作者金旺当大模型可以写代码、做分析、调用工具几乎所有企业都开始追问同一件事如何把大模型接入生产流程以实现降本增效但工厂不是聊天框大模型一个看似合理却不准确的回答放在消费场景里或许只是一次糟糕的体验但当进入芯片设计、汽车制造和机器人生产领域却有可能变成返工、停产甚至安全事故。这些问题也是西门子在面向人工智能转型时需要面对的问题。实际上在大模型风起云涌的这些年里西门子也在向AI靠近就在西门子大中华区Realize LIVE用户大会2026上我们现场看到了西门子面向中国企业首发的企业级智能体平台Intelligence Center X简称ICX。基于这一平台西门子试图将分散的数据、工业知识、AI模型和业务流程放进同一套系统让智能体从回答问题走向执行任务。ICX也成了西门子面向工业AI又一次迈出的重要一步。01 工业AI落地的三大难题2026年工业AI的叙事正在发生变化。过去几年里企业更关心AI能做什么不少企业纷纷围绕大模型搭建知识库、问答助手和概念验证项目在经历了一系列探索和验证后如今AI开始走出聊天框进入芯片、汽车、机器人、能源装备和生产线。这时企业关心的问题也变成了AI能不能持续运行能不能对结果负责又能不能从一个场景复制到整个组织。中国拥有完整的制造业体系也为工业AI提供了足够多的真实场景但在西门子工业软件中国董事长及总经理梁乃明看来工业AI在企业中国年落地仍然面对三大难题——“AI项目很多真正创造价值的不多数据很多工程知识却是分散的试点很多规模化应用依然困难。”首先是数据难题。制造业企业通常不缺数据他们的PLM中保存着产品和零件数据ERP记录了供应商与成本信息MES连接着生产过程CRM还有客户与售后信息。然而现实是这些数据分散在不同系统中使用不同标准缺少统一语义也未必实时更新。西门子数字化工业软件总裁兼首席执行官Tony Hemmelgarn就指出“目前仍有约50%的客户在个人桌面或文件系统中管理自己的工程数据即使企业建立了数据湖其中保存的往往只是某个时间点的快照难以完整保留持续变化的产品配置和设计意图。”工业数据始终伴随版本、配置、权限和设计意图变化同一个零件装在哪款产品、属于哪个版本、由谁修改、会影响哪些工序这些关系并不会天然存在于一张数据表中。一份二十年前的旧文件如果被AI当成最新标准生成的答案越流畅潜在风险反而越大。第二个难题是概率模型如何进入一个强调确定性的工业世界。大模型擅长根据概率生成结果但芯片的热、电和机械结构机器人的动力学、寿命和可靠性汽车软件与处理器、网络、线束之间的关系都受物理规律约束。工业企业无法接受“基本正确”更不能让未经验证的答案直接进入生产。第三个难题是如何跨过POC与规模化应用之间的鸿沟。Tony Hemmelgarn和西门子数字化工业软件PLM产品执行副总裁Joe Bohman在接受媒体采访时提到了大量AI项目停滞的两个原因一是项目没有对准明确的业务结果由于缺乏对业务结果的聚焦很多客户没有围绕关键业务问题部署AI这导致大量AI项目停留在POC阶段二是很多企业的AI项目依赖外包团队如此不仅容易对服务团队形成依赖也使得企业没有把数据、流程和方法沉淀为自己的能力。而一个工业AI项目最终必须回答诸如“节省了多少能耗缩短了多少研发时间减少了多少样机提高了多少良率又避免了多少停机损失”等问题离开这些指标AI很容易成为一场效果不错、却无法复制的演示。数据要可信结果要确定项目还要能够复制这三道门槛明确了企业需求的变化——企业需要的不再是一个孤立的模型而是一套能够连接数据、工程工具和业务流程的系统。西门子ICX正是在这个背景下孕育而生。02 西门子ICX的AI演进路线智能体正在改变企业软件的使用方式。过去软件等待人发出指令Copilot出现后软件开始理解问题、推荐操作而在进入智能体阶段AI还需要沿着业务流程调用工具、修改数据并把任务交给下一个系统。这使数字主线变得更加重要Joe Bohman指出数字主线的核心并不是一条数据传输通道而是企业真实的业务流程。流程不会停留在某一套软件中它可能从PLM进入ERP再进入MES和售后服务系统智能体要跨系统工作就必须知道数据之间的关系也要知道自己处于流程中的哪一步。ICX因此没有被设计成一个大模型它实则是位于企业现有系统之上的AI编排层向下连接PLM、ERP、MES、CRM和OT数据向上管理模型、Agent与工作流并对每一次数据访问和智能体决策进行追踪。ICX平台首先需要建立企业的“上下文”。RapidMiner Graph Studio负责连接不同系统中的数据构建知识图谱和工业本体所谓工业本体就是让AI理解一个零件属于哪台设备、一次设计变更会影响哪些工序、设备故障又会进一步影响哪些订单和客户。它并不要求把所有数据简单搬进同一个数据库而是补上数据之间的关系、含义和业务语境对智能体而言这一层相当于企业地图没有地图模型知道得再多也不知道当前应该去哪里。第二部分是RapidMiner AI StudioRapidMiner AI Studio负责数据处理、AutoML建模、模型训练、部署和生命周期管理。传统制造企业往往不缺懂设备和工艺的人真正稀缺的是能够同时理解算法与工业现场的数据科学家RapidMiner AI Studio尝试降低这道门槛让工艺、质量和设备人员也可以参与模型开发在统一环境中完成数据准备、算法推荐、调优和管理。第三部分是Mendix。作为西门子的低代码平台Mendix承担了智能体和智能应用的开发、编排与治理任务企业可以把不同的智能体连接起来让它们按照数字主线分工并通过工作流进入真实业务。此外ICX还设置了统一治理层客户可以自带模型但模型和智能体必须在企业设定的权限与业务边界中运行每一次数据访问、模型推理和流程操作都应可追溯、可审计关键节点仍由人作出确认。按照西门子的设计ICX可以叠加在西门子已有的AI产品上也可以独立连接使用第三方OT设备的企业还可以作为通用企业智能体平台部署。不过Graph Studio、AI Studio和Mendix更像是ICX的大脑、知识底座与编排系统智能体要真正完成工业任务还需要能够调用成熟的工程软件西门子近年来也在推动PLM的智能化演进并将这一系列AI软件融入到了ICX体系中。Joe Bohman把这条演进路径按照更快的引擎、更智能的执行、可信赖的结果三方面进行了解释。最早进入PLM的AI主要解决单点效率问题Designcenter可以用AI生成图纸初稿使部分绘图任务效率提升约50%Teamcenter可以识别企业反复设计的相似零件减少重复制造AI让零件分类效率提高约10倍。随后AI开始以Copilot的形式进入工程师工作界面西门子从2019年起在Designcenter中加入了命令预测之后陆续增加拓扑优化、标注预测和语音命令如今这些AI能力每月被调用超过50万次。Designcenter Copilot进一步把产品文档和最佳实践放进工程师当前的设计环境帮助新员工理解复杂工具Teamcenter Copilot则把对话入口连接到企业内部的文档、需求、图纸和产品知识它调用的不是公共互联网信息而是经过权限管理的企业知识。这之后Copilot开始演变为智能体AI不只解释某项功能还可以创建工程变更、调用设计工具、分析配置影响并把任务沿数字主线交给制造或服务环节。从这个角度看ICX与西门子PLM被纳入了统一架构之下ICX提供统一的数据语境、模型管理和智能体编排Teamcenter、Designcenter、Simcenter和Opcenter则提供可执行的工程对象、物理模型和业务工具。大模型负责理解意图工业本体负责限定语境数字主线规定流程成熟工业软件完成执行和验证这正是西门子搭建企业智能体平台的基本逻辑。03 当ICX进入工业生产环境一套企业智能体平台是否成立最终还要看它进入真实的生产环境后能解决什么问题。在制造业平台架构画得再完整如果不能缩短研发周期、降低能耗、提高质量或减少停机时间仍然很难从试点走向规模化而康美包和理想汽车恰好展示了工业AI进入产品研发、工艺优化和工厂运营的路径。康美包解决的是能耗问题。这家无菌包装企业的一条产线每分钟运行约800米单个工厂年电费超过3000万元。最初24台核心设备只有5台电表数据保存在CSV文件中无法长期追溯。后来康美包把电表增加到100个覆盖关键设备并把能耗数据与生产数据打通在此过程中管理层很快提出了一个更实际的问题已经看到了所有设备的耗电排名后我们究竟应该从哪里省钱康美包随后利用ICX中的AI Studio建立起机器学习能力由自己的业务和数据人员参与模型开发最终使相关冷冻机项目实现约10%的节能效果。但令康美包亚太区IT总监顾贤哲印象最深刻的并不是训练模型而是为了补齐一个关键孔距数据五名工程师花了六个月安装和调试摄像头逐一解决振动、光线与精度问题。这也让康美包形成了一套六步法先定义业务目标再确定影响结果的变量检查数据是否存在补齐传感器和信息系统把IT、OT数据编排到同一时间和空间序列最后用AI结果反馈生产。机器学习由此从一个冷冻机项目扩展到吸管孔和色差等场景康美包也有了新的计划——把中国工厂积累的方法推广到全球约20座工厂。理想汽车则希望将世界模型和具身智能的理念引入到整个工厂中。理想汽车制造工程高级总监徐勉把理想汽车的AI路径分成“向左走”和“向右走”向左是在虚拟世界中重构知识、经验与流程让工程师借助AI Coding和自动化工具提高工艺开发效率向右则是让AI回到制造现场参与感知、决策、执行和反馈。理想汽车基于Teamcenter建设了产品和工艺数据体系在标准件装配环节一辆车包含70多种螺丝等标准件过去需要工程师逐一识别再选择动力工具、套筒和接杆并进行干涉验证如今的算法已经可以支持约45种标准件的自动检查和工具选择相关效率提升60%以上。在焊接环节一辆车包含四五千个焊点新车型进入生产后系统可以先与既有车型和170多万台车辆积累的数据进行比较相似度高于95%时直接调用最佳实践低于95%时再由算法生成初版工艺参数。理想汽车还尝试把生产线做成可以快速组合的模块过去一个工站进入现场后可能需要两个月调试现在设备、工艺和调试工作可以在合作伙伴处预先完成运到工厂后五天即可接入生产线。下一步理想汽车希望借助工业本体和ICX连接采购、制造、质量、物料与订单数据让AI评估一台设备故障会影响多少产能、哪些订单和哪些用户再反推问题来自产品设计、工艺设计还是维护环节。在看过康美包、理想汽车等切身实践后我们不难发现大模型只有在进入数据、工具和流程后才能成为生产力。西门子已经搭建起了ICX企业智能体平台接下来西门子需要做的是将基于ICX的这些分散在各个行业成功案例变成更多企业可复制的生产力。