特征-模型的因果關(guān)系。

在西門子中國董事長、總裁兼首席執(zhí)行官肖松看來，「工業(yè)AI是座金礦，但要挖出金礦里的真金，也并非易事」。

西門子中國董事長、總裁兼首席執(zhí)行官肖松

因為工業(yè)場景并非單一環(huán)節(jié)，而是覆蓋產(chǎn)品設計、生產(chǎn)制造、質(zhì)量檢測、運維全生命周期的復雜系統(tǒng)，技術(shù)研發(fā)也不像文本、圖片生成那么簡單。

在西門子RXD大會的圓桌討論環(huán)節(jié)，國機數(shù)科董事長王宇航總結(jié)了當下AI在工業(yè)生產(chǎn)中落地慢的原因：「技術(shù)與場景脫節(jié)、業(yè)務與數(shù)據(jù)脫節(jié)、投入與產(chǎn)出脫節(jié)」。

大語言模型和工業(yè)生產(chǎn)并不是完全匹配，很多工業(yè)知識可能是圖紙、照片，現(xiàn)在的大語言模型還不能很好的理解這些知識。

企業(yè)每天在生產(chǎn)經(jīng)營中產(chǎn)生大量數(shù)據(jù)，但這些數(shù)據(jù)就像尾礦一樣，雖然大家都知道它有價值卻不知道如何提煉出來。

國機數(shù)科董事長王宇航

AI在工業(yè)領(lǐng)域的應用是一個跨界融合的命題，部署成本高，無正向收益閉環(huán)。對于工廠來說，無論工業(yè)AI的愿景有多美好，最終都要核算其所有的投入能否在生產(chǎn)當中落地形成正向收益。

在排產(chǎn)、庫存、供應鏈等各個場景的優(yōu)化問題上，工業(yè)AI的真正難點不是實現(xiàn)路徑，而是能否解決復雜系統(tǒng)問題。在數(shù)據(jù)、模型等多個層面，工業(yè)AI都需要面對復雜系統(tǒng)帶來的挑戰(zhàn)。

比如，排產(chǎn)、庫存、供應鏈中，一個環(huán)節(jié)的調(diào)整，往往會在多個環(huán)節(jié)產(chǎn)生連鎖反應，局部最優(yōu)往往意味著整體失衡，這屬于系統(tǒng)耦合的問題。這種現(xiàn)實世界的復雜性同時也會映射到數(shù)據(jù)層面，形成數(shù)據(jù)的耦合性。

工業(yè)場景數(shù)據(jù)存在多元異構(gòu)、多模態(tài)、時空耦合的特征，且需保證同時間基點的關(guān)聯(lián)性，這是數(shù)據(jù)利用的核心難點。即使是頭部企業(yè)，工業(yè)數(shù)據(jù)的正確性和高質(zhì)量性尚未被系統(tǒng)性解決。

很多工廠了解自身的生產(chǎn)情況但缺乏技術(shù)能力，AI公司擁有足夠的技術(shù)能力卻很難深度了解工廠不同場景之間的關(guān)聯(lián)和需求痛點，雙方很難形成合力。

工業(yè)AI的勝負手不在模型，而是數(shù)據(jù)

西門子通過構(gòu)建一套貫通硬件、軟件與數(shù)據(jù)的技術(shù)棧，將AI帶入物理世界。

西門子RXD大會發(fā)布的26款新品中，絕大多數(shù)指向硬件，涉及自動化與運動控制、AI 基礎設施與電氣等多個品類。

在肖松看來，「當AI加速融入物理世界，硬件比過去更重要」。

軟件則構(gòu)建一個基于物理規(guī)律、可實時運行的數(shù)字孿生系統(tǒng)，為排產(chǎn)、庫存等決策層優(yōu)化提供虛擬仿真環(huán)境，降低試錯成本。其中，西門子在今年CES期間新推出的Digital Twin Composer作為高精度數(shù)字孿生構(gòu)建工具，支持產(chǎn)線全流程虛擬驗證。

西門子的全棧能力，更關(guān)鍵在于其長期沉淀的工業(yè)數(shù)據(jù)資產(chǎn)。在工業(yè)AI領(lǐng)域，數(shù)據(jù)不是附屬資源，而是決定模型能否落地的前提。

大模型落地需要三個關(guān)鍵條件：算力、模型和數(shù)據(jù)。算力和模型已經(jīng)平權(quán)，各個企業(yè)都具備獲得最領(lǐng)先算力和模型的能力，但如果工廠只依賴于通用模型和其衍生Agent，模型始終無法達到可用的精度。

企業(yè)擁有大量的生產(chǎn)數(shù)據(jù)，但這就如同地底下的石油和鐵礦一樣，并不能直接使用和交易。石油和鐵礦需要開采提煉成同標準可交易的大宗商品，數(shù)據(jù)也需要標注清洗加工變成高質(zhì)量的數(shù)據(jù)集，才能用于模型訓練。

在西門子RXD大會的圓桌討論環(huán)節(jié)，西門子中國董事長、總裁兼首席執(zhí)行官肖松和幾位嘉賓也深入討論了數(shù)據(jù)重要性以及獲取的難度。

一方面，工業(yè)數(shù)據(jù)具有易腐、離散等特征，獲取的難度非常高。

北京數(shù)據(jù)集團的李振軍指出，「工業(yè)數(shù)據(jù)采集極難，而且存不下、邊采邊丟」。很多工廠為了節(jié)省成本，傳感器數(shù)據(jù)只存一個月，甚至邊采邊丟。當你想訓練一個“預測性維護”模型時，卻發(fā)現(xiàn)連去年的故障樣本都沒有。

此外，工業(yè)門類極其細分，每一家工廠都是一座孤島?；ヂ?lián)網(wǎng)可以大集中，但工廠是離散的。這種離散性決定了工業(yè)AI很難產(chǎn)生像GPT一樣規(guī)模效應。

因此，數(shù)據(jù)是AI在制造業(yè)落地過程中最難、也是最有價值的領(lǐng)域。

北京數(shù)據(jù)集團副總經(jīng)理 李振軍

另一方面，數(shù)據(jù)的使用必須看得懂、用得上、算得清，同樣存在非常高的門檻。

工業(yè)企業(yè)的內(nèi)部流程和場景非常復雜，不管是生產(chǎn)準備、流程控制，還是庫存、供應鏈，一個不具備20年經(jīng)驗的人很難找得到、看得懂有用的數(shù)據(jù)，更不要說把數(shù)據(jù)用好。

數(shù)據(jù)不僅要轉(zhuǎn)化為生產(chǎn)、運營、決策層面可理解的信息，并與實際工業(yè)場景深度綁定，還要確保企業(yè)投入能夠形成正向收益。

可以說，誰掌握了高質(zhì)量、可用的數(shù)據(jù)，誰才能真正釋放AI價值。以高價值場景為牽引，推動多模態(tài)模型與產(chǎn)業(yè)知識融合，才能真正把數(shù)據(jù)用好，實現(xiàn)工業(yè)AI的破局。

在西門子RXD大會期間，肖松邀請中國客戶和AI初創(chuàng)企業(yè)舉行了一場閉門會，專門討論工業(yè)AI的落地。關(guān)于數(shù)據(jù)的門檻怎么過，他的判斷是：「不能在所有領(lǐng)域同時展開，要在聚焦的行業(yè)里找突破」。

預測性維護、質(zhì)量視覺檢測等成熟場景，數(shù)據(jù)相對充分，價值可以量化。西門子成都工廠部署了一百多項AI技術(shù)、南京工廠有50多項，都是一線工程師自己開發(fā)的?？偛繘]有空降方案，車間里的人最清楚痛點在哪、哪些數(shù)據(jù)有價值。

具身智能等初級場景，還處在數(shù)據(jù)匱乏的階段，需要合成數(shù)據(jù)、仿真數(shù)據(jù)來補充，突破的時間軸更長。

那為什么西門子可以沉淀足夠多的工業(yè)數(shù)據(jù)資產(chǎn)？

這背后是西門子近180年的持續(xù)積累。目前，西門子的工業(yè)軟件與硬件產(chǎn)品，已服務于全球40多個行業(yè)、40多萬家客戶。

在軟件領(lǐng)域，西門子的版圖幾乎囊括了從設計、仿真到制造、運維的完整生命周期，并深入汽車制造、食品加工、化工流程、生物制藥等對行業(yè)know-how要求極高的復雜系統(tǒng)。

在硬件領(lǐng)域，西門子更是構(gòu)筑起了從設備實時控制、全廠數(shù)據(jù)采集和監(jiān)控到數(shù)據(jù)處理與 AI 實時決策的完整硬件體系，把生產(chǎn)車間的每一個動態(tài)都轉(zhuǎn)化成可被采集、推理的數(shù)據(jù)。

正是這些積累，讓西門子訓練工業(yè)基礎模型IFM所依托的高質(zhì)量工業(yè)數(shù)據(jù)就達到了 150PB?？梢哉f，數(shù)據(jù)構(gòu)筑了西門子在工業(yè)AI的護城河，其能力并非只掌握技術(shù)能力的互聯(lián)網(wǎng)科技公司所能匹敵的。

西門子，點燃工業(yè)AI浪潮

已經(jīng)傳承700多年的瀘州老窖，基于西門子工廠仿真軟件Plant Simulation完成了整廠級的數(shù)字孿生建模與系統(tǒng)驗證優(yōu)化，古老的白酒行業(yè)釀造生產(chǎn)向可預測、可控、可復現(xiàn)的數(shù)智化方向邁進。

還有更多的中國制造企業(yè)在西門子的助力下，實現(xiàn)從單點提效到全局優(yōu)化的轉(zhuǎn)型升級。

在新能源、高端制造、數(shù)據(jù)中心、電池、機器人等高增長領(lǐng)域，大量中國制造企業(yè)通過使用西門子中國研發(fā)、適配中國場景的智能硬件與軟件產(chǎn)品，大幅縮短工程周期、提升良品率、降低能耗與物料損耗。

可以說，幾乎沒有哪一種工業(yè)AI解決方案，是西門子無法構(gòu)建的。這些領(lǐng)先的成果并非偶然，而是長期在技術(shù)研發(fā)領(lǐng)域投入的結(jié)果。

1973年，西門子在人工智能發(fā)展尚未清晰的時候，就獲得了自己的第一項AI相關(guān)專利，并在AI領(lǐng)域開啟了持續(xù)的投入。

即使在上世紀90年代科技互聯(lián)網(wǎng)泡沫破滅的時候，西門子仍然聚焦專家系統(tǒng)、模式識別、神經(jīng)網(wǎng)絡在工業(yè)場景的可行性研究，探索AI在質(zhì)量檢測、故障診斷等環(huán)節(jié)的應用。

隨著AI能力的提升和在各行業(yè)更廣泛的應用，西門子也升級了AI戰(zhàn)略。2022年，西門子面向工業(yè)、樓宇、電網(wǎng)、交通領(lǐng)域推出西門子Xcelerator平臺，讓企業(yè)數(shù)字化轉(zhuǎn)型更簡單、更快速、更易規(guī)?；?/p>

今年1月，西門子宣布將打造工業(yè)AI操作系統(tǒng)，讓AI能夠真正進入工業(yè)生產(chǎn)系統(tǒng)，實現(xiàn)更安全、高效、規(guī)模化的落地。

目前，西門子在AI領(lǐng)域已擁有超過1500名專家，讓西門子AI領(lǐng)域的專利持有量居世界領(lǐng)先地位。

工業(yè)AI的使用門檻被不斷降低，才能向更廣泛的行業(yè)滲透。這個過程中，西門子所扮演的角色，正在從單純的技術(shù)提供者，轉(zhuǎn)向工業(yè)AI的啟蒙者和產(chǎn)業(yè)升級路徑的共建者。工業(yè)技術(shù)一直在變革，風口也在不停變換，但西門子一直是不可或缺的存在。

小結(jié)

工業(yè)AI的突破，并不只是一次簡單的技術(shù)升級，而是工業(yè)體系第一次被完整地重寫。西門子點燃了工業(yè)AI浪潮，也讓一條原本模糊的路徑開始變得清晰。當越來越多工廠真正在核心業(yè)務場景落地AI，新一輪生產(chǎn)力的革命才正式開始。

本內(nèi)容由作者授權(quán)發(fā)布，觀點僅代表作者本人，不代表虎嗅立場。如對本稿件有異議或投訴，請聯(lián)系 tougao@huxiu.com。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4845878.html?f=wyxwapp