施耐德电气丁晓红：从点点微光到熠熠星河，工业AI规模化需跨越三重台阶

近年来,如果要为中国工业发展选出一个高频关键词,“人工智能”无疑位居前列。从实验室走向生产现场,从单点尝试走向深度应用,AI正在以前所未有的速度融入工业的各个环节。但相比技术创新,一个更现实的问题正在浮现:AI项目越来越多,真正实现规模化应用的却并不多。

过去几年,工业AI已经在不少场景中实现了从“0到1”的探索验证。但对于产业而言,真正的价值不止于单点突破,而在于推动AI从一个场景走向更多场景,从一家工厂走向更多企业,从个体实践沉淀为行业能力,让技术创新最终转化为广泛而持续的产业价值。

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

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指出:“工业AI的真正价值,不在于一个场景的突破,而在于让成功经验持续复制、跨场景协同扩展,最终形成覆盖企业乃至行业的能力,从‘点点微光’汇聚成‘熠熠星河’。”

多点探索走向纵深:工业AI规模化需跨越三重台阶

厘清工业AI的发展路径,才能更好地锚定规模化应用的方向。从局部创新走向规模化推广,工业AI至少需要经历三个逐步深入的阶段。

第一,是场景化。AI要真正进入产业,首先要找到真正值得投入的场景。工业场景复杂、行业差异明显,并不是所有问题都适合交给AI解决。只有从真实业务需求出发,找到痛点明确、价值可量化,同时又具备复制推广潜力的场景,AI才能完成从技术能力到业务价值的第一次跨越。

第二,是体系化。工业AI从单点应用逐步延伸至设计、建造、运营和维护的全生命周期。随着数据贯通和能力协同不断深化,一个场景积累的数据、知识和经验能够在更多场景中复用,推动AI从解决单一问题的工具,逐步融入企业生产运营和管理体系。

第三,是规模化。不同工厂存在设备、工艺、流程和管理模式上的差异,要让成功经验真正扩散,需要把场景中的经验和能力进一步沉淀、抽象和复用,并通过开放生态连接更多客户与伙伴,最终从一家企业的实践走向一个行业共享的能力。

丁晓红表示:“场景化解决的是‘有没有价值’,体系化解决的是‘能不能持续’,而规模化解决的是‘能不能复制’。三者层层递进,共同构成工业AI走向价值兑现的关键路径。”

聚合多维能力筑底:构建工业AI规模化发展的坚实支撑

结合长期服务产业客户的实践,施耐德电气认为,推动工业AI规模化应用,至少需要三方面能力共同发力:以行业Know-how发现高价值场景,以开放的数智底座支撑体系化应用,以能源科技与产业生态加速规模拓展。

首先,场景化的关键,在于真正理解行业。工业AI背后涉及大量工艺知识、生产规则和行业经验。模型能力固然重要,但只有依托行业Know-how,深入具体行业和生产流程,才能真正发现有价值、做得成、还能推广的高价值场景。长期深耕产业,施耐德电气更加深刻地认识到,工业AI的价值必须落在真实业务需求上。提升效率、优化质量、降低能耗、保障安全,这些看似具体的问题,恰恰是AI创造产业价值的切入口。

其次,体系化的核心,是全生命周期的融会贯通。工业AI需要数据治理与行业知识沉淀,也需要能够承载AI持续迭代的技术架构。软件定义的自动化正在帮助企业夯实工业AI所需要的数智底座。依托EcoStruxure开放自动化平台(EAE),施耐德电气打通设备、系统与应用间的数据壁垒,让原本相对割裂的自动化系统能够更加灵活地互联与协同;依托AVEVA剑维软件等工业软件,贯通设计、建造、运营与维护全生命周期,推动AI融入企业全生命周期运营,实现体系化赋能。

最后,规模化发展的重要支撑,是能源科技与生态协同。随着AI应用不断深入,算力需求持续增长,能源已经成为数智化发展的重要底座。工业AI规模化不仅需要更高效的算力,也需要稳定、可靠、绿色并具备韧性的能源体系。与此同时,工业AI的规模化不可能由一家企业独立完成。更多客户、开发者、系统集成商及产业伙伴参与其中,才能让场景经验不断被沉淀、验证和复制。施耐德电气围绕能源管理、开放自动化和产业创新持续打造开放生态,加速工业AI等创新成果走向实际落地和规模推广。

丁晓红表示,“只有当行业知识、数智技术、能源科技和产业生态真正融为一体,工业AI才能从局部创新走向规模应用,持续创造产业价值。”

从场景创新走向规模复制:探索工业AI落地新实践

任何理念,最终要回到实践中验证。围绕场景化、体系化和规模化三个阶段,施耐德电气也在持续推进相关探索。

在场景创新方面,施耐德电气深耕能源化工、冶金矿业、市政水务、数据中心等关键行业,积累了丰富的行业实践和场景经验。目前,全球十大化工企业中的6家、全球20家最大的能源企业、全球10家最大的矿业、冶金和建材企业,以及覆盖150多个国家的4万多座水与污水处理厂和20家头部托管数据中心及超大规模云服务提供商都是施耐德电气的客户。

基于这些积累,施耐德电气已围绕生产管理、公用工程和供应链等核心业务场景,开展预测性维护、能源优化、需求预测等应用实践,并进一步探索生成式设计、生成式运营、AI辅助工程等创新方向。例如,在全球某领先化工新材料企业的正丁烷塔热源切换项目中,施耐德电气通过AI驱动的SOP优化,实现操作时间缩短至原来的三分之一,切换时间缩短原来的四分之一。在“一带一路”沿线某大型天然气化工项目中,施耐德电气利用AI自动完成复杂过程控制系统的软件组态与硬件配置,提升工程实施效率,并为智能工程建设积累实践经验。

从场景进一步走向体系,关键在于让数据、知识与系统真正协同,拥有能够持续部署和迭代AI应用的开放、软件定义的架构。目前,全球已有530多个EcoStruxure开放自动化平台(EAE)项目投入运行,这一开放架构正在帮助企业打通IT与OT数据壁垒,并在实际场景中创造价值。

在某电气集团5G智慧工厂项目中,施耐德电气基于EcoStruxure开放自动化平台(EAE)构建软硬件解耦的控制架构。通过面向对象的标准化工程开发,将常用现场设备抽象封装为可复用的设备模板,实现程序模块化复用,显著提升工程开发与部署效率。同时,依托EAE和虚拟化部署等能力,客户可更加灵活地进行系统扩展与升级改造,实现软件资产的持续传承,为包括AI在内的数智化技术贯穿企业全生命周期应用构建坚实基础。

而要让这些能力进一步从企业内部走向更广泛的行业应用,则需要生态共同参与。施耐德电气持续通过创赢计划、EAE生态共创计划等平台,与客户和合作伙伴共同探索工业AI应用场景,沉淀方法论与解决方案,加速创新能力复制。例如,与合作伙伴联合打造的基于开放自动化架构的预测性维护边缘系统,通过在边缘侧构建设备故障诊断与预测模型,实现监测可视化、在线分析、智能报警和诊断的闭环。该方案有望逐步拓展至装置、产线乃至工厂级场景,帮助企业降低非计划停机风险,提升全生命周期管理水平。

而无论是工业AI的场景化创新、体系化应用还是规模化拓展,都需要能源与自动化、数智化深度协同,为工业智能化发展提供坚实支撑。这也正是施耐德电气持续推动电气化、自动化与数智化深度融合的重要原因。

丁晓红表示:“一束微光,或许能够照亮一个场景;汇聚成熠熠星河,则需要长期积累的能力支撑。对于工业AI而言,真正决定其能否规模化发展的,是行业知识、数智化底座与产业生态的协同成熟。只有筑牢这些底层能力,工业AI才能从一个场景走向更多场景,从一次成功走向持续成功,最终为产业高质量发展创造更大价值。”