領袖企業推動中國（新型工業化進程）高層論壇

2026年4月9日，由控制網（www.kongzhi. net）&《自動化博覽》、OICT學院主辦，中國儀器儀表行業協會、全國機械安全標準化技術委員會、全國工業過程測量控制和自動化標準化技術委員會、工業控制系統信息安全產業聯盟平臺、智能制造推進合作創新聯盟協辦的2026自動化產業年會暨第二十一屆自動化產業世紀行活動在北京隆重舉行。

“2026自動化產業年會”之領袖企業推動中國（新型工業化進程）高層論壇以“智驅新質 融創未來”為主題，在CEO巔峰對話中，  ABB運動控制事業部中國區北京基地負責人、ABB運動控制事業部服務業務單元中國區負責人鄧志鑫，和利時集團中央研究院副院長兼流程工業事業群總工辦主任黃勁松，大陸希望集團機電智能板塊總經理、希望森蘭科技股份有限公司總經理、希望深藍空調制造有限公司總經理何建波，北京康吉森自動化技術股份有限公司總裁溫宜明，菲尼克斯電氣中國公司自動化副總裁郭禪禪，華為技術有限公司中國政企昇騰解決方案專家汪瑋，圍繞“發展新質生產力”與“工業AI規模化應用”兩大核心議題，全方位探討在新一輪科技革命和產業變革背景下，以智能技術驅動新質生產力發展，以融合創新開辟產業未來的新路徑，共繪中國自動化產業發展的新藍圖。

內核之變：新質生產力重塑自動化邏輯 

發展新質生產力，既是落實“加快高水平科技自立自強”戰略部署的務實舉措，也是中國應對全球競爭、構筑發展新優勢的必然選擇。新質生產力對自動化行業而言，意味著從“效率工具”到“創新引擎”的根本性轉變。在“內核”上，您認為這種“新質”最核心的體現是什么？在“實踐”上，請結合貴公司最核心的戰略布局與標志性成果，具體說明這種“新質”是如何通過產品或解決方案，在客戶端落地為可衡量的競爭優勢的？

鄧志鑫

ABB運動控制事業部中國區北京基地負責人

ABB運動控制事業部服務業務單元中國區負責人

從ABB的視角出發，結合新質生產力的核心內涵，我們認為這為自動化行業開辟了一條從自動化邁向自主智能的上升通道。傳統自動化主要依賴預設程序執行任務，而未來將逐步演進為具備自主決策、自主適配與自主優化能力的智能型生產力。ABB在落地實踐中主要圍繞以下幾個維度展開：

第一，針對傳統產業，我們助力企業實現能效升級。以工業電機為例，全球約45%的電力由工業電機消耗，其中配備變頻器的電機占比不足25%。并非每臺電機都需配置變頻器，但若其中約一半能夠加裝變頻器，將對節能增效產生顯著推動作用。以風機、泵類應用為例，若采用配備變頻器的電機，平均可節省約25%的能耗。

第二，面向新興產業，我們致力于實現覆蓋全生命周期的智能運維。對于新興產業而言，設備與硬件的可靠性是基礎，客戶更期望獲得貫穿全生命周期的智能運維支持。從ABB的實踐來看，我們能夠提供高可靠性設備，并融合算法與行業知識，為客戶提供數據驅動的決策建議，助力實現更綠色、更經濟、更安全、更可靠的目標，同時優化運行可靠性與成本控制。

第三，從ABB的整體戰略出發，我們更希望提供涵蓋產品硬件、軟件平臺及一站式服務的綜合解決方案。 ABB在運動控制領域具有深厚積累， 結合我們對各行業的知識沉淀，已形成覆蓋多個行業的數字化解決方案。這些方案通過多維度數據融合，結合機理模型與人工智能算法， 分析客戶設備的運行狀態與能耗表現，從而幫助客戶延長設備使用壽命、減少非計劃停機， 并實現節能增效。

黃勁松

和利時集團中央研究院副院長兼流程工業事業群總工辦主任

對于自動化行業而言， 發展新質生產力的核心內核就是“AI+數據”，也就是以AI和數據為靈魂，讓自動化系統具備“數據驅動、全域協同、自主決策、持續進化”的能力，徹底實現從“提效工具”到“產業創新核心引擎”的進化，其核心變革主要體現在以下三個方面：

（1）數據驅動與軟件定義： 數據成為核心生產要素，數據驅動創新。軟件定義自動化（IO、控制及應用），實現規模化定制。

（2）全域協同與自主運營： 徹底消除數據孤島，打破部門/業務之間的壁壘，實現全域協同。通過針對生產運營過程的洞察、預知以及及時精準的行動，實現自主運營。

（3）智能決策與持續進化： 在現有生產裝置的物理約束范圍內，實現最優化的生產運營。并且實時進行績效評估，找出差距和瓶頸，并且持續優化。

和利時于2025年6月18日發布XMagital全新可自由定義智能系統，并計劃于今年的4月16日發布OCS 2.0工業控制系統，對傳統的自動化架構進行了解耦與重構。

OCS 2 .0將工業以太網延伸到現場儀表端，實現自動化系統的全數字化以及生產現場過程數據、儀表設備基礎數據和診斷數據的高速傳輸，為智能化應用提供實時的數據支撐。

XMagital通過多模態數據融合、管控一體化編排、任務一體化調度等關鍵技術，將傳統的ISA95分層拼接式架構重構為扁平化的“1個平臺+N個應用”協同的新框架模式。

實現AI與ICT和OT的有機融合，助力用戶實現數字化轉型，發展新質生產力，全面邁向“自由定義、自主運營”的新質時代。

何建波

大陸希望集團機電智能板塊總經理

希望森蘭科技股份有限公司總經理

希望深藍空調制造有限公司總經理

關于希望集團在自動化行業中的角色應如何演變，我首先簡要說明希望集團的定位。希望集團是由劉氏四兄弟于1982年創立的一家純粹的民營企業。經過40余年的發展，希望集團已從第一產業延伸至第二產業、第三產業，橫跨十余個行業門類和產業領域，在多個領域中，無論在中國還是全球范圍內，均處于優秀或領先地位。

如果是在二十年前，將希望集團視為一家純粹的農業企業并不為過。但如今，希望集團已不再局限于飼料產業——其飼料業務已是全球領先，養殖業務也是全國領先。在工業方面，集團涵蓋電解鋁、氧化鋁、煤化工、多晶硅、鹽化工及水泥等領域，年營業收入超過3000億元。此外，集團產業還涉及地產、牛奶、小食品、工業醫療等多個領域。因此，希望集團早已超越農業產業的范疇。其次，關于新質生產力。自國家提出新質生產力以來，希望森蘭便持續關注，并積極參與相關實踐。我個人認為，新質生產力的理論探討是專家的職責，而其落地實踐則是企業的任務，企業擁有大量可實施新質生產力的場景。新質生產力的核心在于企業持續進行技術創新，不斷滿足用戶需求，從而與用戶建立更緊密的聯系。

過去，我們主要追求幫助用戶節約能源；如今，這一目標已有所拓展。我們不僅關注節能，更自主研發工業自動化控制平臺、數字化軟件管理平臺，幫助用戶解決實際問題。例如，在油田抽油機智能控制方面，我們開發出目前中國最具競爭力的“功圖系統”，幫助用戶省去大量邊緣設備，降低生產、維護成本，同時實現對油井運行狀況的實時感知。以往我們僅停留在驅動控制層面，現在我們通過物聯網、大數據、邊緣計算及數字化綜合解決方案，不僅讓用戶滿意，更讓他們感到驚喜。這正是自動化企業與實體企業應著力推進的方向，我們也將持續在新質生產力領域進行落地與實踐。

溫宜明

北京康吉森自動化技術股份有限公司總裁

從我的視角來看， 發展新質生產力， 對中國自動化行業而言， 本質是“自主可控”與“智能融合”的雙輪驅動， 以自主創新能力構筑產業安全根基，以人工智能等前沿技術深度賦能生產全鏈路。

在“實踐”層面，康吉森股份深耕流程工業自動化領域近30年，“安全+智能”是康吉森股份的核心戰略。“新質”賦予的競爭優勢主要體現在如下三個方面：

第一， 打造“自主可控”的全國產化產品矩陣。 一提到康吉森股份，行業里對我們的第一印象是安全儀表系統和機組控制系統， 康吉森股份旗下的吳忠儀表是閥門本土領先品牌，康吉森股份給人的直觀感覺是 一 個“偏科生”， 但其實我們是一個“全科生”。 除 了100%自主可控的安全儀表系統、機組控制系統、高端閥門外 ，我 們還擁有100%自主 可控的工廠智能中樞軟件平臺、分布式控制系統、基于工藝數字孿生技術的模擬軟件家族等。舉幾個具體的例子： 康吉森股份旗下圣泰軟件的工藝數字孿生技術模擬軟件家族已經實現了國外主流模擬軟件的國產化替代案例， 包括Aspen Plus&Hy sys/AspenTech， PROII/Ave va， PetroSim/KBC， UniSim/Honeywell。大唐集團中新能化全廠級控制系統MAV長協采購項目是國內大型能源央企首個全廠級控制系統（DCS、CCS、SIS、GDS） 100%國產化改造標桿項目，總規模超10萬點。國家能源集團神華包頭煤制烯烴升級示范項目全面部署了康吉森股份自主研發的安全儀表控制系統和機組控制系統共三十余套，實現了煤化工領域安全及關鍵控制系統的100%自主可控。

第二，以AI技術驅動工藝和生產的智能化升級。康吉森股份將廣泛應用的大型機組管控一體化系統（ITCM）與AI技術相結合，可實現機組的預測性維護、能效分析、節能潛力智能評價與節能優化方案的自主執行。康吉森股份于2025年用戶大會上正式發布了自主研發的全新一代工藝孿生智能體 —— SimTech Intelligence。該智能體深度融合了行業大模型與高精度流程模擬引擎，實時結合生產裝置運行數據構建動態工藝孿生體，廣泛應用于工藝方案評估、工藝參數優化等場景。

第三，攻堅高端控制閥門國產化替代。面對高端控制閥國產化在基礎原材料、超精密加工、多參數耦合工況、可靠性評估、全尺寸試驗驗證等諸多難點，子公司吳忠儀表構建了以國家工程研究中心、院士工作站為核心的高水平創新平臺，聚焦深海、核電、新型儲能等國家重大工程、大科學裝置需求，開展技術攻關。研制出深海1500米環境下耐用60年的水下控制閥以及耐受1700℃高溫的燃氣輪機燃燒室背壓排氣閥，填補了國內空白；中核徐大堡核電VVER機組項目中，吳忠儀表供貨600多臺核級調節閥成功替代進口產品。國家管網沈陽計量站DN800軸流式調壓裝置、華北油田蘇北儲氣庫39MPa注氣采氣雙向軸流式調節閥等產品，成功替代進口，為國家能源安全提供了堅實保障。

展望未來，康吉森股份將持續深耕“安全+智能”雙賽道， 助力中國流程工業實現從“跟隨”到“領跑”的跨越式發展。我們堅信，只有將“內核”突破與“實踐”落地緊密結合，才能真正讓新質生產力在客戶端轉化為可量化的核心競爭力！

郭禪禪

菲尼克斯電氣中國公司自動化副總裁

我認為，新技術必須在產業中帶來高質量發展，這正是新質生產力的重要意義所在。借此機會，我想結合菲尼克斯的產品與解決方案，介紹我們如何推動新質生產力的落地。我想重點介紹菲尼克斯的控制系統。眾所周知，控制系統對各類產業的生產—無論是新興產業、傳統產業還是未來產業—都至關重要。在生產過程中，高效、高速、高精度以及柔性化生產尤為關鍵。菲尼克斯已推出相應的新產品。

目前市場上大多數控制系統廠商所提供的產品，通常將開發平臺、操作系統與硬件三者高度融合，形成強關聯、強綁定的系統化架構。這類產品和技術的生命周期較長，從研發到退市通常超過20年。由于早期耦合度極高，系統的更新迭代速度非常緩慢，這是當前面臨的主要問題。基于這一現狀，菲尼克斯提出了新的技術路線。經過長期研發，我們推出了PLCnext新一代控制系統，其主要特點包括：

第一， 開放性。該系統兼容多種編程語言及第三方軟件，無論是Linux操作系統，還是通過虛擬化技術支持的Windows等各類操作系統，均能兼容異構平臺。第二，信息安全。信息安全在當前環境中具有極高的重要性。第三，虛擬化PLC技術。無論是軟件定義控制，還是軟硬結合，該技術都展現出顯著優勢。我們在產品研發及多行業應用過程中，實現了硬件的快速迭代。例如， 在3至5年內即可基于標準化平臺完成迭代，軟件功能高度靈活，能夠輕松適應新的控制系統架構。云邊端架構可部署于云端或邊緣端，對現有產業具有重要助益。

在硬件成本節約及長期快速迭代方面，虛擬化PLC具備一個關鍵特點，即實現IT與OT的融合。由于可部署于邊緣端或云端， 因此能夠便捷地將IT與OT整合在一起。傳統控制系統硬件資源相對有限，而當前AI與數據獲取日益普及。借助虛擬化PLC，基于標準化計算機硬件平臺，可高效存儲大量數據，實現DT（數據技術）與IT、OT的融合。數據的獲取離不開CT（通信技術），因此我們提出IT、OT、CT與DT四者融合的架構，從而更充分地利用AI技術，以及將數據作為新生產要素的相關方法。目前， PLCnext系統已在儲能、物流等多個行業得到應用，為用戶帶來了新的能力與商業模式。

汪瑋

華為技術有限公司中國政企昇騰解決方案專家

我想分享個人在新質生產力概念方面的思考歷程。首先，我在ICT領域擁有約22年的工作經驗，其中在華為公司工作15年。2017年，我被派往海外研究所，從事深度學習與人工智能領域的洞察與研究，是公司最早一批從事深度學習AI的人員之一。公司之所以決心大力發展深度學習， 與2016年AlphaGo與李世石的對弈密切相關。此后，華為在海外建立了多個研究所，我在海外工作七年。去年1月， 我回到國內，加入中國政企團隊，協助各企業制定AI轉型規劃與落地實施方案， 并參與部分中央及國有企業“十五五”規劃的編寫工作。

關于新質生產力，我從去年1月回國后便開始系統思考。由于長期深耕該領域，我深知技術本身的局限性。許多人認為，以往難以解決的問題，未來只需將AI嵌入大模型便可迎刃而解。這種氛圍讓我感到憂慮：若繼續傳播“AI萬能”的理念，卻缺乏真正落地的成果， AI可能淪為泡沫。為此，我與多個大模型持續對話，不僅闡述自己的觀點，還要求模型對我的看法進行反駁與指正。經過反復論證，我最終得出的結論是： AI是新質生產力，是第四次工業革命，并且很可能是人類最后一次工業革命。這一結論建立在大量與大模型對話和推演的基礎上，具體過程在此不再展開。

回歸到新質生產力，我認為其“新”體現在三個層面。第一，與過去相比，生產資料的形態與生產關系發生了根本性變化， 這一點不再贅述。第二，“新”體現在技術與社會的關系上。OpenAI的創始人曾指出，前幾次工業革命中，人與技術是逐步協同演進的，社會有足夠時間做好準備。而人工智能時代的到來是排山倒海式的，社會尚未充分準備。我認為這是一種全新的時代特征。第三， 許多既有思路與理念需要變革。過去，我們常講SaaS（Software as a Service），即企業將自己的專業知識與能力封裝為軟件或解決方案出售給客戶。在中國， SaaS模式發展較為困難。而在人工智能時代，有可能催生一種新型SaaS模式。其核心理念在于，人工智能或大模型是一項幾乎沒有邊際成本的技術。過去， 一家專注于財務報表服務的財經公司，無法幫助鋼鐵企業或發電企業提升效益。

但在未來， 掌握了人工智能方法論的企業，有可能將能力應用于千行百業。這一點在華為已有實踐。去年回國后，我走訪了發電企業、輸電企業、汽車制造企業，甚至養豬企業，這與剛才集團領導的觀察高度契合。過去，大家對華為的印象多停留在通信公司。但自2005年起，華為便開始推進數字化，人工智能時代則進一步邁向智能化。我們將過去二十年的經驗總結為“七步法”以及“三層、五階、八步”等落地方法論，從而賦能千行百業。我們踐行一種新型SaaS理念——不單純強調提供何種解決方案或軟件，而是面向客戶承諾可量化的價值。例如，對養豬企業，我們表示可以助力其每公斤豬肉出欄上市成本降低一元；對發電企業，我們承諾幫助其每一度電實現端到端的一元成本節約。這種以實際效益為衡量標準的服務模式，在中國市場更易被接受。我們提供的是全套賦能服務，依據為客戶節省或增收的部分獲取相應回報，客戶也更愿意接受這種合作方式。我認為， 這正是新質生產力中“新理念”的體現。

破局之道：共探工業AI規模化應用路徑 

當前AI在工業領域的應用仍以“點狀突破”為主，真正實現規模化價值創造面臨諸多障礙。基于貴公司的實踐觀察，要實現AI在工業領域的規模化應用，您認為必須突破的關鍵瓶頸是什么？貴公司采取了哪些措施來加速AI價值的規模化釋放？

汪 瑋：我們最終總結出的方法論源于華為自2005年開始的數字化進程。人工智能出現后，我們進一步推動數字化與智能化的融合轉型。自去年年初，華為正式將該方法論體系向市場推廣并賦能企業。華為總結出一套包含七個關鍵步驟的方法論：定戰略、立架構、強組織、找場景、保落地、抓運營、做治理。在這七步中，我們確保每一個環節都能落地實施， 并配套有“三層、五階、八步”的詳細操作框架，形成端到端的全流程保障體系。每一步都設有明確的北極星指標，達到該指標即意味著完成既定目標。由于內容較為龐雜，在此無法逐一詳述。

以“保落地”為例， 看似簡單的三個字，在人工智能領域卻涉及多方面因素。例如， 一套解決方案在概念驗證（POC）階段表現良好，但一旦進入生產環境，效果往往大打折扣。原因在于，生產環境復雜多變，而POC階段所使用的數據通常經過清洗，較為干凈，效果自然理想。真正落地時，需要從上至下逐步梳理業務流、數據流與應用流的具體情況。

以養豬企業為例， 他們開發了 一套根據豬只近期體重增長動態調整飼料配比的算法，并擁有自動化飼料生產工廠，能夠精確計算豆粕與玉米的比例，但始終無法推進實施。原因在于，該算法需要準確獲取每頭豬的每日體重數據，而實際數據卻依賴飼養員手工填報。許多飼養員責任心不足， 填報數據往往一成不變，例如今天300斤、明天仍是300斤。在這種情況下，智能化或自動化系統難以真正發揮作用。再以汽車企業為例， 車企擁有一套強大的營銷推薦算法，但每日需要查看4S店客戶意向數據，而這些數據同樣由銷售人員手工填寫。結果常出現購車客戶年齡顯示為十幾歲甚至一百多歲的情況，數據質量堪憂。不同階段需要深入理解業務本質，并建立明確的價值評估依據。

曾有一家企業希望我們開發自動報銷系統，聲稱該系統可為每人每天節省約5分鐘時間。我們與其分析：節省5分鐘的實際意義何在？員工原本可能用這部分時間核查或閱讀，企業是否真正獲得效益？經過深入研討業務流程與公司制度，我們發現真正的瓶頸在于出差合理性審核。于是，我們為其制定了端到端的智能化出差審批方案，重點關注各地區的效益與營業額。例如，當季應優先安排員工前往效益最佳的區域出差，若出差方向相反，系統將自動告警，審批人需判斷其合理性。此外，企業規定出差不得入住景區周邊酒店，此類細節同樣納入管理。我們認為，只有將審批與審核過程真正自動化，才能有效提升企業效率并實現落地。

在工業質檢領域， 我們已成功提供瑕疵檢測解決方案，能夠識別各類大小瑕疵。但我們進一步與企業探討：檢測到瑕疵時，瑕疵已經發生，物料損失也已造成。更有效的做法應是規范裝配動作。例如，某工藝要求打三圈半螺絲后再回半圈，以滿足物理與應力要求。然而，許多工人為省事，只打三圈便結束。若AI監測能夠覆蓋這一操作環節，相信質量檢測將提升至損失發生之前，實現預防性管理。

郭禪禪：眾所周知，AI技術有望賦能千行百業。作為一家工業自動化企業，在探討AI如何賦能產業時， 我們首先需要正視其中的主要挑戰。我認為，AI技術在工業領域的落地仍面臨諸多困難，主要體現在以下三個方面。

第一， 工業環境對控制系統的實時性、可靠性和安全性具有極高要求，而當前AI技術在這些方面尚存在一定差距。

第二， AI在工業中的應用需要大量數據，尤其是高質量、有效的工業數據。然而，許多工業企業已將數據視為核心資產并加以嚴格保護，如何獲取這些數據成為一大挑戰。此外，數據需要大量標注工作， 深度學習對此尤為依賴。更重要的是，許多工業數據與具體應用場景強相關， 不僅涉及單個數據點，還與工藝流程及多種數學、物理模型緊密耦合。

第三，傳統工業自動化領域的工程師對AI技術的了解相對有限。要將AI應用于特定場景或產業， 需要同時掌握AI技術、自動化技術及工藝知識，而目前在工業自動化領域，具備跨學科能力的人才仍然匱乏。

針對上述三大挑戰，菲尼克斯采取了相應的解決策略。

對于第一個挑戰， 我們繼續沿用原有自動控制實時系統來保障實時性與安全性。例如，前文提到的虛擬化PLC （VPLC）部署在邊緣端，一方面處理對實時性和安全性要求較高的任務，另一方面可收集大量數據，無論這些數據存儲在本地還是云端，均可用于模型訓練。

對于第二個挑戰， 即數據相關問題，菲尼克斯推出了專用的AI硬件模塊—MLnext。該模塊部署在本地，可將訓練好的模型直接下載到邊緣端，用于工藝優化或AI應用， 對現場應用工程師而言操作相對簡便。

對于第三個挑戰， 即人才問題，我們在南京建立了強大的AI團隊， 并與傳統自動化應用工程師團隊深度融合，針對特定行業與應用場景開展實踐。目前，我們在預測性維護等領域積累了較多成功案例。需要強調的是，我們并未在工業領域大規模采用通用大模型，因為其泛化能力目前仍有限。AI真正進入工業尚需時日，面臨諸多挑戰。我們的策略是聚焦特定領域，組建專業團隊，依托相關產品，在特定應用場景中持續優化與迭代， 幫助客戶利用AI技術賦能產業。

溫宜明：在討論如何推動規模化落地之前，我想分析一下過程自動化行業在實現規模化落地過程中所面臨的挑戰或瓶頸。其瓶頸并非單一的技術難題，而是一個交織著數據、模型、系統、安全、人才與組織的多維度挑戰， 核心在于實現“可靠、可信、可解釋”的工業智能，而非簡單堆砌通用AI技術。

第一，數據瓶頸。正如前面郭總所提，自動化行業存在明顯的數據孤島與碎片化問題，工業數據分散在不同系統中，系統間接口不統一，形成大量數據孤島，難以融合利用。同時工業數據普遍存在噪聲、格式混亂、標注不足等問題，加之企業對數據安全、工藝保密的顧慮，共享意愿普遍不高，制約了高質量數據集的形成。

第二， 模型瓶頸。首先是“機器幻覺”與機理脫節的問題， 通用AI模型缺乏對物理化學規律的約束，其不確定性與工業系統對零容錯的嚴苛要求相矛盾。AI必須與工業機理深度融合， 成為“懂物理、守規矩”的專家。此外，模型還面臨OOV（Out of-Vocabulary）問題， 泛化能力弱， 遷移成本高。同時，“黑箱”決策缺乏可解釋性，內部決策過程不透明，需要明確決策依據的工業場景難以信服其輸出的可靠性。

第三，集成與部署瓶頸。  AI與生產控制相互割裂， 大部分AI應用止步于提供預警或建議，未能與控制系統實現閉環聯動，無法直接將分析結果轉化為實際控制指令，阻礙了智能化的實質性推進。此外，如何在不影響生產的前提下， 將“老設備”與新AI系統安全高效地集成，即與老舊系統的整合也是巨大工程挑戰。

第四， 安全與信任瓶頸。零容錯是流程工業的安全紅線，AI模型的任何誤判都可能引發重大安全事故，  AI 一次誤操作導致的損失可能遠超千百次優化的收益，企業對新技術的應用尤為審慎。而且業界普遍對AI的可靠性持觀望態度，許多AI試點項目在演示階段表現良好，但在全面推廣時效果卻遠不如試點。另外AI應用涉及大量核心工藝參數等敏感數據，企業對其泄露風險也極為擔憂。

最后是人才與組織瓶頸。目前復合型人才極度匱乏，同時精通生產工藝（OT）和人工智能技術（IT）的復合型人才極為稀缺， 導致企業在AI應用上進展緩慢。大量企業對于AI能帶來什么、如何應用仍處于認知模糊階段。而研發、部署和維護成本又相對較高，對于許多企業而言其投資回報率尚不明朗導致處于“不敢投”狀態。

要實現AI在過程工業的規模化應用，需要一場系統性變革。我們也在針對上述規模化瓶頸做一些工作。 一是構建高質量工業數據生態，以統一的數據標準提高數據清洗和標注的效率；二是發展“數據+機理”融合模型，我們更傾向于用世界模型作為過程工業應用的底層模型而不是大模型。這樣就可以將物理規律建模和因果關系理解嵌入AI模型，打造可靠、可解釋的“工業世界模型”。2025年康吉森在用戶大會上發布了基于雙腦模型的工廠智能中樞，采用的就是“數據+機理”融合方式；三是推動“AI+工業軟件/控制系統”一體化，通過API、微服務等軟件技術實現AI與現有系統的無縫集成； 四是分階段建立信任，既然信任的建立和技術的發展存在著客觀規律，那就尊重規律，沿著“離線分析-決策支持-人工監督-自主控制”的遞進路徑，穩妥推進AI應用；五是系統性培養復合型人才，這對企業來講有些困難，但企業必須建設一支“懂工業、會AI”的人才隊伍。  AI在過程工業的規模化，本質上是工業知識與數字智能深度融合的過程，需要技術突破、機制創新與組織變革的多方協同。

何建波：近兩年，人工智能無疑是最熱門、最受關注的話題。我認為AI智能體層出不窮，令人眼花繚亂，無論收費還是免費。這讓我想起一句老話：錢不是萬能的， 但沒有錢是萬萬不能的。對于AI，我的理解是：AI不是萬能的， 但不懂AI在當今時代也是萬萬不行的。

在自動化行業與實體經濟中， 我們更加注重安全與可靠性。錯誤的指令可能對企業與用戶造成無法挽回的損失。然而，實體經濟確實需要在多個環節引入AI， 例如研發系統、生產管理系統、物流系統、行政系統以及農業經濟等。目前，我們已擁有大量農業工廠和大規模生產機器人。以希望集團的養殖企業為例，在湖北，我參觀了兩個號稱全球最奢華的“豬公館”，完全實現自動化養豬，恒溫、恒濕、自動上料。老板最初的理念是希望像生產蘋果手機一樣進行養豬生產。可以說，在希望的養殖企業中，我們大量引進機器人與先進技術，以提升養殖安全與整體效率。因此，AI確實能夠為企業賦能， 關鍵在于如何正確運用。

我記得有一次從國外回來后感冒了。以往的做法是直接找醫生，而這次我嘗試向AI咨詢癥狀和處理方法。  AI分析了我的情況并建議用藥，但最后總有一句話：“意見僅供參考，請尊重專業醫師的建議。”顯然，它不會承擔責任。然而，AI能夠從海量數據中分析，幫助我們找到更好的思考方法。我們可以將其作為參考，而非最終決策依據。因此，在很多方面，我認為人工智能無法替代人類。

我的理解是，盡管目前我們仍處于融合的初期階段，但作為企業與實體經濟主體， 我們必須積極擁抱AI，保持熱愛。為此，我們集團設立了培訓中心，每當有先進的技術出現，都會先組織學習，隨后對相關部門和行業進行培訓。我們一直采用這種方式，因為自學效果有時不理想。最近我還關注了許多關于養龍蝦的項目，曾考慮是否需要引入數字員工，但最終決定不涉足，因為養龍蝦也存在諸多問題，暫時尚未找到解決方案。

總體而言，我認為企業擁抱AI對實體經濟一定是賦能的。未來，我們將發現更多更好的機會點，提升效率與服務品質。我們企業確實做了許多落地實踐。例如，最初我們在講解PPT時嘗試使用數字人進行講解，但發現數字人講解缺乏真實感—無論選擇美女還是帥哥，聽幾次后便會感到不適。最終，我們還是換回真人講解。我們一直在進行各種嘗試。

黃勁松：當前要實現AI在工業領域的規模化應用主要面臨數據、技術和人才三大瓶頸。

（1）數據瓶頸

· 數據孤島、多源異構、無統一標準，70%數據未激活；

· 有效的樣本稀缺、標注成本高、質量差、安全顧慮高；

· 老舊設備無數據接口，改造代價大。

（2）技術瓶頸

· 純數據驅動無機理約束，黑箱不可解釋、幻覺風險、可靠性不足（工業領域要求99.9999%確定性，對風險的“零容忍”）；

· 模型泛化能力差、跨裝置/工廠難復用，邊緣算力/實時性不足；

· 與現有系統集成復雜，定制化成本高；

· 投入大、ROI模糊，中小企業難以承受。

（3）人才瓶頸

· 傳統的“單一技能型”人才與當今“工藝 + 數字化”復合型人才需求出現嚴重錯配。缺乏既懂工藝又懂AI的復合型人才，造成業務與技術脫節。特別是中小企業更為嚴重。

和利時推出的XMagital全新可自由定義智能系統，具有原生融合、開放生態、全面智能的特征，可以幫助用戶有效地應對AI在工業中規模化應用的挑戰，主要表現在：

（1）通過統一的基礎平臺和數據底座，實現智能應用的即插即用。

（2）AI賦能工程設計， AI優化生產運營，多智能體協同。

（3） 低代碼開發， 可視化組態，拖拽式設計，降低70%開發門檻。

（4） 生態開放，共同創新， 支持第三方擴展。

鄧志鑫：結合各位同仁的分享， 我深感我們在AI工業應用中的痛點與挑戰高度相似。在此，我主要介紹ABB在面對這些問題與困難時所進行的嘗試和采取的措施。

從數據維度來看，我們遇到的主要問題并非數據量不足，而是數據量過大。在此背景下，數據質量變得尤為關鍵。我們需要的，是能夠理解場景、具備落地價值的高質量數據。為此，ABB通過與客戶深度綁定、聯合開發，以及長期、持續地深入客戶的生產與運營過程，來獲取這類高質量數據。在利用這些數據時，我們必須深入了解設備、工藝和行業特性，從而將AI工業應用真正轉化為業務工具，而不僅僅是技術演示。

在數據安全方面， 由于許多關鍵客戶的數據不允許出廠， 我們的解決策略是構建一個高度開放的ABB生態系統。客戶既可以使用ABB的云端服務，也可以通過“云對云”的方式與ABB對接，還可以選擇本地部署。目前，在我們的運動控制數字化方案中，超過一半的項目采用本地部署， 數據完全保留在客戶端。同時， 我們的數字化平臺Motion365數字化傳動鏈狀態監測系統獲得公安部核準頒發的《信息系統安全等級保護三級備案證明》，這是國家對其他非銀行組織外的網絡信息安全的最高級別認證，這進一步增強了客戶在安全方面對ABB的信任。

我們認為，解決方案的可復制性和規模化能力，與復合型人才密切相關。 ABB的優勢在于裝機量大。截至去年年底，中國市場已有1,400萬臺ABB傳動變頻器及高效電機在運行，這些設備幾乎覆蓋了各行各業的客戶。依托這一龐大的裝機基礎，我們能夠持續沉淀行業模型與算法能力，形成可復制的技術基礎。在重點選擇的行業中，我們構建了行業數字化方案框架。基于這一框架，行業內多數客戶的核心需求具有高度共性，我們只需根據客戶的工藝特點和要求進行約20%至30%的微調，即可實現快速部署與實施，使客戶能夠迅速獲取價值， 這構成了實現規模化的重要條件。

我們認為，AI工業應用必須形成閉環， 即將AI應用所帶來的價值放大化。對客戶而言，他們關注的并非AI算法的技術先進性，而是方案能否交付可感知、可認可的價值，這一點至關重要。 ABB的數字化運動控制方案不僅具備監控、預測和分析能力，更作為一個覆蓋全生命周期的服務方案，能夠幫助客戶發現問題、分析問題，并最終高效、高質量地解決問題。我們在全國近50個城市設立了超過170個傳動服務站，能夠快速響應客戶需求，并承諾在一天內到達現場幫助解決問題，客戶的體驗非常好。

以供熱行業為例， 我們在新疆天富能源項目中，面對2,000多臺變頻器（涵蓋多個品牌，但我們的算法不依賴于特定品牌），通過對這些變頻器的實時數據結合AI算法進行分析， 幫助客戶實現了能耗診斷、預測與節能決策。客戶的使用體驗非常好。在應用方案的第一年，該項目就取得了顯著的節能增效成果： 當年幫助客戶節省標準煤約7萬噸，減少二氧化碳排放18萬噸，減少二氧化硫排放約600噸，單位供熱能耗下降約7%。客戶對方案價值給予了高度認可。正是這種可驗證的價值，使得客戶愿意在其他場景中進行復制與付費。以上是ABB在實踐中的一些體會。

摘自《自動化博覽》2026年5月刊