為了那些，“不能出錯的人”

有些工作，做得越好，越?jīng)]有存在感。

住酒店的人不會記得制冷機房。只要房間溫度剛好，空調(diào)沒有異響，半夜不會被熱醒，客人甚至不會意識到，樓下有一整套設(shè)備整夜都在運轉(zhuǎn)。

吃薯片的人不會想到，一片薯片的形狀和口感能不能一直穩(wěn)定，取決于成型之前土豆面團的質(zhì)量，很少有人關(guān)心，在壓進(jìn)模具之前，那團面的配方曾被反復(fù)調(diào)整過多少次。

工業(yè)世界里有很多這樣的人。他們不在聚光燈下，長期和參數(shù)、設(shè)備、能耗、質(zhì)量、風(fēng)險打交道。他們的工作成果，常常是避免一次事故、少一次返工、穩(wěn)住一條產(chǎn)線，而不是制造一個驚喜。他們是一群不能出錯的人。

這一兩年，AI 最熱鬧的部分都發(fā)生在別處。會聊天、會寫代碼、會調(diào)用工具把活干完，人們津津樂道的，是 AI 越來越像人。行業(yè)里最興奮的詞是 Agent，一個能觀察、能推理、能動手、能獨當(dāng)一面的“數(shù)字員工”。到了制造業(yè)的語境里，人們開始用“工程智能體”來描述這樣一種角色，它能理解任務(wù)，能自主編寫并驗證自己的工作成果。

但把這個設(shè)想拿到一座真實的工廠里去問，工廠回過來的往往是一連串反問。它的邊界在哪里？它調(diào)錯一個參數(shù)，誰來負(fù)責(zé)？它說它算準(zhǔn)了，我憑什么信？

這三個問題，才是工業(yè) AI 真正的起點。一個能進(jìn)生產(chǎn)線的工程智能體，不會從發(fā)布會上憑空出現(xiàn)。它得先在真實的車間里，跟著那些不能出錯的人，把這三個問題一個一個答下來。

7% 能效背后，AI 在替誰守夜

凌晨兩點，上海嘉定穎奕皇冠假日酒店，大部分房間的燈都熄了。

客人睡了。但在他們腳下某個不會被注意到的角落，制冷機房沒有睡。冷水機組、水泵、冷卻塔還在運轉(zhuǎn)，把白天積下的熱量，一點點排出這棟樓。

負(fù)責(zé)這套系統(tǒng)的工程師知道，這是一天里最不能松懈的時段之一。白天的日照、晚上的入住率、宴會廳散場的人流、每個房間反饋回來的溫度，全都在變，而這些變化最后都會壓到機房這幾臺設(shè)備上。

冷一點，能耗就上去；熱一點，第二天早上的客訴就來了。他要調(diào)的是一整套始終在變、又必須一直穩(wěn)住的系統(tǒng)。

這種活兒的難，在于它沒有盡頭。系統(tǒng)不會停，變量不會停，所以人也不能真正停下來。一個有經(jīng)驗的老師傅，腦子里裝著這套設(shè)備在不同天氣、不同負(fù)荷下的脾氣，可人會累，會困，沒辦法整夜整夜地盯著每一個參數(shù)，在最佳的那個點上反復(fù)微調(diào)。

西門子把“智冷魔方”AI BOX 2.0 接進(jìn)這間機房，接手的正是這種“一刻不松”。三天裝完投運，初步數(shù)據(jù)顯示，機房能效提升約 7%。

7% 這個數(shù)字，放在一場 AI 發(fā)布會上，實在不起眼。但它的分量不在大小，在性質(zhì)。制冷是這棟樓里長期、剛性、每天都在發(fā)生的能耗，這 7% 會每天、每年反復(fù)回到賬單上。一個看起來樸素的動作，因為發(fā)生得足夠頻繁，就成了真金白銀。

三天投運，背后還藏著一件容易被略過的事，沒有幾個月的歷史數(shù)據(jù)采集，也沒有一位數(shù)據(jù)科學(xué)家駐場調(diào)參。這件事之所以能成，靠的是背后一套自研的時間序列基礎(chǔ)模型。設(shè)備的運行狀態(tài)、能耗曲線、管道里的水溫，這些隨時間起伏的數(shù)據(jù)，正是公輔設(shè)施現(xiàn)場最具代表性的“語言之一”。模型讀懂了這種語言，智冷魔方才能在不同的樓里“即插即用”。

AI 沒有取代工程師，它替工程師守夜。不知疲倦，不會走神，一套“不能停、不能亂、又沒人愿意時時盯著”的系統(tǒng)，它接了過去。工程師沒有從這間機房消失，他只是終于不必再用整夜的精神緊繃，去換一個系統(tǒng)的平穩(wěn)。

這不是一件復(fù)雜的事情，AI 拿到的也只是“看”和“微調(diào)”的權(quán)限，但這是 AI 嵌入工作流程、獲得信任的開始，從這一步開始，才能夠逐漸走進(jìn)更復(fù)雜的工作當(dāng)中。

通用大模型的答案，為什么工廠不敢用

機房只是一個入口，順著它往里走，就會觸及工業(yè) AI 真正的難點。

和切土豆片油炸的傳統(tǒng)薯片不同，品客是先把土豆粉等原料調(diào)成面團，再壓制成型，每一片的形狀才能分毫不差。所以一片薯片能不能片片一致、口感穩(wěn)定，最關(guān)鍵的一步不在貨架上，而在它還是一團面的時候。面團太稠或太稀，壓模、成型、油炸每一步都會跟著走樣，最后要么次品率上去，要么整批口感不對。

難就難在原材料本身不穩(wěn)定，土豆粉的批次差異、含水量、蛋白質(zhì)含量，每一樣都在變，配方就得跟著一遍遍調(diào)。過去，這靠的是老師傅的手感和眼力，而經(jīng)驗這東西，很難說清，也很難交給下一個人。

把這件事交給 AI，最先想到的是通用大模型。它見多識廣，什么問題都能給出一個看著不錯的答案。可它的答案來自互聯(lián)網(wǎng)的語料，不來自這條產(chǎn)線。這一批土豆粉的含水量是多少，此刻車間里的溫濕度是多少，它一概不知道，也就只能給出一個對誰都成立、對這條線未必成立的泛泛之談；更要命的是，越是沒見過的工況，它越可能一本正經(jīng)地算錯。

在聊天框里，這叫幻覺，刷新一下就過去；在產(chǎn)線上，一個錯的配方就是一整批面團的報廢、一條線的停機。

西門子在品客工廠給出的解法，是為這團面單獨建一個數(shù)字孿生。一張傳感器網(wǎng)絡(luò)貼著產(chǎn)線，實時采集溫度、濕度、蛋白質(zhì)水平這些數(shù)據(jù)，喂進(jìn)部署在邊緣側(cè)的 AI 模型，模型據(jù)此實時算出當(dāng)下這批原料最合適的面團配方，原料波動多少，配方就跟著調(diào)多少。操作人員拿到的是一份有實時數(shù)據(jù)做依據(jù)的精確建議，照著調(diào)整配方，生產(chǎn)就能一直流暢地跑下去，不必停線、不必等檢測結(jié)果，也不必賠上一整批料。

同樣是算配方，這套系統(tǒng)和通用大模型的分野，在于答案從哪里來。它的每一個建議，都是從這條產(chǎn)線此刻的真實數(shù)據(jù)里算出來的，而不是從別處的語料里猜出來的；產(chǎn)線上實時回傳的數(shù)據(jù)，又在持續(xù)印證和校準(zhǔn)它的判斷，算得準(zhǔn)不準(zhǔn)，當(dāng)班就能看到。西門子沒有拿一個通用模型來碰運氣，而是給這道工序建了一個只屬于它的模型，讓答案長在產(chǎn)線的實況上。

這套做法最后落到了賬面上。沒有新購一臺硬件，品客工廠的產(chǎn)線性能提升了約 10%，浪費減少約 13%；配套的西門子能源管理系統(tǒng)，又把這條能源密集型產(chǎn)線的能耗壓低了約 7%。

廠長 Ronny Matthijs 說，他想做的是，推動食品制造從藝術(shù)邁向科學(xué)。

老師傅的直覺說不清、傳不下去，而數(shù)據(jù)可以測量，模型可以復(fù)現(xiàn)， AI 在這條產(chǎn)線上真正改變的，是把原來只存在于少數(shù)人手上的把握，變成了一套誰來接班都成立的方法。

質(zhì)量出了錯，是整批料報廢、是品牌信譽。所以工廠在這里會一遍遍追問，你憑什么給出這個配方，依據(jù)是哪一批數(shù)據(jù)，原料變了它跟不跟得上，算得不準(zhǔn)能不能第一時間被發(fā)現(xiàn)。

一個來路不明的答案，哪怕多數(shù)時候碰巧是對的，也進(jìn)不了這道門，因為沒有人敢把質(zhì)量，交給一個說不出依據(jù)的東西。會算的 AI 很多，答案有據(jù)可查的 AI，才配碰工藝。

做對的第二件事，是西門子搞清楚了工業(yè)現(xiàn)場到底在說什么“語言”。

回看機房那臺智冷魔方，它能“即插即用”，靠的是讀懂設(shè)備運行狀態(tài)、能耗曲線、故障信號這些時間序列；到了品客的產(chǎn)線，要讀的換成了傳感器傳回的溫濕度、蛋白質(zhì)水平這類現(xiàn)場數(shù)據(jù)流。工業(yè)現(xiàn)場不只說自然語言，它還說時間序列、圖紙參數(shù)、工藝配方、三維模型。一個只會聊天的模型，聽不懂這些話，也就接不住這里的活。

西門子基于多年的工業(yè)經(jīng)驗，可以把這幾種“工業(yè)語言”翻譯成模型能處理的形式，再讓模型貼著真實的產(chǎn)線去算。讓 AI 聽得懂工廠，它的答案才靠得住。

能不能聽懂工廠，是外界最容易忽略的一把尺子。這一兩年，大家衡量 AI 幾乎只看一件事，模型多大、參數(shù)多少、榜單排第幾。但這把尺子一進(jìn)工廠就失靈了。西門子和至頂科技在 2025 年調(diào)研過兩百多家工業(yè)企業(yè)，超過四成還沒有真正部署智能體，企業(yè)反復(fù)提到的頭號顧慮，是系統(tǒng)是否穩(wěn)定、可靠，以及出了問題能不能清晰地追溯和解釋。

工業(yè) AI 的競爭，正在從“誰的參數(shù)更大”，轉(zhuǎn)向“誰更懂這套工藝的門道”。決定勝負(fù)的，是它對一個具體行業(yè)理解得有多深，能否聽懂這個行業(yè)說的話，是否接得住這個行業(yè)的下限。

西門子沒有在模型大小上較勁。它做的事情更慢，它把工業(yè)現(xiàn)場幾十年積累的工藝知識、操作經(jīng)驗、控制訣竅，一點點教給 AI，讓 AI 能真正理解工廠和機房。

工業(yè)是一個由下限決定的世界

把“懂門道”這件事再往上追一層，會落到一個更根本的問題，到底什么才算好的工業(yè) AI？

西門子給百事可樂美國部分生產(chǎn)和倉儲設(shè)施搭起 3D 數(shù)字孿生，在虛擬環(huán)境里仿真整條產(chǎn)線和端到端供應(yīng)鏈，實體改造之前就識別出高達(dá)九成的潛在問題，初期部署即實現(xiàn)產(chǎn)能提升約兩成、資本支出削減一到一成半。一個在動工前提前排雷，一個在運行中實時糾偏，兩件事指向的是同一個位置，AI 始終被放在一個能被驗證、能被接管、能被追責(zé)的地方。

這背后是工業(yè) AI 的一條底層邏輯，工業(yè)是一個由下限決定的世界。一套系統(tǒng)能不能用，從來不取決于它最好的時候有多好，而取決于它最壞的時候，會壞到哪里。

順著這條邏輯，行業(yè)里那些“更強的 AI”，各有各的擅長，卻都不完全是工廠要的那一個。大模型公司擅長讓 AI 回答問題，云廠商擅長讓 AI 跑起來，機器人公司擅長讓 AI 動起來。它們都在同一個方向上發(fā)力，讓 AI 變得更強。但工業(yè)現(xiàn)場需要的是另一套本事，讓 AI 接入真實的設(shè)備，摸清工藝的脾氣，經(jīng)過仿真的驗證，被工程師確認(rèn)，最后在產(chǎn)線上長期運行下去、不出紕漏。強是上限的事，可靠是下限的事，工廠要的是后者。

也是在這里，一個真正能進(jìn)工廠的工程智能體，輪廓才算真正清楚。它是從冷機房、從薯片產(chǎn)線、從一個個真實場景里，一級一級長出來的。它會觀察，像機房里那樣盯著系統(tǒng)不松手；它會推理，像品客那條線上那樣，算得出一份讓人敢用的配方建議；它會動手，自己跑一批方案、篩掉明顯不行的，把值得做的留給人定奪。盯著、算準(zhǔn)、試錯，三種原本分散在不同崗位上的能力，開始在一個智能體身上匯成一條完整的工作流。

西門子把這套設(shè)想拆成了兩層來落地。往上，是它所暢想的工業(yè)智能體系統(tǒng)更像一個“工業(yè)現(xiàn)場的指揮家”，底下是一批各管一段的智能體，有的負(fù)責(zé)排產(chǎn)，有的盯著設(shè)備預(yù)警，有的規(guī)劃廠內(nèi)物流，上面由主智能體統(tǒng)一調(diào)度，讓它們各自去調(diào)用對應(yīng)的工業(yè)軟件，把一件件具體的活干完。一句“幫我新增一批訂單，交付提前三天”，背后就是訂單、需求預(yù)測、設(shè)備控制、物流調(diào)度一連串任務(wù)被自動接力下去。

往下，是這套愿景里已經(jīng)落地、可以真正交付的那一塊。它有個名字，Eigen Engineering Agent（Eigen工程智能體），專門面向自動化工程，不只是給建議，而是能在真實的工程系統(tǒng)里跑起來，自己理解項目需求、編寫自動化代碼、完成硬件網(wǎng)絡(luò)配置，并持續(xù)迭代優(yōu)化，直到結(jié)果達(dá)到預(yù)設(shè)的質(zhì)量標(biāo)準(zhǔn)。可編程邏輯控制器（PLC）編程、人機界面（HMI）可視化開發(fā)、設(shè)備配置這些原本要工程師一行行敲、一遍遍核對的活，它可以自主完成再交回人手里確認(rèn)。指揮家還在成形，但樂手已經(jīng)上場。

但真正決定它能不能被工廠接受的，是它始終給人留了一條線。哪些任務(wù)可以交出去，哪些必須自己拍板，決定權(quán)在人手里。這條線，恰好回答了工廠最初的三個懷疑。邊界在哪？權(quán)限是一級一級放開的，AI 不會越過它沒被授權(quán)的地方。誰來負(fù)責(zé)？每一步的最后都有人在確認(rèn)，AI 試錯，人定奪。憑什么信？因為它從能耗到質(zhì)量再到工程，是一道門一道門證明過來的。

好的工業(yè) AI，標(biāo)準(zhǔn)大概就在這里，它未必最強，但工廠敢把活交給它，也清楚什么時候該把人叫回來拍板。

結(jié)尾

Eigen工程智能體已于今年 4 月在漢諾威工業(yè)博覽會正式發(fā)布，今年WAIC 上，它也將會正式面向中國工業(yè)界亮相，說清楚“工業(yè)界的 AI 究竟是什么樣子”。

它的位置，正落在那條“下限”上。深耕工業(yè)現(xiàn)場幾十年，服務(wù)過四十多個行業(yè)、幾十萬家企業(yè)，西門子在這里攢下的，是讓 AI 一步步被信任的那整套辦法，怎么接設(shè)備，怎么守工藝，怎么過仿真，怎么把最后的確認(rèn)權(quán)，交還到人手里。比起再訓(xùn)一個更大的模型，這套辦法要花的功夫多得多，可它恰恰是一個工程智能體從一頁 PPT 走進(jìn)一間車間時，最缺的那塊地基。

這也是 Eigen工程智能體與一個發(fā)布會 Demo 的區(qū)別所在。它一發(fā)布就面向西門子全集成自動化工程平臺 TIA 博途的 60 余萬工程師用戶，此前已在 19 個國家、逾百家企業(yè)的試點中跑過真實任務(wù)，試點客戶里有奧地利的安德里茨金屬、中國的中科摩通、美國的 Prism Systems。試點數(shù)據(jù)顯示，它能把整體解決方案質(zhì)量提升 80%，工程效率提升最高 50%，執(zhí)行速度達(dá)到人工流程的 2 到 5 倍。這些數(shù)字不寫在發(fā)布會的 PPT 上，寫在一間間已經(jīng)用起來的車間里。

這也預(yù)示著工業(yè) AI 接下來會怎么分野。消費互聯(lián)網(wǎng)那套打法，先把模型做大、把用戶圈進(jìn)來，再慢慢補上可靠性，在工廠門口走不通。這里沒有“先上線再迭代”的容錯空間，一次報廢、一次停產(chǎn)、一次事故，就足以讓一套系統(tǒng)出局。能跨過這道門檻的，往往不是參數(shù)最大的那一家。真正走得進(jìn)去的，是那些最懂怎么把 AI 嵌進(jìn)既有工藝、既有設(shè)備、既有責(zé)任鏈條的企業(yè)。技術(shù)的代差會被時間抹平，但對一個行業(yè)有多深的理解、和這個行業(yè)攢下多少年的信任，沒有捷徑可走。

當(dāng) AI 的能力逐漸變成一種可以采購的通用品，工業(yè)現(xiàn)場真正稀缺的，是有人知道該把它放在哪一道工序、交給它多大的權(quán)限、在哪一步把人重新叫回來。這件事，決定了 AI 究竟是停在發(fā)布會的演示里，還是真的住進(jìn)車間，成為那些不能出錯的人身邊，一個可以托付、也經(jīng)得起追問的同事。

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/4873724.html?f=wyxwapp