68.【番外】工业AI避坑指南：当180年工业技术积淀，遇到大模型

工厂到底敢不敢用 AI？我们说的是这一波生成式 AI。大语言模型呢，应该说，让我们的工具箱里多了一个新的工具。在上一代呢，我们可能更多地关注的是车间里，这一代呢，在大语言模型下面呢，我们更关注我们怎么能和它更好地协同合作，尤其在人机交互的这个层面。怎么样去收集高质量的数据集，成为了我觉得下一轮数字化里面非常有挑战的一个话题。从自动化的基础到数字化的基础，才能体会到人工智能的价值。

hello，大家好，欢迎来到漫谈 light star，我是诗杰。三月二十三日，我受邀主持了西门子 R X D 大会的工业 A I 圆桌论坛。西门子在工业 A I 赛道沉淀了五十年，这家全球领军企业对工业 A I 有着怎样的思考和布局？我在现场和三位工业界的一线资深专家深度拆解了工业 A I 落地的核心挑战和应对思路。当下 A I 浪潮正席卷全球各个行业，但真正落到工业场景里，却面临着落地难、规模化更难的困境。因此，我们把这次圆桌的主题定为“工业AI避坑指南：当一百八十年工业技术积淀遇到大模型”。中国是工业大国，AI在这个领域的实践将书写一场不同的叙事。这期节目分别从技术架构、工厂实战、跨界观察三个维度还原了工业AI的真实落地图景。三位嘉宾分别是西门子中国研究院院长、工业AI顶层战略与技术研发权威朱骁洵，以及西门子成都数字化工厂厂长、灯塔工厂工业AI落地一线操盘手李永利，以及深度智控创始人、物理AI领域实战专家李辉博士。各位观众朋友们，大家好，欢迎来到我们的直播间。

很荣幸受到西门子的邀请，担任这场圆桌的嘉宾主持。今天我们要聊聊工业 AI 落地的一百个陷阱。先请三位嘉宾每人做一分钟的自我介绍，先从朱院长开始。

大家好，我叫朱骁洵。我从 2014 年开始在西门子主持中国研究院的研究工作。在来西门子之前，我在另外一家叫霍尼韦尔的公司工作了十几年。

既然今天咱们讲 AI，我就讲一个有趣的信息吧。我年轻时候的工作是做图像识别，大家买东西扫条码的时候，条码背后的很多技术是当年我做的。2014 年我来到西门子的时候，正好处在那个转折点上：图像识别成为了一个被人工智能颠覆的技术。所以讲到 AI 的颠覆性，我想我是很有发言权的。

好，李辉。

大家好，我是李辉，来自深度智控。早期的时候，我是在清华大学做能源系统的物理模型研究。2007 年去了美国，研究怎么把物理模型应用到实际的能源系统里面，通过算法进行控制和优化。

当时做一个能源系统的模型，大概需要 4 个博士，花大半年时间才能做出来。虽然效果很好，但是很难复制和推广，所以很难形成产品。我们从 2009 年开始研究 AI，算是比较早的一批，也走过很多弯路。一直到 2018 年左右，我们才找到一种比较好的路径，把 AI 和原来的物理模型结合在一起，让 AI 更好地理解物理规律和物理趋势。

这种技术路径最终能够变成一个产品，而且效果非常好。我们看过行业里一百多家公司，发现没有类似的技术和产品，所以在 2018 年成立了深度智控。我们希望做一个新的 AI 时代里的智能控制系统，能够自动识别、自动迭代、自动优化和自动闭环控制。

大家好，我是李永利，来自西门子成都工厂。过去十几年，我和我的团队一起把我们的工厂建成了数字化、可持续的双灯塔工厂。

刚才主持人谈到弯路，我从另外一个角度看，如果把时间放得长远一点，无论是直路还是弯路，重要的是我们不断学习、不断成长。

说得太好了。首先，我给大家分享一份美国最新发布的研究报告。报告说，C 端用户在使用一定数量以上的模型之后，发现自己会变笨。

这里我先抛出一个判断：我认为这件事情在工业场景里可能也会有相似的现象。如果你搞不清楚 AI 是怎么回事，一通乱用，可能反而会使效率变低。

第二个判断是，今天我们所有人都在聊物理 AI，AI 要从数字世界跨向物理世界，这条路可能会严峻得多。我相信接下来三位对此都有话说。

因为 2024 年末，我有机会和华为云的 CTO 做了一场访谈。他告诉我，华为面向非常多工业领域的企业，感受到了一种前所未有的焦虑。所以开场先让李辉给我们介绍一下，您在产业界是否观察到了他所说的这种 AI 焦虑？

1. 工业 AI 面临落地焦虑

能感觉到工业界对 AI 是非常焦虑的。这把火是从互联网 AI 烧过来的，我觉得这种焦虑源自于大家对 AI 的期待很高，但是落地很难。

一方面，大家能看到互联网 AI 应用非常广，也非常聪明，所以会期待 AI 能不能直接套用在工业场景里面去提升效率，产生很大的经济价值。另一方面，真正落地的时候就发现很难，因为互联网 AI 关注的是满意度，但工业 AI 更多关注的是确定性、安全性和可靠性。这两者的底层逻辑完全不一样。

我也分享一个案例。我们曾经接触过一家做半导体晶圆的厂家，它也是受到互联网 AI 热潮的影响，非常焦虑。他特别期待能够把 AI 用在工厂里面去提升效率、降低成本，但另一方面又很担心安全性问题。

所以他们前前后后大概试了将近 2 年多时间，做了很多尝试都没有成功。最后找到我们之后，我们一起讨论需求，找到了一种物理 AI 的方式，才真正让他们的想法落地。

我问一个直接的问题：现在工厂到底敢不敢用 AI？我们说的是这一波生成式 AI。

2. 工厂早已用上工业 AI

我觉得这样，在谈生成式 AI 之前，我们先谈谈工厂里已经用到的工业 AI。实际上，工业 AI 在工厂里已经用了很多年了。

我们主要关注两类技术。第一类是机器视觉，通俗一点说就是视觉 AI，主要帮助我们把控质量，包括原材料、制程和成品的质量，通过视觉来提升质量表现。

第二类是把过程数据用机器学习或者深度学习的方式训练出小模型，不是现在大家听到的这种大语言模型，而是小模型。这些小模型在工业场景里典型会用到设备的预测性维护，以及产线的动态调参。

动态调参是秒级的。对于一条比较长、工艺过程比较复杂的产线，我们会基于后段的质量表现，迅速反馈给前段，调整相关参数。这就是动态调参。

另外，还有供应链参数的调整，无论是库存、生产，还是生产订单的优化，等等，所有这些都是用小模型来训练的。这是工业 AI 典型的两个赛道。

大语言模型应该说让我们的工具箱里多了一个新的工具。这个工具尤其在人机交互层面，给了我们更多的想象空间，我们可以看到很多提升效率的机会。

如果谈什么是人机交互层面，可以想象一下：在工业场景里，我们的底座通常是数据底座，中间会有很多复杂的应用软件或者应用平台。员工使用的人机交互界面，无论是在车间里和机器交互，还是在办公室里和电脑上的不同应用软件交互，有了大语言模型这样的 AI 解决方案之后，交互方式会比以前更轻松、更方便，也可以大量提高效率。

所以与其说是焦虑，不如说我们已经看到了很多新的机会。

朱院长肯定特别有感触。西门子专注工业 AI 其实已经有 50 年了，您先来为大家介绍一下，这 50 年西门子的心得是什么？

3. 工业 AI 必须场景驱动

咱们讲工业 AI，其实工业 AI 的核心首先是工业，对吧？工业是做什么的？工业是做产品的，最后必须要把产品交付到客户手里。AI 只是帮助我们把产品的设计、制造和交付做得更好。

所以，做工业 AI 的核心还是要场景驱动。只有场景才是真正在工业里面遇到的难题。刚才永利其实提到了两个案例，一个是预测性维护的小模型，一个是机器视觉。这些技术背后，都是十几年前深度学习带来的 AI 技术浪潮，现在已经非常好地落地在工厂里面了。

所以我们要用开放的心态去看新的 AI 技术还能做什么。永利刚才也提到了，他现在看到的下一个场景是提高人机交互。我觉得这其实从生成式 AI 的角度来说还只是一个开始。

在工业里面，其实有很多长尾需求。什么叫长尾需求？就是每个工厂都有自己的一些痛点，但它的痛点很可能和其他工厂有一点不一样。以前用一个通用程序很难解决的问题，未来用生成式 AI，可能马上就能让 AI 给你写一段代码，把这些零零碎碎的小问题解决掉。

所以我觉得，这是生成式 AI 在工业方面未来能够带来的另一个很有意思的突破口。

我在前采的时候，和李厂长聊了一个非常有趣的话题：从上一代工业 AI 到这一代生成式 AI，在工厂场景里面，应用它的人发生了哪些变化？

我当时有一个总结。上一代的机器视觉 AI，能够帮助在车间里工作的人员；这一轮生成式 AI，听李厂长说，更多能够帮助在办公室里做数据协调、研究等工作，有点像白领的工作人员。是这样吗？

没错。应该说，在上一代工业 AI 里，我们更多关注的是车间。车间里有各种不同的自动化流水线、机台和自动化物流系统。

这一代在大语言模型的帮助下，我们更关注电脑屏幕后面的应用软件，关注我们怎么能和它们更好地协同合作。

我们都知道，AI 有三大元素：算力、算法和数据。但是数据应该是 AI 的地基，而且数据是所有技术，尤其是工业场景技术落地时最难的部分。

4. 数据决定工业 AI 落地

接下来我们来聊一下数据的问题，因为我知道数据其实也是西门子所擅长的。朱院长先给我们介绍一下，在应用这一轮 AI 的过程中，数据为什么是一个特别大的难点？

首先，数据在这一轮 AI 出现之前就已经是个难点了。我过去大概 10 年一直在西门子推动数字化这件事情。

在过去 10 年里，我们做了很多事情。首先，数据孤岛的问题不用多解释，很早以前我们就致力于研究，怎么样用知识图谱打通各个企业数据体系之间的关联性。我们做了一个东西叫 Data Layer，也就是数据中间层。

后来我们又发现，在制造企业里面还有一个很大的痛点。它不只是数据孤岛的问题，而是 IT 系统和 OT 系统，也就是 IT 和自动化之间的数据打通问题，因为它们的标准和实时性都不一样。

所以我们又开发了一个叫“工艺魔方”的套件，今天在展会上大家也能看到。过去 10 年，我们一直在做数字化的铺垫：从打通数据孤岛，到让 IT 系统、设备和机器人能够无缝衔接起来。

接下来对 AI 来讲，一个更大的难题在于，怎么样把企业里面所有重要的数据都收集起来、关联起来。要让 AI 真正理解一个工厂是怎么运营的，光有数据是远远不够的。

很多工业数据虽然数量很多，但是如果背后没有人的知识，没有解释这个数据为什么是这样的，比如我当时改了一张图纸，为什么要这么改，如果不把这些知识融入数据收集的过程，它对 AI 的价值其实是不大的。

怎么样去收集高质量的数据集，成为了我觉得下一轮数字化里面非常有挑战的一个话题。这会是一个赛点。

请李厂长从一线的视角来跟我们讲一讲，比如说你们工厂在处理数据这一环的时候，有没有什么血泪史？

应该是这样。刚才朱院长也提到了，实际上数据一直是工业的焦点。

在谈 AI 的数据之前，企业做自动化的时候就已经会关注数据了。自动化机台之间的联动，需要数据打通，也需要数据标准。到了数字化阶段，更加要求各个应用平台之间的数据打通。

所以数据对于工业来讲并不是一个新话题。过去十几年里，我们一直在不断提升数据的可连接性和质量。

现在有了大语言模型，大家可以看到，它对非结构化数据有了非常好的处理能力。所以工业领域所说的数据范畴也比以前更广了。除了车间里的连续时序数据，我们现在还增加了很多新的结构化数据，提升效率、提升质量的机会也更多了。

但我还要强调一点：如果很多企业虽然有自动化，但是自动化经常要切回手动工作；虽然有数字化、信息化平台，但是里面的数据却不太敢信，在这种情况下，我们不能指望人工智能把以前的窟窿补上。

大家还是得一步一个脚印地往前走，打好基础。从自动化的基础到数字化的基础，才能真正体会到人工智能的价值。

我做一个不恰当的比喻，不知道准不准确。过去这些年，我们在工业界推动了很多年的数字化。我理解，数字化就是给每一家工厂或者每一家企业造了一个图书馆。

如果只是造了图书馆，没有人去读那些书，AI 也不太清楚书和真实世界之间的连接，这些就是低效数据，甚至是无效数据。

同意。实际上，数据放进图书馆之后，最重要的是得有人去读它、去使用它。只要不断地去读、去用，数据质量毫无疑问就会不断提升。

5. 数字化落后者仍有机会

因为我上个星期也主持了一场工业方向的圆桌，有一个很有趣的话题，想问一下三位的看法。

在这一轮 AI 时代，如果 A 公司是一家前些年做了很多年数字化积累的公司，B 公司数字化做得可能不太好，但是现在特别积极地想要拥抱 AI 时代，那么 B 公司有机会弯道超车 A 公司吗？

面对这一轮 AI 时代，没有来得及做好数字化的公司还有机会吗？

我认为当然有机会。任何一次具有颠覆性的变化，都是一个很好的弯道超车机会。

数字化或者数智化这件事情，10 年前大家刚开始探索的时候，还是一件很昂贵、很难做的事情。现在，尤其是最近有了 AI 以后，以前可能很难的事情，突然间就变得很容易去做了。

虽然像 A 公司这样有之前的积累和铺垫，甚至有让人垂涎欲滴的数据库，它有自己的优势，但是新的公司如果能够快速借助现在的一些新手段去做数字化，很可能会取得事半功倍的结果。

李辉，您怎么看？

在工业场景里面，它不像互联网 AI 领域。互联网领域的数据非常多，各个层面的数据都有，但工业场景里的数据还是非常稀缺的。

所以数字化是真正能够应用 AI 的基本前提。没有数字化，我觉得 AI 在工业场景里没法应用起来，这是一个非常基本的前提。

厂长觉得呢？

我不太同意朱院长的观点。我觉得这个机会是很小的。我举一个 To C 的例子，我们用电子地图。

我拿到了一张电子地图，这张电子地图在北京使用得非常好。但如果把它拿到一个新的城市，这个城市每条街道的距离你并不知道得很准确，街道上有几个红绿灯你也不清楚。

这是一个非常好的电子地图模型，但是它没有底层的高质量数据。所以实际上，你还得回到一开始的第一步，把底层数据高质量地收集起来。

朱院长要不要反驳一下？

我就用一个例子说明，为什么我觉得现在很多事情变快了，所以你还有机会。

大概 10 年前，我们在永利的工厂里做过一个机器人的尝试，现在看来还是一个很有意思的案例。当时是在一台 AGV 上面架一个机械臂，它去做什么呢？

永利有一条生产线，是 PCB 贴片机生产线。每个小时需要一个工人把 PCB 放到贴片机里面。过大概半个小时，这个工人再过去把它拿出来，然后放到另外一台机器上。

现在这可能已经自动化了，但当时这个工作就是需要一个人偶尔过去操作一下。我们当时做了很多工作，想办法让机器人尽可能自主地完成这些事情。

当然，那是 10 年之前了。10 年之后你看，现在大家都在讲人形机器人，也有各种各样的大模型来驱动人形机器人。这个场景虽然现在仍然很复杂，不是马上就能做到，但我现在有了这些工具，就不会再用 10 年前的手段去编程这些机器人，而是用现在的工具来搭建，速度可能会快很多。

虽然这仍然是难题，但我觉得新的工具让我非常激动、非常兴奋。以前要花很多功夫去做的事情，现在做还来得及，因为速度更快。

非常赞同，因为我觉得他们代表了不同的行业视角。

6. 工业 AI 需要实时仿真

我再接着问一下，还是聊数据的问题。我觉得在工业领域里面，很多数据是多模态、甚至跨模态的。我们现在也看到，多模态模型的能力在不停飞跃，包括现在我们也在做世界模型。

AI 能力的发展，会不会对我们处理数据、用好数据有很大的助益？

世界模型这个领域还是刚刚起步。我换个角度来说这个事儿。咱们做工业的，对吧？现在讲物理 AI，就是 AI 必须落到物理设备上，必须真正干活。

在设备干活之前，怎么样确保我让一个物理设备，比如机器人、PLC 去执行指令时，不会对生产造成任何破坏？怎么样确保它是一个可信、可靠的指令？这时候就需要实时仿真技术。

物理模型也好，传统的仿真手段也好，核心都是怎么样把物理世界和虚拟世界结合起来。这指出了一个新的挑战。

传统上，我们会先做一个仿真。仿真完成之后，大家根据仿真结果编程，让物理设备执行各种指令。有了 AI 之后，AI 可能会直接知道物理设备应该做什么，它本身像一个黑箱。

这时候就需要在运行过程中，让仿真结果不断验证 AI 的指令是否可靠、是否可信赖。因为工业对可靠性的要求实在太高了。

所以我觉得接下来，不管是什么模型，物理世界和虚拟世界之间的连接与互动，对实时性的要求都会比原来高很多。

我知道西门子除了擅长数据之外，也非常强调硬件。为什么在 To B 的工业 AI 落地场景里面，硬件也非常重要？

西门子做工业 AI。全世界做工业自动化的设备里，每 3 台就有 1 台是我们做的。我们有大量的边缘设备，未来边缘端的 AI 算力也是西门子的核心硬件能力之一。

做工业要把产品做出来，离不开 AI 的手。AI 的手是什么？就是这些硬件设备。硬件是数据的入口，数据是 AI 的燃料。

接下来我们来聊一下落地问题。刚才我们聊到了 AI 焦虑，我觉得这一轮不管是 B 端还是 C 端，对于 AI 都非常 FOMO，生怕自己没有把它用好，而竞争对手把它用好了。

在这样的情况下，所有人都想加速，想快点把 AI 用上、用好。但是为什么工业界经常强调欲速则不达？

7. 工业 AI 卡在最后一公里

当我们谈到工业 AI 的时候，一定要聚焦场景。这个场景意味着我们需要把一个工业解决方案真正落地。

场景本身可能很小，但是非常具体、非常复杂。它可能是车间里的机台、加工过程、材料、工况参数等等，这些因素都非常复杂。

当你聚焦场景的时候，就要和互联网思维做一个区别。互联网思维经常会谈“从 0 到 1”和“从 1 到 N”，但我谈工业场景应用时，更喜欢把它说成“从 0 到 1、从 1 到 99，以及最后一公里”。

最后一公里比前两段更难、更具挑战，就是因为一定要落地、要适配。当你做到 99 的时候，往往已经有了一个标准解决方案。

但是把一个标准解决方案放到我的机台上，往往还不如老师傅的一组参数有效。从 99 到 100，实际上就是要适配现场具体的机台、具体的加工对象。

所以这段时间需要你真正沉下心来，认真理解工况中的所有参数，理解它们之间的关系，才能把最后一公里走通。

这就是为什么我们在工业领域谈 AI 的时候，要谈适配、谈落地。只有落地，才能真正看到它的价值。这也是我们说 AI 急不得的一个挑战。不是说做不到，而是它确实需要时间。

第二，工业 AI 比起现在大家使用的大语言模型，对稳定性的要求更高。大语言模型有时候表现得出奇地好，有时候又很糟，但工业场景一定要非常稳定。

一个不稳定的解决方案，对制造业来讲就是灾难。所以在工业场景里，我们要求解决方案一定要非常稳定。

我听说工业场景里经常出现这样一种情况：厂子采购了一套设备，采购了一项新技术，大家非常热情地把它部署下来。第一天可能还有人用，第一个月也有人用，但时间一久就没有人用了，效果也越来越差。这种情况是现实存在的吗？

确实存在。刚才我讲过，如果来了一个 AI 解决方案，一开始大家对它充满期待，最后却发现这个方案不稳定，做出来的效率曲线还不如老师傅做得好，这个时候并不是 AI 不好，而是 AI 水土不服，没有调到最优。

所以，工业 AI 落地到具体场景时，标准解是不够的，我们一定要找到最优参数。我们需要的是最优解。

这件事光靠数据专家是不够的，一定要有懂行业知识的人。我们通常用英文叫 domain know-how，需要有 domain know-how 的人走完最后一公里，才能保证项目顺利实施。

李辉，您是不是可以给大家讲一讲，在工业领域里面，是不是经常有拿着锤子找钉子的现象？

这个现象应该说还非常、非常普遍，特别是对技术团队来说，拿着一个炫酷的东西，不管是大模型还是其他模型，去套工业场景，但应用效果都非常不好。这实际上是一个非常普遍的现象。

我觉得工业 AI 真正能够落地，还是必须从场景出发，以需求为王。什么叫真需求？我觉得应该以可量化、可验证的效果来定义。

我分享一个案例。2021 年，我们和一家互联网大厂合作，做针对数据中心的 AI 优化，主要是能源系统优化和各个系统的运维优化。

这家互联网大厂本身的 AI 能力非常强，各种模型都很强。他们希望拿 AI 模型去套用所有场景，拿着锤子到处找钉子，但实际上效果非常不好。他们大概做了 3 年多时间。

我们是从实际场景出发，目标是降低数据中心本身的能耗。于是我们需要从最底层开始入手，建立每个设备的模型，做系统仿真，再做系统优化，反过来做闭环控制，才能一步一步把它落地，真正让它产生可持续的价值。

8. ROI 必须回到业务价值

厂长，从商业角度来说，所有技术要使用它，都得要算一本账，算 ROI。要用上新的 AI 技术，怎么去算 ROI？我听说你有一套新公式。

也不一定叫新公式。我们可以这样理解：做一个工厂运营，目标通常简单地说就是“多、快、好、省”。

如果我们只关注“省”这一条去算 ROI，有些项目可能就不一定算得通。但是如果关注一下“多、快、好”，把格局打开一些，可能就会看到这个项目的价值。

我举两个具体的例子。第一个，我们经常会谈，要上数字化系统，实现供应链端到端的协同合作。很多企业会说，我上那个系统投入了很多钱，好像也不能省几个人。

但是你看现在能源危机、石油涨价，如果你的供应链从源头采购到交付，从运输到仓储，各个环节都能比友商跑得更快一点，这里面每快一个小时给你带来的价值都是无法估量的。

再举一个例子，就是制造里面经常谈到的灵活性。有时候企业会说，灵活性需要额外付出。但是现在内存涨价，如果我已经提前验证了第二供应商，而且这个验证不只是在采购端完成，在设计和质量端也都验证过，那么我就能第一时间迅速切换到第二供应商，继续进行生产。

这样就会比同行速度更快、灵活性更高。所以当我们看一个优秀企业时，过了初创期、过了生存期之后，就不应该只把投资投在省钱的项目上，而应该投资在让企业更好、更有竞争力、质量更稳定、功能更强的项目上。这才是我们应该关注的 ROI。

我再从一个完全不同的视角谈一下。所有项目都要搞清楚，什么是我们的目的，什么是我们的方法和手段。

我们应该关注的是要实现什么目的，给业务带来什么样的价值，而不是关注用了什么先进、高级的技术。很多企业一上项目，就强调这个项目的先进性，认为有先进性就要用新技术。

新技术有两个特点：第一，可能不够稳定；第二，一般都比较贵。这样 ROI 可能就算不过去。

工业场景最理想的是使用成熟技术，既稳定又便宜，这样 ROI 才能算得过去。所以算 ROI，第一要想清楚做这个项目的目的是什么，不要只盯着省钱；第二，要用最实用的技术实现最大的价值。

刚才通过厂长的讲述，我发现一线实践的工作人员和做技术的技术人员，天然其实站在两个生态的位置。但是在一个企业的运作当中，两者又必须融合在一起，这确实是一个很大的挑战。

所以我想请教一下朱院长。对于西门子来说，有大量像李厂长这样的一线工作人员，也有大量像您这样需要判断技术的人。工业里面技术和场景“两张皮”的问题，怎么解决？

其实矛盾没有你说的那么极端。在刚才这个故事的框架里面，我就是那个拿锤子的人。但其实并不完全如此，我应该是那个琢磨下一个锤子长什么样的人。

至少从我们自己的经验来说，我们非常重视场景驱动这件事。一个很好的失败方法，就是因为觉得最新的技术好玩，就想把它用到某一个场景里面。

工业不看重情绪价值，这一点和消费者不一样。消费者使用一个 AI，如果 AI 提供了很多情绪价值，它就有价值。但在工业里，像李厂长这样的内部客户，他不会在乎技术新不新。

他有一些现有的小模型，觉得很好用，而且质量、成本和效率都有很好的体现。至于用了什么新东西，包括我十年前在他那里尝试自主机器人，那肯定没有成功，因为当时还是人更好用。对他来说，技术不是核心出发点。

所以在设计下一个锤子的时候，你得知道客户真正需要什么。举个例子，我们的人工智能团队里有好几位钢铁工艺专家。为什么？就是为了做几个钢铁项目，我的算法工程师不得不和各个钢厂的首席总工对话。最后项目做成了，我的技术人员也成了钢铁工艺专家。

这说明，好的技术人员会主动融入客户的需求，这才是做工业、做工业 AI 成功的唯一办法。

9. AI 正在重塑工厂工作

今天我们所有人其实都既期待又恐惧 AI 会替代人。在工厂里面，这个问题就更严峻，因为想让 AI 变得更聪明，其实仍然需要人的智慧参与。

但是这件事又挺反人性的：把我的智慧、我多年的经验用来训练 AI，等 AI 训练出来之后，我可能就失业了。这是一个非常大的人性抵触。您在实际管理过程中，怎么解决这个挑战？

在我们今天谈 AI 替代人之前，工厂里其实已经经历过两轮“代人”：一轮是机器代人，一轮是数字化代人，我们已经经历过两轮这样的过程。

毫无疑问，新技术出现之后，我们确实会看到很多简单重复的劳动被替代，无论是车间里的简单重复劳动，还是办公室里的简单重复劳动，都会被新技术替代掉。

但另一方面，新技术也会带来一些新机会。我举几个车间里的具体例子。

我们工厂过去几年里设备和机台的数量翻了两番，但工人并没有增加。这些工人以前没有自动化产线时，需要自己动手拧螺丝；现在则成长为观察设备和机台、做设备维护保养、处理设备故障的技术工人。

所以你要看到，低价值的劳动被替代了，但他们现在做的是更有技术含量的工作，创造了更多价值。相对而言，他们的收入也会更高。

谈到数字化，我们做供应链计划的同事，以前被叫做“大表姐”，因为她要收集很多数据，做成一张大表，再通过这张表判断接下来供应链和生产计划怎么做。

这里面大量的工作是收集数据、确保数据准确。现在到了数字化时代，这部分工作骤然下降了，不仅能够把数据抓上来，还能做最基本的呈现和分析。

这时候，她的工作就转变成怎么样让生产计划最优。所以我们现在把它叫作“最优解”。她的任务不再是做简单、重复、枯燥的低价值工作，而是帮助我们找到最优参数，管理我们的供应链。

具体到 AI，我有一个真实的例子。我们的关务同事，也就是负责海关商品进出口报关的同事，做了一个智能体，在西门子中国 AI 大赛里获得了三等奖。

这个智能体做什么呢？关务的主要任务是完成进出口报关，让整个过程效率最高。但实际工作中有一个技术难题，就是税号，严谨地说叫 HS code，必须填对。

常用的税号有 1 万多个，涉及商品名称、描述、材质和加工过程。办公室人员和车间技术人员没有一个人能够全部掌握，所以每次填写税号，对关务人员来讲都是一个非常复杂的过程。他的办公桌上经常摆着好几本书，需要查清楚商品到底属于哪个税号。

现在有了大语言模型，他做了一个小智能体，把所有这些显性知识都灌进智能体里。当你输完产品信息之后，它不仅能够帮你生成税号，而且在报关时还会帮你做重复校验。

如果它发现你申请的税号和后面填写的内容不符，就会提醒你。所以，关务人员的工作量会大大降低。他可以去关注业务结果，让报关更加高效，而不是成为一个税号专家。

通过这一轮 AI，我们也看到了两个新的趋势。谈 AI 替代人时，我更想提到的是，AI 一方面可以做我们的助手，典型的就是智能体应用，英文是 assistant；另一方面可以做我们的搭档，英文是 co-pilot。

在这些场景上，我们已经看到了很多成功应用。但是，如果是一个复杂的、比较完整的流程，现在让智能体全部完成还很难，我还没有看到非常好的实例。

第二个趋势是大家经常说的“平权”，也就是 AI 时代的平权。还是拿关务同事的例子来说，以前一个关务人员要顺畅完成这项工作，就必须学习所有这些代码，起步阶段花的时间很长。

现在有了智能体，这部分工作很快就能上手，所以很多小白分分钟就变成了熟手。不能说成为专家，但至少成为了熟手，工作的门槛降低了。

所以，一方面我们会看到简单重复的劳动确实在被科技替代；另一方面，AI 也给了我们很多新的机会。

说得特别好，给我们大家很多启发。

我想问问朱院长，当我们谈用好一项技术的过程时，除了刚才讲到的怎么落地，还有从落地成功到规模化复制这一关。这个关卡经常会卡在哪里？

其实就卡在刚才永利讲的“从 0 到 1、从 1 到 99，然后最后一公里”上，最后一公里失败了。

过去 10 年，大家一直在琢磨同一个问题：工业里的那些 App 怎么复制。谁都不敢说它不可复制，但最后一公里的难题确确实实摆在面前。

这也就是我刚才讲的长尾需求部分。我还是挺看好最新这一波生成式 AI 的，我能预见到，它未来能够很大程度地帮助我们解决最后一公里，让最后一公里的适配有一个很好的助手。

刚才李厂长提到一个点，现在让 AI 处理短程任务，它做得挺好，但是长程任务还没有看到特别好的例子。您觉得 Agent 的发展一定会逐渐走向解决长程任务吗？

那是肯定的。Context window 已经翻了好多番，对吧？这和当年的摩尔定律一样，你要相信它会持续增长。

但同时，我们在考虑工业 AI 落地的时候，也不要太执着于长程任务和短程任务。不能说我有一个很好的想法，但要等算力足够强了才能做。

在工业里面，根据场景，你可以把很多事情模块化，甚至可以把普通任务和 AI 任务结合起来，放进一个工作流里。你不一定要指望 AI 全程把一件事都做完。

我觉得在很长一段时间里，未来会是自动化、信息化、人和 AI 共存、混合实施的阶段。

明白。厂长，那您现在有没有探索出把技术落地到场景中的、可实操的最好方法？

其实我刚才已经提到这个问题了。在落地阶段，最后这一公里，关键是我们一线的同事，而不是 AI 部门，能不能主导这最后一公里。

如果上了一个项目，请外部专家来帮我们做，项目运行一段时间之后，材料发生变化，工艺参数发生变化，那怎么办？你还得把原先那个“和尚”找回来，帮我重新调一调。

但如果我们自己有能力走完最后一公里，甚至从第五十公里开始就由自己的团队主导项目后续开发，那么 0 到 1、1 到 50 交给专家去做，比如交给朱院长团队的专家去做，过了 50 之后就由我们来主导。

一线同事对场景最熟悉，各自发挥所长，这样效率就会提升很多。

实际的难度在于，怎么让一线员工过了 50 之后能够转变为项目的主导者。这在实操层面上非常难。

所以在我们的工厂里，我们会强调把项目做到“小而美”。

首先是“小”。把项目做小，第一个价值是试错成本低。朱院长刚才也谈到，过去很多合作都是在尝试一个新东西、进行试错。但如果项目很小，即使失败了，也不会有什么损失；相反，你会有很多学习，认知也会得到提升。

第二，小项目通常难度较低，这样一线运营人员就可以参与，有机会主导项目。

第三，把项目做小，结果通常比较快就能出来，可以快速迭代、快速升级。这些都是“小”的价值。

还有就是“美”。“美”有两层含义。第一，由于 50 之后是由我们自己的团队主导，所以不需要担心项目跑偏，不会去做不能落地、产生不了价值的方向，可以控制项目的价值。

第二，美在每一个小项目每上一个台阶，我们人员的能力就进步一点，员工的自信心就提升一些，成就感也会增加一些。员工会从旁观者变成参与者，最后变成驱动者。

如果 AI 在工厂的落地过程中，所有人都是驱动者，那就是全员在开展，而不是由厂长一个人推着大家走。

所以前面我们谈到，工业 AI 落地急不得。到底在哪儿急不得？就是在应用场景的最后一公里，一定要让自己的同事坐在驾驶员的位置上，来驱动这个项目。

果然是一线厂长，还是非常有实操性，很有启发性。

10. 物理 AI 仍有很长的路

最后两个问题。大家应该也关注到了，2026 年开年 AI 世界的一个新热点话题，就是世界模型和物理 AI。

去年 GTC 的时候，黄仁勋在演讲中画了一张折线图。第一个节点是生成式 AI，第二个节点是推理 AI，第三个节点是 Agentic，也就是我们说的 Agent AI，第四个节点、也是最高点，就是物理 AI。

物理 AI 走进物理世界时，现实世界里会有特别多的陷阱和挑战。先请朱院长分析一下，物理 AI 的难点到底在哪里？如果要让物理 AI 在工业世界落地、做到可控和准确，抓手是什么？

我刚才讲到，我觉得物理 AI 还有很长一段路要走。现在大家讲到物理 AI，最容易理解的是：在虚拟世界里有一个物理法则，我知道当机器人的手去抓取物体时，力反馈是什么，传感器会给我什么。大家可能想到的是这一层，而这本身已经是一个很有挑战的方向。

但是从工业角度来说，你想象一下，面前有一个工厂。这个工厂其实不是一个纯粹的物理世界，工厂的自动化设备和信息系统里有大量逻辑数据在流动，不是一个简单的物理模型就能够描述的。

所以做工业 AI 时，你要想象有一个类似数字孪生的系统，让工厂和虚拟世界进行互动。这远远不止是物理 AI 能解决的。

工业 AI 还要想清楚背后的激励模型、数据流动和程序逻辑是什么。物理 AI 在工业领域还有很长的路要走。

而且工业 AI 我觉得比这个还要再远一点。李辉，您是物理 AI 方面的专家。

物理 AI 确实是目前非常难的一件事情。我们从 2009 年开始研究 AI，专门针对工厂能源系统这个细分领域，研究了大概 10 年时间。

经过这 10 年，我们才找到一种相对比较好的路径，让 AI 理解物理趋势和物理规律，让它在工厂、工业以及数据中心行业里真正能够用起来。所以这确实不是一蹴而就的，需要很多行业能力把它们更好地衔接起来，才有可能做成工业场景中的应用。

很难想象，一条生产线通过 AI 控制之后突然产生幻觉，得出一些莫名其妙的结果，导致几百万、几千万的损失，甚至引发安全事故。这是完全不可想象的事情。

所以在工业场景里，AI 的应用必须真正理解物理规律、理解物理世界，真正能够自我迭代，理解系统的运行方式。

就像朱院长刚才说的，不光是机理模型，还包括数据流动以及时空关联性，这些其实都非常关键。

所以我也认为，在工业场景真正释放更多价值的过程中，物理 AI 是一个必然趋势。但是要走到这一步，仍然还有很长的路要走。

那物理 AI 落地的前提是什么？

我们刚开始研究 AI 的时候，也走过很多弯路，试图用互联网 AI 去解决工业场景的一些问题。但是因为 AI 本身容易过拟合、产生幻觉，导致刚开始看起来训练精度很高，推理误差却变得很大，根本没法用。

我最早研究的是如何用机理模型、物理模型，更好地描绘和理解设备。所以后来我们把物理模型和 AI 结合在一起。

它的基本原理是，整个 AI 的训练过程必须在机理框架之内进行。这样，AI 才是真正理解物理世界的。

如果把 AI 比作盲人摸象，它其实不知道面前是一头大象，摸到哪里算哪里：摸到腿，以为是根柱子；摸到肚子，以为是一堵墙。这是非常典型的、互联网式的 AI 概念。

我们做的方式，是在 AI 训练和感知大象之前，先告诉它这是一头大象，以及它有哪些特性：有象鼻子、有象牙。AI 只是在这个框架之内进行感知和预测，所以它再怎么摸，也不会摸出一头河马，不会摸出一堵墙。

针对一些非常垂直的领域，比如我们目前做的工业能源系统，因为我非常了解能源系统的框架，所以能够把 AI 结合进去。

我觉得物理 AI 未来能够在工业场景落地的一个前提，是每个场景的 AI 真正懂行业的 know-how，懂物理趋势和机理，懂物理规律，真正能够在物理框架之内理解、感知、预测、优化和控制。

未来我觉得物理 AI 完全可以做到自我迭代、自我学习、自我优化，并且实现自我闭环控制。这是我对物理 AI 未来的一个判断。

建模、理解、学习、控制，大概可以总结出这 4 个点。

最后一个问题，请三位每人用一句话送给正在工业 AI 这条路上同行的同行们。先从朱院长开始。

保持好奇心，持续学习。

好的，李辉。

懂场景，再谈技术，坚持长期主义。

厂长。

聚焦价值，小步快跑。

不知道大家听了现场这场录制是什么感受。我自己的一个特别大感触是，工业 AI 的落地其实不是一个技术问题，可能也不是一个资本问题，而是一个耐心问题。

当我们今天在互联网世界、在各种各样的媒体渠道里看到 AI 无限的想象，感受到既兴奋又焦虑的情绪时，听完三位工业一线从业者的观察和感慨，应该能够感受到，这个领域是很冷静、很有耐心、很务实的。

希望能够把这种心态传导到整个中国工业广阔的天地里，同时也传递给所有对 AI 保持好奇、持续学习的人。

谢谢大家的陪伴，今天我们这场播客就到这里了，谢谢。

好啦，这期节目就到这里。本期播客的视频版已经全网上线，欢迎前往 B 站、微博、小红书、视频号、腾讯视频等平台，都能找到我的视频专栏。这是一档追求深度、生动与信息质量的科技商业访谈，我们争取在每一个技术、商业、时代的关键变化节点，提供负责、可靠的一手信息。欢迎在留言区留下你的评论，你的评论、转发、分享，对我们来说真的很重要。我们下期再见。