智，在其间——施耐德电气以工业AI全栈解法开启数智新程

今年，“人工智能+制造”专项行动政策出台，为AI与制造业深度融合明确了实施路径，也标志着中国工业智能化迈入新的发展阶段。AI正逐步走出概念验证阶段，成为推动新型工业化发展、培育新质生产力的重要力量。

当前，工业AI的技术可行性正在越来越多的场景中得到验证，但多数制造企业仍处于单点试点和局部应用阶段。制约AI规模化落地的，不仅是技术模型本身，还包括支撑其持续运行和创造价值的底层能力，包括可信的数据基础、稳定的算力与能源支撑、与工业系统的深度融合能力，以及应用价值的验证与复制能力。在这一过程中，模型与应用层面所面临的挑战，往往是企业最直接感受到的瓶颈。

模型与应用层瓶颈：工业AI规模化面临的三重考验

数据不可信、模型不可靠、应用价值难验证与复制，AI便难以真正走出试点阶段。

首先是数据治理。数据质量参差不齐、“数据烟囱”林立、非结构化数据利用率不足，以及安全合规和标准体系碎片化等问题，都会影响AI应用效果。企业大量数据以文档、图像、音视频等形式存在，难以被模型高效利用；不同部门对同一对象的定义和描述缺乏统一标准，也增加了数据治理难度。同时，AI对实时数据的需求不断提升，传统批量处理模式正面临新的挑战。

其次是模型可靠性与信任问题。许多AI模型难以与现有MES系统以及工业控制软硬件环境深度融合，模型的准确性、稳定性和可验证性仍需进一步提升。对于制造企业而言，只有基于可靠数据的建模、分析和预测，并且将预测结果通过工业第一性原理验证之后，才能获得持续信任。

第三是场景验证与复制。ROI不清晰、业务融合不足以及案例复制难，成为工业AI规模化推广面临的普遍挑战。许多项目能够完成试点验证，却难以从单一场景推广至更多产线、工厂和业务环节。

三大能力：施耐德电气的“开放自动化×工业AI”实践路径

施耐德电气长期深耕产业，围绕上述挑战形成了清晰的实践路径：聚焦高价值场景，以开放自动化夯实可信数据基础，推动智能体与自动化深度融合，让AI更好地服务生产运营。

以开放自动化夯实数据基础，破解数据治理之困。构建可信、开放的数据基础，是工业AI发挥价值的重要前提。

在数据治理层面，施耐德电气以高质量、高时效、全覆盖、高语义和安全合规为衡量标准，围绕数据质量、实时性、标准统一、安全治理等关键问题，推动统一语义体系建设、知识图谱应用、主数据管理以及“数据+AI”一体化平台建设，为工业AI落地提供支撑。

数据治理之困，根源在于设备层与控制层的数据长期封闭于不同系统之中，IT与OT之间缺乏有效贯通。开放自动化通过开放标准、软件定义架构以及IT/OT融合，实现从数据采集、分析决策到控制执行的贯通协同。

在施耐德电气的架构中，现场设备与执行器接入EcoStruxure开放自动化平台（EAE），数据通过OPC UA、MQTT等开放协议实现流通，并围绕设备、工艺、能源等维度构建场景化数据关联体系。结合大模型、小模型、Harness框架及行业知识库，支撑工业AI应用在运营控制和管理优化等层面的落地。

这一数据能力建立在施耐德电气数十年积累的软硬件结合自动化技术基础之上。其中，历经多年迭代的EcoStruxure开放自动化平台（EAE），具备可移植、可扩展、可编排和可复用四大特性，并与AVEVA剑维软件等工业软件协同，支撑从设计、工程建设到运营优化的全生命周期数据管理。

推动智能体与自动化深度融合，破解模型可靠性难题。对于工业场景而言，AI的价值不仅体现在分析和预测，更在于能够与生产过程深度结合，辅助决策和运行优化。

施耐德电气推动智能体与工艺系统、自动化解决方案深度融合：工业解决方案为AI提供可靠数据，AI则为优化生产过程提供决策建议。开放自动化不仅提升数据可用性，也为AI与工艺和自动化系统融合创造条件。

这一思路已经在多个场景中得到应用。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，施耐德电气依托AVEVA Dynamic Simulation严格机理模型和PI System运营大数据平台，本地部署强化学习算法训练AI智能体，实现AI SOP优化。项目中，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，验证了AI在流程工业装置自主控制优化场景中的应用潜力。在“一带一路”中亚大型天然气化工项目中，过程控制系统自动组态与测试智能体BoroClaw通过预训练知识库与智能体能力，辅助测试、实施与诊断工作。通过自动识别配置文件、语音引导测试等方式提升调试效率，使AI能够在安全合规的前提下融入工程交付环节。

聚焦高价值场景，破解价值验证与复制难题。相比追求技术创新本身，聚焦业务痛点明确、价值预期清晰的场景，更有利于推动工业AI从试点验证走向规模化应用。

目前，施耐德电气已围绕生产管理、公用工程和供应链三大核心业务领域，形成覆盖安全、质量、效率、能耗与运营优化的丰富应用场景。

在生产管理领域，AI已应用于预测性维护、设备读数与异常检测、质量检测与关联分析、工艺参数优化、异常行为识别以及安全监测等场景；在公用工程领域，可应用于空压机负荷预测、空压站群控、能耗优化、电力负荷预测以及冷站智能运行；在供应链领域，则已应用于需求预测、库存优化、智能排程、物流路径优化、智能分拣和AGV调度等环节，推动生产与物流协同优化。

能力支撑价值落地，生态推动价值拓展。工业AI要从单点试点走向规模化推广，不仅需要技术能力支撑，也需要开放协同的产业生态。施耐德电气以数据融合、数据治理和数智赋能能力为基础，通过开放连接、场景共创和生态合作，推动更多成功经验沉淀、验证与复制。

全栈协同：支撑工业AI规模化发展

从更广阔的产业视角来看，工业AI的规模化应用不仅依赖模型与应用创新，也离不开能源、算力和基础设施等底层能力支撑。只有数据、算法、算力与工业场景协同发展，AI价值才能持续释放。

依托电气化、自动化与数智化的融合优势，施耐德电气持续推动从能源管理、工业基础设施到工业软件与自动化系统的协同创新，为工业AI从场景验证走向规模化应用提供支撑。通过连接底层电力与算力基础设施，以及上层数据、软件和工业场景，进一步推动工业智能化能力的持续拓展。

共赴工博之约 共启数智新程

2026年中国国际工业博览会开幕在即，施耐德电气将全方位展示迭代升级的软件定义自动化架构，以及AI等数智化创新成果，呈现赋能产业智能化升级的创新实践。

智，在其间。施耐德电气期待与更多产业伙伴携手，以开放连接筑基启智、以软件定义提效赋智、以工业AI驭变增智，共同推动工业智能化迈向更广泛、更深入的发展阶段。