工业AI正在从概念验证进入更多实际应用，但模型能力的提升并不意味着应用可以直接落地。施耐德电气工业AI应用能力中心负责人周浩杰和工业自动化OEM行业能力中心负责人杨小雷在施耐德电气媒体沟通会上谈到，工业现场的数据质量、行业知识积累、结果验证和投资回报，仍是影响工业AI规模化应用的关键因素。

与消费端应用不同，工业AI需要面对具体设备、生产流程和工艺约束。它既要能理解工业数据，也要能结合行业知识给出可执行的建议。当AI进一步参与控制时，还必须证明结果符合真实工况和安全要求。施耐德电气的实践重点，是从明确场景和问题出发，将AI与既有工业软件、控制系统及行业经验结合起来。

数据采集之后，还要建立可用的知识体系

“数据治理是一项体系化工程，不是简单地把数据抓取出来、集中存放在一起。”

工业企业经过多年发展，通常积累了大量设备运行数据、生产记录和操作文档，但这些信息未必能直接用于AI分析。不同品牌设备采用不同协议，数据点位可能缺少统一命名，部分历史记录仍依赖人工填写。此外，企业工艺知识和设备经验也大量保存在非结构化文档及员工经验中。

周浩杰举例，一家化工企业希望分析能源设备的能耗，却发现数据库中存在多个使用相似名称的点位，甚至无法准确判断其对应的设备和含义。如果连数据代表什么都无法确认，后续建模和优化便无从谈起。

杨小雷将数据治理概括为两个步骤：首先尽可能连接设备、驱动单元、PLC等环节，获得现场数据；随后开展数据清洗、标准化和价值判断，结合行业专家和企业伙伴的经验，明确哪些数据真正能够支持具体应用。开放自动化可以帮助企业兼容不同品牌和协议的既有系统，但数据接通并不代表治理工作已经完成。最终还需要将数据、行业知识和业务流程结合起来，形成有效的反馈闭环。

通用大模型进入工业现场后，也需要补足行业知识。以一家化工新材料客户为例，企业每年需要更新大量标准操作规程（SOP），但人工逐份检查既耗时，也难以全面判断不同版本的准确性和优化空间。施耐德电气尝试利用AI分析SOP文档，再将分析结果放入化工机理模型中验证，并在虚拟环境中开展优化学习，辅助客户检查流程是否合理。

这一案例说明，AI可以承担大量文档分析和信息处理工作，但要判断操作流程是否符合真实生产要求，仍需要行业知识和机理模型参与。对于离散制造和OEM领域，数据标准化程度相对较低，工艺差异也更大，应用前的基础整理工作往往更多。

AI进入生产现场，必须经过约束与验证

工业AI不仅需要回答问题，还可能影响设备和生产流程。如何保障输出可靠，是它区别于一般信息处理应用的重要问题。

周浩杰介绍，在一家银行数据中心的冷站优化应用中，系统会根据历史工况，预测约15分钟后的冷量状态。预测并非单纯依靠数据拟合，还要考虑水泵性能曲线、系统特性曲线、设备运行状态，以及冷量和热交换的时间特征。施耐德电气先将这些物理规律和约束纳入模型，再利用数据开展建模，使AI在满足工业运行条件的范围内寻找更优方案。

如果忽略物理约束，算法可能给出数学上看似合理、现场却无法执行的结果。例如，AI生成的生产排程即使效率指标更好，也必须结合设备速度和工艺条件进行验证。施耐德电气认为，经过规则、机理模型和模拟环境验证后，AI才具备进一步参与控制的条件。

这也关系到工业AI与人的分工。对于数据和知识积累充分、工况相对明确的细分场景，AI可以从提供建议逐步参与部分决策，但对于模型未覆盖的极端工况，仍需由人员介入。周浩杰举例，水务系统可能遇到历史数据中很少出现的极端暴雨。如果无法证明模型在这种工况下仍然可靠，就不应继续让AI自主判断。

数据开放同样需要区分行业。水泵、风机等相对通用场景，在一定范围内共享数据的风险较低；半导体、锂电池等工艺和技术密集型行业，数据则直接关系到企业竞争力，企业通常不会公开核心工艺信息。因此，工业AI并不存在一个适用于所有行业的通用方案，需要根据场景、数据属性和企业需求，确定适当的技术路径。

从单点应用到规模复制，关键是算清价值

杨小雷将工业AI的发展分为场景化、体系化和规模化三个阶段。当前，许多应用仍处于场景化阶段，即首先确认AI能够解决什么问题、创造什么价值。只有在实际场景中证明有效之后，企业才需要进一步建设数据、应用和持续运营机制，并考虑将其推广至整条产线、整座工厂乃至多个工厂。

从现有应用看，能源优化和预测性维护是相对成熟的方向。前者可通过分析不同车间和工厂的水、电、气消耗，帮助企业识别节能机会，后者则利用设备运行数据和机理模型识别早期故障，减少非计划停机。

施耐德电气工业自动化业务通用行业负责人金石分享了一组应用数据包括：钢铁冶金球团先进控制使关键参数波动偏差降低20%以上；石油化工先进过程控制的参数闭环周期从2小时缩短至15分钟；厂务运维故障案例匹配达到秒级响应；冷站泵组实现15%以上节能。这些案例覆盖过程控制、运维和能效管理等不同场景，具体效果仍取决于应用条件和项目实践。

在施耐德电气自身工厂中，AI也被用于质量检测、能源管理和设备维护。上海普陀工厂使用机器视觉监测产品质量和包装完整性；北京工厂通过AI驱动的能源管理系统分析和优化调度水、电、气等能源流；无锡工厂则利用AI视觉识别HMI组装过程中零部件是否齐全、操作是否正确。施耐德电气集团董事、高级副总裁、工业自动化业务中国区负责人丁晓红将这类投入相对轻量、但能直接帮助员工解决实际问题的应用称为“小而美”的应用。

对于投资能力有限的中小型制造企业，周浩杰认为，明确问题比一开始部署大规模AI系统更重要。如果企业具备标准化程度较高的设备和数据基础，可以优先从具体场景切入；如果基础薄弱，则应先梳理数据、建立可验证的样例应用，再逐步增加AI能力。对于设备厂商，施耐德电气也在探索将通用功能和部分AI能力预置到自动化平台及控制器中，减少客户重复开发。

要让应用进一步复制，还需要将行业经验沉淀为标准化模块，并与生态伙伴共同完善个性化部分。对于工业AI而言，模型能力只是起点，数据和知识的整理、现场验证、投资回报评估以及后续运维同样影响着应用能否长期运行。只有把这些环节纳入完整的工程实践，单点探索才有机会发展为可持续、可复制的生产能力。