7 月 20 日 ,2026 世界人工智能大会在上海落下帷幕。超过 10 万平方米的展区、1100 余家企业和 300 余款全球首发产品 , 让这场大会依然保持着足够高的技术密度。机器人与智能终端吸引了最多镜头 , 但对化工、能源、钢铁和制造企业而言 , 另一个不那么喧闹的变化更值得关注 :工业 AI 开始离开演示屏幕 , 进入工程设计、生产运行和设备执行环节。

过去谈工业 AI, 常见形态是知识问答、数据分析和异常预警。今年的展台上 , 工业企业开始回答更难的问题 : 模型如何理解连续变化的工况 , 如何把判断变成可执行任务 , 如何接入既有控制系统 , 以及如何在安全边界内长期运行。工业 AI 的竞争焦点 , 正在从 " 模型能做什么 " 转向 " 系统能交付什么 "。

四条技术路线 , 指向同一个生产目标

西门子 ( Siemens ) 在大会期间面向中国市场全面发售Eigen 工程智能体。它的目标不是与操作人员聊天 , 而是参与自动化编程工程: 理解项目需求、编写 PLC 代码、完成 HMI 可视化开发和驱动配置 , 并对任务结果进行验证。AI 由此进入了传统上高度依赖工程师经验的工作流 , 首先解决的是自动化工程周期长、熟练人才紧缺和经验复用效率低的问题。

和利时展示的XMagital 2.0, 则把重点放在工厂的 " 自主运行 " 上。其架构从 XBase 工业数据底座 , 经由 XWorld 工业世界模型 , 延伸到 XOperation 工业自主运行。时序、机理、本体和决策模型被放在同一认知体系中 , 再由编排引擎把业务目标拆解为任务。这条路线试图让 AI 不仅看懂数据 , 还能理解设备、工艺和生产流程之间的关系。

( 图 1: 和利时 WAIC 2026 展台现场 )

中控技术以自主运行工厂 AOP呈现了另一种闭环 : 时间序列大模型 TPT 负责理解工况和形成决策 , 通用控制系统 UCS 连接现场控制 ,Plantbot 等机器人承担部分物理执行。其公开案例已覆盖石化、化工、能源等流程工业场景。相比单独增加一个 AI 应用 ,AOP 更像是从控制体系出发 , 重新组织 " 识别—评估—决策—执行 " 的生产链路。

( 图 2: 中控技术 WAIC 2026 展台现场 )

宝钢股份与宝信软件则从钢铁这一典型流程工业切入。大会期间 , 双方发布《"AI+ 钢铁 " 白皮书——以 AI 重新定义钢铁 ( 2026 ) 》和工业视觉大模型平台 " 智鉴工场 xVue"。前者试图形成从数字底座、单点智能到全产线协同的行业方法 , 后者则把工业视觉的数据、模型、验证、交付和运维做成可复用流程。它们共同回应了工业 AI 长期面临的难题 : 一个项目成功之后 , 能力怎样复制到更多产线和工厂。

工业 AI 开始进入 " 运行能力 " 竞争

几家企业的产品名称和技术架构并不相同 , 却透露出三个共同信号 :

首先 ,工业 AI 正在从 " 给建议 " 走向 " 做任务 "。它可以服务于自动化工程 , 也可以参与排产、工艺优化、设备维护和生产调度。评价标准不再只是回答是否专业 , 而是任务能否完成、结果能否验证、过程能否追溯。

其次 ,单一大语言模型不再是工业智能的全部。生产现场同时存在毫秒级控制、小时级趋势、机理约束、文档知识和组织流程 , 需要时序模型、机理模型、世界模型、大语言模型与控制系统协同。工业 AI 的壁垒 , 正在从模型参数转向对时间、工况和物理边界的理解。

最后 ,平台化和生态化成为规模复制的前提。工业现场系统异构、设备代际复杂 , 任何模型都不可能绕过数据治理、接口适配、安全联锁和工程交付。大型工业企业掌握设备、控制系统和行业场景 ,AI 企业提供新的模型、智能体和交互方式 , 客户与工程团队共同定义权限、验收指标和责任边界。工业 AI 越来越不像一个可以独立采购的软件 , 而像一套需要多方共同运行的生产系统。

施耐德生态展位里 , 一家年轻公司的 AI 原生尝试

这种生态分工 , 在施耐德电气 H1-A1125 展位上有一个值得观察的样本。GeegoByte AI ( 极峰科技 ) 作为生态合作伙伴参展。这家年轻公司没有沿用传统工业软件 " 增加一个 AI 助手 " 的产品思路 , 而是展示了面向生产运营的" 河谷 ( Hegu ) "2.0 工业智能体平台。

( 图 3: 极峰科技 " 河谷 Hegu" 运行态界面展示 )

从现场展示看 ," 河谷 Hegu" 更接近一个智能体设计和运行系统。平台以工业时序模型理解温度、压力、流量、负荷等连续工况 , 以大语言模型承载工艺知识 , 再把判断、规划和工具调用组织成生产任务。界面呈现的不只是数据看板 , 而是智能体角色、任务关系、执行状态和安全约束 , 这种产品形态带有明显的 AI 原生特征。

极峰科技将整套能力组织在 " 河谷 Hegu" 总工业智能指挥中枢之下 , 覆盖工业感知、记忆、推理、沙盒安全、多智能体协同和设备执行。这里的 " 设备执行 " 并不是让概率模型绕开 DCS、PLC 或安全联锁直接控制设备 , 而是在授权范围内 , 把经过规则校验和安全验证的决策转化为现有工业系统可以执行的任务。

( 图 4: 极峰科技本次 WAIC 2026 首次展出其 " 河谷 Hegu" 设计态态界面 )

公开报道显示 , 极峰科技公司形成的相关智能体产品已进入绿色化工、煤化工、垃圾焚烧发电等连续型生产场景。据企业披露 , 其工业智能体在多个流程工业场景累计在线生产超过 1 万小时 , 为业主带来更加稳定的生产工况及控制能力达成。在线时长不能代替节能、增产和安全等业务指标 , 却能说明其产品形态已经开始接受原料波动、设备衰减、异常工况和长期稳定性的真实检验。

( 图 5: 极峰科技 WAIC 2026 展台 )

极峰科技的意义不在于证明年轻公司可以替代自动化巨头 , 而在于展示另一种产业分工 :

创业公司不必重建控制系统和工业软件全栈 , 可以在模型能力、智能体编排、任务交互和安全运行层形成专长 , 再通过施耐德电气这样的生态进入更复杂的生产现场。

老牌工业企业向上构建智能 ,AI 原生企业向下理解工艺 , 两条路线正在会合。

为什么中国可能成为工业 AI 最重要的试验场

工业 AI 在中国具备独特的生长条件。中国拥有 41 个工业大类、207 个中类和 666 个小类 , 是全球唯一覆盖联合国产业分类全部工业门类的国家 , 制造业增加值规模已连续 16 年保持全球第一。钢铁、石化、化工、电力、新能源、汽车和电子制造既提供了海量场景 , 也提供了足够复杂的工程问题。

更重要的是 , 中国制造业已经积累了自动化系统、工业互联网、数字化工厂和产业工程师队伍。AI 不是从零进入工厂 , 而是在既有数字底座上继续向生产核心深入。庞大的产业链也意味着 , 一个在燃烧、合成、电解、晶体生长等工艺上验证过的能力 , 有机会跨企业甚至跨行业迁移。

政策方向正在与产业变化形成呼应。国务院《关于深入实施 " 人工智能 +" 行动的意见》提出发展智能原生产品和企业 ; 八部门印发的《" 人工智能 + 制造 " 专项行动实施意见》, 把钢铁、石化化工等行业的大模型、智能体、工艺优化、预测性维护和安全预警纳入同一框架 ;2026 年政府工作报告进一步提出推动重点行业人工智能商业化、规模化应用。

这并不意味着工业 AI 在中国更容易。数据孤岛、旧系统改造、安全责任、投入产出和复合人才仍是现实约束。中国的优势在于 , 这里有更完整的产业体系、更密集的真实场景和更快的工程反馈。技术可以更早进入生产 , 也必须更早接受生产结果的检验。

这也为新一代工业 AI 公司留下了窗口。工业巨头掌握控制系统、设备体系和工程交付能力 , 却很难覆盖每一种工艺和细分场景。年轻公司不必重建 DCS 或工业软件全栈 , 可以从模型能力、智能体编排和安全运行切入 , 成为连接模型与生产现场的新能力层。

极峰科技在施耐德电气生态展位上的亮相 , 因而不只是一次产品展示。它释放出的信号是 :一批具有 AI 原生基因、又愿意深入工艺现场的年轻力量 , 正在进入传统工业技术体系。它们与巨头更可能形成能力互补 ; 真正的分水岭 , 不是公司年龄和模型规模 , 而是谁能穿过工业验证周期 , 把一个场景的经验沉淀为可迁移、可审计、可规模部署的产品。

( 图 6: 极峰科技创始人王筱圃博士在向到访者讲解公司产品及应用 )

未来几年 , 工业 AI 赛道很可能由两股力量共同塑造 : 一边是向智能层延伸的工业巨头 , 另一边是从模型和智能体出发、向工艺深处扎根的年轻公司。当两者在控制边界、行业知识和生态接口上会合 , 中国工业现场或许不只是新技术的应用市场 , 也会成为工业智能产品和工程方法的发源地。

WAIC 已经闭幕 , 年轻势力能否从展台走向产线 , 再从一条产线走向一个行业 , 将是这场竞赛最值得关注的变量。