出品｜虎嗅智库

作者｜冀玉洁

头图丨西门子

当身处成都高新区西门子工厂车间，在全自动化生产线上，几乎看不到多少操作工，只有少数工人在生产线后，操作鼠标、键盘，发出指令。

这是西门子在中国的首座数字化工厂，也是 WEF 评选的数字化和可持续 " 双灯塔 " 工厂。这座 " 灯塔工厂 " 已经部署了近 100 个 AI 项目，应用在了质量检测、垃圾处理等多个场景中。

成都工厂并非孤例。在西门子的南京工厂、安贝格、埃尔兰根工厂，有数百台机器人穿梭其中，还有成千个不同的 AI 应用落地。

西门子早在 20 世纪 70 年代就已经开始布局 AI 领域，深度参与研究交互式、自动、自然语言问答系统，这比今天的很多人工智能公司成立时间都要早。2003 年，西门子创造性地用神经网络帮助企业进行技术优化。2010   年代起，西门子破译了 AI 在工业场景应用的复杂 " 密码 "，加速 AI 落地千行百业：在汽车领域，西门子帮助北京奔驰将 AI 与专家经验相结合，实现预测性维护；在光伏领域，西门子将 AI 与物联网技术相结合，实现了贯穿光伏电站全生命周期的智能化运维管理……  

2022 年之后，生成式 AI 得到空前关注，西门子也在探索如何将其落地工业场景。去年在汉诺威工博会上，西门子正式推出首款面向工业工程的生成式 AI 产品 Industrial Copilot，深度集成 TIA 博途平台，支持自动化代码生成、虚拟建模等功能。而在今年 3 月底刚过去的德国汉诺威工业展上，进一步完善的 Industrial Copilot，也斩获了有 " 工业界奥斯卡奖 " 之称的赫耳墨斯 ( Hermes ) 技术革新奖。

如今西门子在人工智能领域已经深耕数十年，拥有 1500 多名 AI 专家，AI 专利申请数量达到 3700 项，位居欧洲第一，AI 和数字化实验室更是遍布欧洲、美国和中国，这些雄厚的科研资源与实力为西门子探索工业 AI 的发展奠定了坚实基础。 

" 在人机协作时代，人工智能就像你身边的 ‘副驾驶’。现在西门子正全面融入 AI，以确保它不仅是一个概念，而是真正能付诸实践并取得成效。"西门子数字化工业集团首席执行官奈柯表示。

Industrial Copilot 会给工业流程带来哪些改变？未来的智能化工厂长什么样？工业 AI 解决方案落地的最大难关是什么？

围绕以上问题，在汉诺威工业展西门子展位旁，虎嗅智库与西门子数字化工业集团首席执行官奈柯、西门子 AI 技术发展负责人 Robert Lohmeyer、数字化工业集团工厂自动化事业部产品管理总监王江涛等进行了对话，以下是对话摘要，我们如实呈现，希望对业内有所启发。

Industrial   Copilot 可能是未来工业环境中，人类的最强辅助

虎嗅智库：工业发展经历了几个阶段，西门子现在处在哪个阶段？在不同生产阶段下，西门子对 AI 的应用是怎么样的？

王江涛：整体工业生产经历了从劳动密集型的人工生产到自动化生产阶段，再到自适应生产，未来会发展至自主生产阶段，比如工业元宇宙等。

自 26 年前，西门子提出 TIA 概念（全集成自动化生产）后，西门子就逐渐从人工生产迈入自动化生产阶段。如今，西门子将成熟的 TIA 概念扩展至 Industrial Operations   X（通过先进的 IT 技术，包括用 IT 赋能 OT 等来增强当前的自动化）希望引领工业企业迈向下一阶段 " 自适应生产 "。

自适应生产意味着整个产线和设备，不是单纯按照人的需求去运行，而会考虑多方面因素。比如，电价在高峰期要两块钱，而在低谷期可能只要 5 毛钱或者一块钱，那系统就会根据电价的调整来优化生产流程，在电价高峰期产能保持 30%，而在电价低谷期，产能达到 100%，这就是一个很典型的自适应生产场景。自适应生产最大的目的就是提高效率，减少浪费，然后把设备的性价比发挥到极致。

那 AI 在其中作用是什么呢，我举一些很落地的例子。以锅炉气包温度控制为例，需要精准调节三个参数才能达到 305 ℃工况指标，这通常依赖老师傅数十年的操作经验。但老师傅退休后怎么办呢？随着人才的缺乏，工业必须朝着人工智能方向发展。

当然，老师傅的逻辑靠的是经验，AI 的逻辑也一样。当 AI 里有一万个老师傅的经验，把它们集中在一起，就产生了算法，进而产生新的解决方案。面对新的问题，AI 能根据经验立刻找出最佳的解决方案，让它达到理想的参数配置，这就是一个很典型的   AI 应用。

以做工程为例，以往工程师要编程、调试等，都是根据自己的经验，在系统里做配置，整体过程可能需要一周时间。但有了 Industrial   Copilot 就不一样了，当需要配置一个经济型包装机的方案，Industrial   Copilot 立刻就能把系统、控制器、字符等配置好，还能根据工艺需求快速调整。

如果要求每分钟包装 100 个产品的工艺需求配置，Industrial   Copilot 不仅能把程序都写好，还能连接虚拟调试。要知道这个过程可能需要十几个工程师去编程、调试，支持客户不同的改动。未来，当 Industrial   Copilot 引入到工业过程中后，这一切都不需要了。

甚至如果我是老板，我跟 Industrial   Copilot 说要投资一个包装的设备，年产值要达到两千万，它还能够给出一系列供应商材料等全都可以出来。当然这是一个非常理想的状态，要一步一步去实现。

很快 Industrial   Copilot 会集成在 TIA 博途软件里面，接下来西门子的 V20 版本就会集成一些简单的应用，逐步向前发展。

虎嗅智库：AI 在工厂的哪些环节和场景已经真实落地，带来了生产效率和质量的切实提升？

奈柯：当大家去实地探访西门子的成都、安贝格、埃尔兰根或南京工厂时，就会看到我们有数百台机器人，还有成千个不同的 AI 应用。比如搭载物理感知的 AI 抓取机器人。我们不需要编程让它做完全相同的事情。机器人自己会根据实际情况重新编程，识别出需要做什么，每次的抓取动作中，也都会做自适应性调整。

以埃尔兰根工厂为例，两年前厂内只有两台机器人和一两台自动导引车（AGV）。但如今，工厂里已有数百台机器人、40-50 个 AI 模型以及大量的自动导引车（AGV）。在很短的转型时间里，这个工厂就实现了快速智能化的升级。

此外，西门子还有基于深度学习的预测性质量检测体系，也就是利用 AI 来确定哪些产品需要测试。在过去，我们需要无一例外地测试每一个产品，但现在 AI 可以根据所有收集到的数据判断这个产品是否可能存在需要测试的问题，或者没问题不需要测试。

这些都主要围绕设备综合效率（OEE）展开。同时，人工智能也正在被用于使生产流程更具灵活性，例如在一些实践案例中，它能以更低的成本实现最高标准的产品质量检测。

虎嗅智库：西门子关于应用生成式 AI 是从何时开始的？关于 Industrial Copilot 的目前进展如何，能够达到怎样的应用效果？

Robert：ChatGPT 大约是 2022 年 11 月底发布的，到 2023 年 3 月，西门子已实现让每个员工均能在安全的数据环境内使用 ChatGPT，这背后西门子的 IT 同事们付出了很大努力。

当然，聊天助手只是冰山一角，我们没有止步于此，并很快意识到，这些模型虽然功能强大，但并不是无所不知，因为不是所有信息都以文本形式存在且能在互联网上找到，而且很多信息需要结合语境来理解。

所以，我们想到要打造 Industrial   Copilot，将自身的专业知识或客户的行业知识整合起来并使其能够被有效利用。在两年前汉诺威工业博览会上，西门子第一次展示了一个小的样品。如今 Industrial Copilot for Engineering 已经是一个完整成熟的产品，预计能帮助客户将工程进度与效率提升 10% 到 40%。同时，西门子的 Industrial   Copilot   for   Operations，也能提供系统运行情况的全面洞察，预估能将运维效率提升 25%。

除了直接提升生产力之外，研发 Industrial   Copilot 的另一个重要原因，也是为了让专业知识和经验能够得到传承，做到让新工程师入职的第一天就迅速上手。我觉得 Industrial   Copilot 应该也是未来人们学习如何操作物理设备和工业环境的方式。

当下，西门子已经在整个工业领域开发并推出了多种 Industrial Copilot。当你输入一句话的指令，就能得到大约 150 行代码，不需要复制粘贴，它会自动导入到 TIA 博途，并在 PLC（可编程逻辑控制器）上使用，这让工程师工作效率大幅提升。

Industrial Copilot 发展下一步是 " 代理型人工智能 "（Agentic AI）。当我们今天谈到 Agentic AI 时，通常只会想到不同的大语言模型相互交流。其实，通过分析型 AI 构建的系统，也可以被视为 " 代理 "。例如，图像识别模型告诉你 " 刹车片上有故障 "，或者时间序列模型告诉你 " 装瓶机可能很快就会出故障 "。这些其实也是 " 代理 "，只是它们与人类交流起来更加困难，因为人类需要理解数据语言。但如果我的界面是一个聊天机器人，它能够用直白的人类语言向我报告，一切就变得更好理解了。

我认为在工业领域，分析型人工智能为特定领域提供可靠的解决方案，而聊天机器人这类 " 数字伙伴 " 虽然在可靠性方面有所欠缺，容易出现 " 幻觉 "，且不够专注于特定领域，但它为我们提供了访问这些解决方案的接口，并负责人类语言与工业语言之间进行转换，而这正是西门子正在努力的方向。

虎嗅智库：听到您数次提到 DeepSeek，能否详细介绍一下 DeepSeek 在现有业务中的参与情况如何？

奈柯：西门子在产品中深度集成 AI 的同时保持开放性，不局限于使用哪种大型语言模型（LLM）。例如，西门子低代码应用开发解决方案   ( Mendix )   集成 DeepSeek 为办公家具制造商圣奥（Sunon）带来了一款解决方案。圣奥的需求是将 DeepSeek 与圣奥的知识库进行集成，并构建一个易于使用的界面，从而让产品经理能够更便捷地为客户提供最佳解决方案，同时确保任何人都可以轻松与人工智能进行交互。

基于客户需求，我们为圣奥提供了网页应用程序、移动应用程序和聊天机器人等多种工具，这些工具能够帮助他们快速且轻松地构建与人工智能交互的界面，并且无需学习任何编程语言即可灵活调整界面。

在西门子内部，我们也开放使用 DeepSeek，当然员工们也可以灵活选择不同的模型。比如我们有一个名为 "SiemensGPT" 的内部工具。这个工具可以自由选择大模型进行接入，在 DeepSeek 发布后的两三天内，西门子已经将其投入使用。因此，我们既可以使用 DeepSeek，也可以在业务中灵活运用其他模型。

西门子的开发人员和团队已经在产品和解决方案中积极试验多种不同的模型，并且已经实现了不同模型之间的灵活交换与整合。特别是在软件领域，许多 DeepSeek 模型已经被成功应用在软件产品中，西门子也在考虑将其应用于边缘计算等场景，正在开发 DeepSeek 在硬件上的应用方式。

AI 解决方案的重点并非构建模型，90% 的工作是清理数据、确保接口兼容以及部署

虎嗅智库：一个好的工业 AI 产品的标准是什么？西门子构建 AI 解决方案的原则有哪些？

Robert：人工智能产品并不是简单地说：" 给你一个人工智能模型，你想怎么用就怎么用 "，这并不是技术真正的工作方式。

它的一部分是模型，这些模型随后需要根据客户的需求进行定制和微调，换句话说，就是调整到最适合客户的使用场景。还有一些是服务，帮助客户构建自己的模型，并且让这个过程更加便捷。

有些内容甚至并不直接涉及 AI 模型本身，而是关于支持 AI 在工业环境中（比如生产车间）开发、更重要的是部署和维护的基础设施和解决方案。所以当我们谈论 AI 产品时，很多时候我们关注的是 AI 的工业化应用，而不是 AI 模型本身。西门子拥有众多 AI 专家，也有出色的数据科学家。以目前的技术水平来看，几乎没有哪种 AI 解决方案是我们无法构建的。西门子始终希望成为 AI 工业化的合作伙伴，这才是我们的角色。

西门子构建的每一个 AI 解决方案都必须遵循三大原则，第一，它必须创造价值，必须具有盈利性。这对我们的客户来说至关重要，他们需要确保投资所带来的回报高于其投入的成本。

但在人工智能领域，这并非易事。通常情况下，解决方案的成本会远远高于收益，因此，提前评估客户如何投资更为有效这也是我们支持客户的方式之一。当然，对西门子来说解决方案也必须是盈利的。

第二，确保系统的精确性和安全性。不确定性的技术在工业流程中是完全不可接受的。工业级标准意味着更大的挑战，它需要满足工业解决方案的所有标准和要求。

第三，所有的 AI 解决方案都应当支持我们的可持续发展目标，人工智能是推动可持续性转型的重要驱动力。AI 对实现相关目标很有帮助。

虎嗅智库：在这些 AI 应用案例落地过程中遭遇过哪些挫折和挑战，西门子是如何解决的？

Robert：在我们开展 AI 项目之前，有一个非常重要的环节，就是评估这个项目是否真的值得投入。因为构建一个完整的 AI 解决方案并将其应用于工业环境，并不是一件低成本的事情。

客户能够轻松地将这一解决方案部署到其他制造场所，并且能够自行进行维护，而无需每次遇到问题都联系数据科学部门，这才是我们所理解的好的工业 AI 应用。

以某个车间应用案例来看，在整体项目落地流程中，建模只是第二步。构建了 AI 模型之后，还需要将模型打造成一种能够与工业环境相匹配的形式，并将其部署到实际应用中。这通常就是一个令人头疼的环节，因为 OT 人员不喜欢这样做，因为这需要他们暂停生产。所以，理想的情况是能够快速完成部署，甚至无需任何停机时间。

接着，还需要将传感器和执行器连接到模型上，确保其能够正常运行并经过测试，然后才能开始所谓的推理和数据科学环节。

但即便到此，仍然没有完成全部工作。因为三个月后，这个模型可能就无法正常工作了。考虑到现实世界，传感器会发生漂移，环境温度会发生变化，所有这些因素都可能导致现在收集到的数据与三个月前用来训练模型的数据大相径庭。

因此，西门子提供贯穿整个 AI 应用的价值链或生命周期的服务，让数据科学家以一种兼容工业环境的方式，将某些软件包集成到模型中等。这样一来，AI 工程师就无需担心上述发生的情况。

在模型重新训练这一步骤，工业环境中的自动化人员也可以自行完成，如果监控系统发现模型的性能不够好，只需通过几次点击，就可以在已经收集到的数据上重新训练模型。

此外，对于许多工业领域的客户来说，数据科学家与自动化人员之间的反复沟通也一直是一个难题，通常还需要一个具备软件专业知识的中间人来协调。而西门子的产品组合正是致力于减少这种对中间人的依赖，以及降低反复向数据科学家求助的需求。在汉诺威展台西门子也展出了这些产品组合。

这一点，对于刚刚开始涉足 AI 领域、正在构建第一个概念验证的客户来说，可能还无法理解。因为许多小型企业刚开始接触 AI 时，往往认为 AI 是即插即用的，只要有了数据，训练出模型后就万事大吉了。然而，在实际应用中，数据科学家和自动化工程师之间的紧密合作是至关重要的。

事实上，在构建 AI 解决方案的过程中，90% 以上的工作其实并不在于构建 AI 模型本身，而是在清理数据、确保接口的兼容性以及进行部署等环节。

虎嗅智库：当企业迎接 AI 应用落地时，如何让团队做到敏捷适配？在智能工厂中，AI 系统与产业工人的技能如何协同进化，实现人类经验与机器智能的融合？

奈柯：西门子正投入大量资金对员工及工厂工人进行技能再培训。以工厂为例，LLM（大语言模型）就是一个典型案例，西门子的团队不仅引入了机器人，还同步部署了 AI 技术。

西门子并非将 AI 视为工人的对手，而是视作帮手。因为 AI 擅长处理重复枯燥的任务，而机器人则能承担高难度的作业。因此，我们在推进员工再培训的同时，也在引入 AI 技术。事实上，AI 技术的最大挑战不仅在于数据安全，更在于文化认同。如果企业文化无法接纳 AI，AI 就难以取得成功。