领袖企业推动中国（新型工业化进程）高层论坛

2026年4月9日，由控制网（www.kongzhi. net）&《自动化博览》、OICT学院主办，中国仪器仪表行业协会、全国机械安全标准化技术委员会、全国工业过程测量控制和自动化标准化技术委员会、工业控制系统信息安全产业联盟平台、智能制造推进合作创新联盟协办的2026自动化产业年会暨第二十一届自动化产业世纪行活动在北京隆重举行。

“2026自动化产业年会”之领袖企业推动中国（新型工业化进程）高层论坛以“智驱新质 融创未来”为主题，在CEO巅峰对话中，  ABB运动控制事业部中国区北京基地负责人、ABB运动控制事业部服务业务单元中国区负责人邓志鑫，和利时集团中央研究院副院长兼流程工业事业群总工办主任黄劲松，大陆希望集团机电智能板块总经理、希望森兰科技股份有限公司总经理、希望深蓝空调制造有限公司总经理何建波，北京康吉森自动化技术股份有限公司总裁温宜明，菲尼克斯电气中国公司自动化副总裁郭禅禅，华为技术有限公司中国政企昇腾解决方案专家汪玮，围绕“发展新质生产力”与“工业AI规模化应用”两大核心议题，全方位探讨在新一轮科技革命和产业变革背景下，以智能技术驱动新质生产力发展，以融合创新开辟产业未来的新路径，共绘中国自动化产业发展的新蓝图。

内核之变：新质生产力重塑自动化逻辑 

发展新质生产力，既是落实“加快高水平科技自立自强”战略部署的务实举措，也是中国应对全球竞争、构筑发展新优势的必然选择。新质生产力对自动化行业而言，意味着从“效率工具”到“创新引擎”的根本性转变。在“内核”上，您认为这种“新质”最核心的体现是什么？在“实践”上，请结合贵公司最核心的战略布局与标志性成果，具体说明这种“新质”是如何通过产品或解决方案，在客户端落地为可衡量的竞争优势的？

邓志鑫

ABB运动控制事业部中国区北京基地负责人

ABB运动控制事业部服务业务单元中国区负责人

从ABB的视角出发，结合新质生产力的核心内涵，我们认为这为自动化行业开辟了一条从自动化迈向自主智能的上升通道。传统自动化主要依赖预设程序执行任务，而未来将逐步演进为具备自主决策、自主适配与自主优化能力的智能型生产力。ABB在落地实践中主要围绕以下几个维度展开：

第一，针对传统产业，我们助力企业实现能效升级。以工业电机为例，全球约45%的电力由工业电机消耗，其中配备变频器的电机占比不足25%。并非每台电机都需配置变频器，但若其中约一半能够加装变频器，将对节能增效产生显著推动作用。以风机、泵类应用为例，若采用配备变频器的电机，平均可节省约25%的能耗。

第二，面向新兴产业，我们致力于实现覆盖全生命周期的智能运维。对于新兴产业而言，设备与硬件的可靠性是基础，客户更期望获得贯穿全生命周期的智能运维支持。从ABB的实践来看，我们能够提供高可靠性设备，并融合算法与行业知识，为客户提供数据驱动的决策建议，助力实现更绿色、更经济、更安全、更可靠的目标，同时优化运行可靠性与成本控制。

第三，从ABB的整体战略出发，我们更希望提供涵盖产品硬件、软件平台及一站式服务的综合解决方案。 ABB在运动控制领域具有深厚积累， 结合我们对各行业的知识沉淀，已形成覆盖多个行业的数字化解决方案。这些方案通过多维度数据融合，结合机理模型与人工智能算法， 分析客户设备的运行状态与能耗表现，从而帮助客户延长设备使用寿命、减少非计划停机， 并实现节能增效。

黄劲松

和利时集团中央研究院副院长兼流程工业事业群总工办主任

对于自动化行业而言， 发展新质生产力的核心内核就是“AI+数据”，也就是以AI和数据为灵魂，让自动化系统具备“数据驱动、全域协同、自主决策、持续进化”的能力，彻底实现从“提效工具”到“产业创新核心引擎”的进化，其核心变革主要体现在以下三个方面：

（1）数据驱动与软件定义： 数据成为核心生产要素，数据驱动创新。软件定义自动化（IO、控制及应用），实现规模化定制。

（2）全域协同与自主运营： 彻底消除数据孤岛，打破部门/业务之间的壁垒，实现全域协同。通过针对生产运营过程的洞察、预知以及及时精准的行动，实现自主运营。

（3）智能决策与持续进化： 在现有生产装置的物理约束范围内，实现最优化的生产运营。并且实时进行绩效评估，找出差距和瓶颈，并且持续优化。

和利时于2025年6月18日发布XMagital全新可自由定义智能系统，并计划于今年的4月16日发布OCS 2.0工业控制系统，对传统的自动化架构进行了解耦与重构。

OCS 2 .0将工业以太网延伸到现场仪表端，实现自动化系统的全数字化以及生产现场过程数据、仪表设备基础数据和诊断数据的高速传输，为智能化应用提供实时的数据支撑。

XMagital通过多模态数据融合、管控一体化编排、任务一体化调度等关键技术，将传统的ISA95分层拼接式架构重构为扁平化的“1个平台+N个应用”协同的新框架模式。

实现AI与ICT和OT的有机融合，助力用户实现数字化转型，发展新质生产力，全面迈向“自由定义、自主运营”的新质时代。

何建波

大陆希望集团机电智能板块总经理

希望森兰科技股份有限公司总经理

希望深蓝空调制造有限公司总经理

关于希望集团在自动化行业中的角色应如何演变，我首先简要说明希望集团的定位。希望集团是由刘氏四兄弟于1982年创立的一家纯粹的民营企业。经过40余年的发展，希望集团已从第一产业延伸至第二产业、第三产业，横跨十余个行业门类和产业领域，在多个领域中，无论在中国还是全球范围内，均处于优秀或领先地位。

如果是在二十年前，将希望集团视为一家纯粹的农业企业并不为过。但如今，希望集团已不再局限于饲料产业——其饲料业务已是全球领先，养殖业务也是全国领先。在工业方面，集团涵盖电解铝、氧化铝、煤化工、多晶硅、盐化工及水泥等领域，年营业收入超过3000亿元。此外，集团产业还涉及地产、牛奶、小食品、工业医疗等多个领域。因此，希望集团早已超越农业产业的范畴。其次，关于新质生产力。自国家提出新质生产力以来，希望森兰便持续关注，并积极参与相关实践。我个人认为，新质生产力的理论探讨是专家的职责，而其落地实践则是企业的任务，企业拥有大量可实施新质生产力的场景。新质生产力的核心在于企业持续进行技术创新，不断满足用户需求，从而与用户建立更紧密的联系。

过去，我们主要追求帮助用户节约能源；如今，这一目标已有所拓展。我们不仅关注节能，更自主研发工业自动化控制平台、数字化软件管理平台，帮助用户解决实际问题。例如，在油田抽油机智能控制方面，我们开发出目前中国最具竞争力的“功图系统”，帮助用户省去大量边缘设备，降低生产、维护成本，同时实现对油井运行状况的实时感知。以往我们仅停留在驱动控制层面，现在我们通过物联网、大数据、边缘计算及数字化综合解决方案，不仅让用户满意，更让他们感到惊喜。这正是自动化企业与实体企业应着力推进的方向，我们也将持续在新质生产力领域进行落地与实践。

温宜明

北京康吉森自动化技术股份有限公司总裁

从我的视角来看， 发展新质生产力， 对中国自动化行业而言， 本质是“自主可控”与“智能融合”的双轮驱动， 以自主创新能力构筑产业安全根基，以人工智能等前沿技术深度赋能生产全链路。

在“实践”层面，康吉森股份深耕流程工业自动化领域近30年，“安全+智能”是康吉森股份的核心战略。“新质”赋予的竞争优势主要体现在如下三个方面：

第一， 打造“自主可控”的全国产化产品矩阵。 一提到康吉森股份，行业里对我们的第一印象是安全仪表系统和机组控制系统， 康吉森股份旗下的吴忠仪表是阀门本土领先品牌，康吉森股份给人的直观感觉是 一 个“偏科生”， 但其实我们是一个“全科生”。 除 了100%自主可控的安全仪表系统、机组控制系统、高端阀门外 ，我 们还拥有100%自主 可控的工厂智能中枢软件平台、分布式控制系统、基于工艺数字孪生技术的模拟软件家族等。举几个具体的例子： 康吉森股份旗下圣泰软件的工艺数字孪生技术模拟软件家族已经实现了国外主流模拟软件的国产化替代案例， 包括Aspen Plus&Hy sys/AspenTech， PROII/Ave va， PetroSim/KBC， UniSim/Honeywell。大唐集团中新能化全厂级控制系统MAV长协采购项目是国内大型能源央企首个全厂级控制系统（DCS、CCS、SIS、GDS） 100%国产化改造标杆项目，总规模超10万点。国家能源集团神华包头煤制烯烃升级示范项目全面部署了康吉森股份自主研发的安全仪表控制系统和机组控制系统共三十余套，实现了煤化工领域安全及关键控制系统的100%自主可控。

第二，以AI技术驱动工艺和生产的智能化升级。康吉森股份将广泛应用的大型机组管控一体化系统（ITCM）与AI技术相结合，可实现机组的预测性维护、能效分析、节能潜力智能评价与节能优化方案的自主执行。康吉森股份于2025年用户大会上正式发布了自主研发的全新一代工艺孪生智能体 —— SimTech Intelligence。该智能体深度融合了行业大模型与高精度流程模拟引擎，实时结合生产装置运行数据构建动态工艺孪生体，广泛应用于工艺方案评估、工艺参数优化等场景。

第三，攻坚高端控制阀门国产化替代。面对高端控制阀国产化在基础原材料、超精密加工、多参数耦合工况、可靠性评估、全尺寸试验验证等诸多难点，子公司吴忠仪表构建了以国家工程研究中心、院士工作站为核心的高水平创新平台，聚焦深海、核电、新型储能等国家重大工程、大科学装置需求，开展技术攻关。研制出深海1500米环境下耐用60年的水下控制阀以及耐受1700℃高温的燃气轮机燃烧室背压排气阀，填补了国内空白；中核徐大堡核电VVER机组项目中，吴忠仪表供货600多台核级调节阀成功替代进口产品。国家管网沈阳计量站DN800轴流式调压装置、华北油田苏北储气库39MPa注气采气双向轴流式调节阀等产品，成功替代进口，为国家能源安全提供了坚实保障。

展望未来，康吉森股份将持续深耕“安全+智能”双赛道， 助力中国流程工业实现从“跟随”到“领跑”的跨越式发展。我们坚信，只有将“内核”突破与“实践”落地紧密结合，才能真正让新质生产力在客户端转化为可量化的核心竞争力！

郭禅禅

菲尼克斯电气中国公司自动化副总裁

我认为，新技术必须在产业中带来高质量发展，这正是新质生产力的重要意义所在。借此机会，我想结合菲尼克斯的产品与解决方案，介绍我们如何推动新质生产力的落地。我想重点介绍菲尼克斯的控制系统。众所周知，控制系统对各类产业的生产—无论是新兴产业、传统产业还是未来产业—都至关重要。在生产过程中，高效、高速、高精度以及柔性化生产尤为关键。菲尼克斯已推出相应的新产品。

目前市场上大多数控制系统厂商所提供的产品，通常将开发平台、操作系统与硬件三者高度融合，形成强关联、强绑定的系统化架构。这类产品和技术的生命周期较长，从研发到退市通常超过20年。由于早期耦合度极高，系统的更新迭代速度非常缓慢，这是当前面临的主要问题。基于这一现状，菲尼克斯提出了新的技术路线。经过长期研发，我们推出了PLCnext新一代控制系统，其主要特点包括：

第一， 开放性。该系统兼容多种编程语言及第三方软件，无论是Linux操作系统，还是通过虚拟化技术支持的Windows等各类操作系统，均能兼容异构平台。第二，信息安全。信息安全在当前环境中具有极高的重要性。第三，虚拟化PLC技术。无论是软件定义控制，还是软硬结合，该技术都展现出显著优势。我们在产品研发及多行业应用过程中，实现了硬件的快速迭代。例如， 在3至5年内即可基于标准化平台完成迭代，软件功能高度灵活，能够轻松适应新的控制系统架构。云边端架构可部署于云端或边缘端，对现有产业具有重要助益。

在硬件成本节约及长期快速迭代方面，虚拟化PLC具备一个关键特点，即实现IT与OT的融合。由于可部署于边缘端或云端， 因此能够便捷地将IT与OT整合在一起。传统控制系统硬件资源相对有限，而当前AI与数据获取日益普及。借助虚拟化PLC，基于标准化计算机硬件平台，可高效存储大量数据，实现DT（数据技术）与IT、OT的融合。数据的获取离不开CT（通信技术），因此我们提出IT、OT、CT与DT四者融合的架构，从而更充分地利用AI技术，以及将数据作为新生产要素的相关方法。目前， PLCnext系统已在储能、物流等多个行业得到应用，为用户带来了新的能力与商业模式。

汪玮

华为技术有限公司中国政企昇腾解决方案专家

我想分享个人在新质生产力概念方面的思考历程。首先，我在ICT领域拥有约22年的工作经验，其中在华为公司工作15年。2017年，我被派往海外研究所，从事深度学习与人工智能领域的洞察与研究，是公司最早一批从事深度学习AI的人员之一。公司之所以决心大力发展深度学习， 与2016年AlphaGo与李世石的对弈密切相关。此后，华为在海外建立了多个研究所，我在海外工作七年。去年1月， 我回到国内，加入中国政企团队，协助各企业制定AI转型规划与落地实施方案， 并参与部分中央及国有企业“十五五”规划的编写工作。

关于新质生产力，我从去年1月回国后便开始系统思考。由于长期深耕该领域，我深知技术本身的局限性。许多人认为，以往难以解决的问题，未来只需将AI嵌入大模型便可迎刃而解。这种氛围让我感到忧虑：若继续传播“AI万能”的理念，却缺乏真正落地的成果， AI可能沦为泡沫。为此，我与多个大模型持续对话，不仅阐述自己的观点，还要求模型对我的看法进行反驳与指正。经过反复论证，我最终得出的结论是： AI是新质生产力，是第四次工业革命，并且很可能是人类最后一次工业革命。这一结论建立在大量与大模型对话和推演的基础上，具体过程在此不再展开。

回归到新质生产力，我认为其“新”体现在三个层面。第一，与过去相比，生产资料的形态与生产关系发生了根本性变化， 这一点不再赘述。第二，“新”体现在技术与社会的关系上。OpenAI的创始人曾指出，前几次工业革命中，人与技术是逐步协同演进的，社会有足够时间做好准备。而人工智能时代的到来是排山倒海式的，社会尚未充分准备。我认为这是一种全新的时代特征。第三， 许多既有思路与理念需要变革。过去，我们常讲SaaS（Software as a Service），即企业将自己的专业知识与能力封装为软件或解决方案出售给客户。在中国， SaaS模式发展较为困难。而在人工智能时代，有可能催生一种新型SaaS模式。其核心理念在于，人工智能或大模型是一项几乎没有边际成本的技术。过去， 一家专注于财务报表服务的财经公司，无法帮助钢铁企业或发电企业提升效益。

但在未来， 掌握了人工智能方法论的企业，有可能将能力应用于千行百业。这一点在华为已有实践。去年回国后，我走访了发电企业、输电企业、汽车制造企业，甚至养猪企业，这与刚才集团领导的观察高度契合。过去，大家对华为的印象多停留在通信公司。但自2005年起，华为便开始推进数字化，人工智能时代则进一步迈向智能化。我们将过去二十年的经验总结为“七步法”以及“三层、五阶、八步”等落地方法论，从而赋能千行百业。我们践行一种新型SaaS理念——不单纯强调提供何种解决方案或软件，而是面向客户承诺可量化的价值。例如，对养猪企业，我们表示可以助力其每公斤猪肉出栏上市成本降低一元；对发电企业，我们承诺帮助其每一度电实现端到端的一元成本节约。这种以实际效益为衡量标准的服务模式，在中国市场更易被接受。我们提供的是全套赋能服务，依据为客户节省或增收的部分获取相应回报，客户也更愿意接受这种合作方式。我认为， 这正是新质生产力中“新理念”的体现。

破局之道：共探工业AI规模化应用路径 

当前AI在工业领域的应用仍以“点状突破”为主，真正实现规模化价值创造面临诸多障碍。基于贵公司的实践观察，要实现AI在工业领域的规模化应用，您认为必须突破的关键瓶颈是什么？贵公司采取了哪些措施来加速AI价值的规模化释放？

汪 玮：我们最终总结出的方法论源于华为自2005年开始的数字化进程。人工智能出现后，我们进一步推动数字化与智能化的融合转型。自去年年初，华为正式将该方法论体系向市场推广并赋能企业。华为总结出一套包含七个关键步骤的方法论：定战略、立架构、强组织、找场景、保落地、抓运营、做治理。在这七步中，我们确保每一个环节都能落地实施， 并配套有“三层、五阶、八步”的详细操作框架，形成端到端的全流程保障体系。每一步都设有明确的北极星指标，达到该指标即意味着完成既定目标。由于内容较为庞杂，在此无法逐一详述。

以“保落地”为例， 看似简单的三个字，在人工智能领域却涉及多方面因素。例如， 一套解决方案在概念验证（POC）阶段表现良好，但一旦进入生产环境，效果往往大打折扣。原因在于，生产环境复杂多变，而POC阶段所使用的数据通常经过清洗，较为干净，效果自然理想。真正落地时，需要从上至下逐步梳理业务流、数据流与应用流的具体情况。

以养猪企业为例， 他们开发了 一套根据猪只近期体重增长动态调整饲料配比的算法，并拥有自动化饲料生产工厂，能够精确计算豆粕与玉米的比例，但始终无法推进实施。原因在于，该算法需要准确获取每头猪的每日体重数据，而实际数据却依赖饲养员手工填报。许多饲养员责任心不足， 填报数据往往一成不变，例如今天300斤、明天仍是300斤。在这种情况下，智能化或自动化系统难以真正发挥作用。再以汽车企业为例， 车企拥有一套强大的营销推荐算法，但每日需要查看4S店客户意向数据，而这些数据同样由销售人员手工填写。结果常出现购车客户年龄显示为十几岁甚至一百多岁的情况，数据质量堪忧。不同阶段需要深入理解业务本质，并建立明确的价值评估依据。

曾有一家企业希望我们开发自动报销系统，声称该系统可为每人每天节省约5分钟时间。我们与其分析：节省5分钟的实际意义何在？员工原本可能用这部分时间核查或阅读，企业是否真正获得效益？经过深入研讨业务流程与公司制度，我们发现真正的瓶颈在于出差合理性审核。于是，我们为其制定了端到端的智能化出差审批方案，重点关注各地区的效益与营业额。例如，当季应优先安排员工前往效益最佳的区域出差，若出差方向相反，系统将自动告警，审批人需判断其合理性。此外，企业规定出差不得入住景区周边酒店，此类细节同样纳入管理。我们认为，只有将审批与审核过程真正自动化，才能有效提升企业效率并实现落地。

在工业质检领域， 我们已成功提供瑕疵检测解决方案，能够识别各类大小瑕疵。但我们进一步与企业探讨：检测到瑕疵时，瑕疵已经发生，物料损失也已造成。更有效的做法应是规范装配动作。例如，某工艺要求打三圈半螺丝后再回半圈，以满足物理与应力要求。然而，许多工人为省事，只打三圈便结束。若AI监测能够覆盖这一操作环节，相信质量检测将提升至损失发生之前，实现预防性管理。

郭禅禅：众所周知，AI技术有望赋能千行百业。作为一家工业自动化企业，在探讨AI如何赋能产业时， 我们首先需要正视其中的主要挑战。我认为，AI技术在工业领域的落地仍面临诸多困难，主要体现在以下三个方面。

第一， 工业环境对控制系统的实时性、可靠性和安全性具有极高要求，而当前AI技术在这些方面尚存在一定差距。

第二， AI在工业中的应用需要大量数据，尤其是高质量、有效的工业数据。然而，许多工业企业已将数据视为核心资产并加以严格保护，如何获取这些数据成为一大挑战。此外，数据需要大量标注工作， 深度学习对此尤为依赖。更重要的是，许多工业数据与具体应用场景强相关， 不仅涉及单个数据点，还与工艺流程及多种数学、物理模型紧密耦合。

第三，传统工业自动化领域的工程师对AI技术的了解相对有限。要将AI应用于特定场景或产业， 需要同时掌握AI技术、自动化技术及工艺知识，而目前在工业自动化领域，具备跨学科能力的人才仍然匮乏。

针对上述三大挑战，菲尼克斯采取了相应的解决策略。

对于第一个挑战， 我们继续沿用原有自动控制实时系统来保障实时性与安全性。例如，前文提到的虚拟化PLC （VPLC）部署在边缘端，一方面处理对实时性和安全性要求较高的任务，另一方面可收集大量数据，无论这些数据存储在本地还是云端，均可用于模型训练。

对于第二个挑战， 即数据相关问题，菲尼克斯推出了专用的AI硬件模块—MLnext。该模块部署在本地，可将训练好的模型直接下载到边缘端，用于工艺优化或AI应用， 对现场应用工程师而言操作相对简便。

对于第三个挑战， 即人才问题，我们在南京建立了强大的AI团队， 并与传统自动化应用工程师团队深度融合，针对特定行业与应用场景开展实践。目前，我们在预测性维护等领域积累了较多成功案例。需要强调的是，我们并未在工业领域大规模采用通用大模型，因为其泛化能力目前仍有限。AI真正进入工业尚需时日，面临诸多挑战。我们的策略是聚焦特定领域，组建专业团队，依托相关产品，在特定应用场景中持续优化与迭代， 帮助客户利用AI技术赋能产业。

温宜明：在讨论如何推动规模化落地之前，我想分析一下过程自动化行业在实现规模化落地过程中所面临的挑战或瓶颈。其瓶颈并非单一的技术难题，而是一个交织着数据、模型、系统、安全、人才与组织的多维度挑战， 核心在于实现“可靠、可信、可解释”的工业智能，而非简单堆砌通用AI技术。

第一，数据瓶颈。正如前面郭总所提，自动化行业存在明显的数据孤岛与碎片化问题，工业数据分散在不同系统中，系统间接口不统一，形成大量数据孤岛，难以融合利用。同时工业数据普遍存在噪声、格式混乱、标注不足等问题，加之企业对数据安全、工艺保密的顾虑，共享意愿普遍不高，制约了高质量数据集的形成。

第二， 模型瓶颈。首先是“机器幻觉”与机理脱节的问题， 通用AI模型缺乏对物理化学规律的约束，其不确定性与工业系统对零容错的严苛要求相矛盾。AI必须与工业机理深度融合， 成为“懂物理、守规矩”的专家。此外，模型还面临OOV（Out of-Vocabulary）问题， 泛化能力弱， 迁移成本高。同时，“黑箱”决策缺乏可解释性，内部决策过程不透明，需要明确决策依据的工业场景难以信服其输出的可靠性。

第三，集成与部署瓶颈。  AI与生产控制相互割裂， 大部分AI应用止步于提供预警或建议，未能与控制系统实现闭环联动，无法直接将分析结果转化为实际控制指令，阻碍了智能化的实质性推进。此外，如何在不影响生产的前提下， 将“老设备”与新AI系统安全高效地集成，即与老旧系统的整合也是巨大工程挑战。

第四， 安全与信任瓶颈。零容错是流程工业的安全红线，AI模型的任何误判都可能引发重大安全事故，  AI 一次误操作导致的损失可能远超千百次优化的收益，企业对新技术的应用尤为审慎。而且业界普遍对AI的可靠性持观望态度，许多AI试点项目在演示阶段表现良好，但在全面推广时效果却远不如试点。另外AI应用涉及大量核心工艺参数等敏感数据，企业对其泄露风险也极为担忧。

最后是人才与组织瓶颈。目前复合型人才极度匮乏，同时精通生产工艺（OT）和人工智能技术（IT）的复合型人才极为稀缺， 导致企业在AI应用上进展缓慢。大量企业对于AI能带来什么、如何应用仍处于认知模糊阶段。而研发、部署和维护成本又相对较高，对于许多企业而言其投资回报率尚不明朗导致处于“不敢投”状态。

要实现AI在过程工业的规模化应用，需要一场系统性变革。我们也在针对上述规模化瓶颈做一些工作。 一是构建高质量工业数据生态，以统一的数据标准提高数据清洗和标注的效率；二是发展“数据+机理”融合模型，我们更倾向于用世界模型作为过程工业应用的底层模型而不是大模型。这样就可以将物理规律建模和因果关系理解嵌入AI模型，打造可靠、可解释的“工业世界模型”。2025年康吉森在用户大会上发布了基于双脑模型的工厂智能中枢，采用的就是“数据+机理”融合方式；三是推动“AI+工业软件/控制系统”一体化，通过API、微服务等软件技术实现AI与现有系统的无缝集成； 四是分阶段建立信任，既然信任的建立和技术的发展存在着客观规律，那就尊重规律，沿着“离线分析-决策支持-人工监督-自主控制”的递进路径，稳妥推进AI应用；五是系统性培养复合型人才，这对企业来讲有些困难，但企业必须建设一支“懂工业、会AI”的人才队伍。  AI在过程工业的规模化，本质上是工业知识与数字智能深度融合的过程，需要技术突破、机制创新与组织变革的多方协同。

何建波：近两年，人工智能无疑是最热门、最受关注的话题。我认为AI智能体层出不穷，令人眼花缭乱，无论收费还是免费。这让我想起一句老话：钱不是万能的， 但没有钱是万万不能的。对于AI，我的理解是：AI不是万能的， 但不懂AI在当今时代也是万万不行的。

在自动化行业与实体经济中， 我们更加注重安全与可靠性。错误的指令可能对企业与用户造成无法挽回的损失。然而，实体经济确实需要在多个环节引入AI， 例如研发系统、生产管理系统、物流系统、行政系统以及农业经济等。目前，我们已拥有大量农业工厂和大规模生产机器人。以希望集团的养殖企业为例，在湖北，我参观了两个号称全球最奢华的“猪公馆”，完全实现自动化养猪，恒温、恒湿、自动上料。老板最初的理念是希望像生产苹果手机一样进行养猪生产。可以说，在希望的养殖企业中，我们大量引进机器人与先进技术，以提升养殖安全与整体效率。因此，AI确实能够为企业赋能， 关键在于如何正确运用。

我记得有一次从国外回来后感冒了。以往的做法是直接找医生，而这次我尝试向AI咨询症状和处理方法。  AI分析了我的情况并建议用药，但最后总有一句话：“意见仅供参考，请尊重专业医师的建议。”显然，它不会承担责任。然而，AI能够从海量数据中分析，帮助我们找到更好的思考方法。我们可以将其作为参考，而非最终决策依据。因此，在很多方面，我认为人工智能无法替代人类。

我的理解是，尽管目前我们仍处于融合的初期阶段，但作为企业与实体经济主体， 我们必须积极拥抱AI，保持热爱。为此，我们集团设立了培训中心，每当有先进的技术出现，都会先组织学习，随后对相关部门和行业进行培训。我们一直采用这种方式，因为自学效果有时不理想。最近我还关注了许多关于养龙虾的项目，曾考虑是否需要引入数字员工，但最终决定不涉足，因为养龙虾也存在诸多问题，暂时尚未找到解决方案。

总体而言，我认为企业拥抱AI对实体经济一定是赋能的。未来，我们将发现更多更好的机会点，提升效率与服务品质。我们企业确实做了许多落地实践。例如，最初我们在讲解PPT时尝试使用数字人进行讲解，但发现数字人讲解缺乏真实感—无论选择美女还是帅哥，听几次后便会感到不适。最终，我们还是换回真人讲解。我们一直在进行各种尝试。

黄劲松：当前要实现AI在工业领域的规模化应用主要面临数据、技术和人才三大瓶颈。

（1）数据瓶颈

· 数据孤岛、多源异构、无统一标准，70%数据未激活；

· 有效的样本稀缺、标注成本高、质量差、安全顾虑高；

· 老旧设备无数据接口，改造代价大。

（2）技术瓶颈

· 纯数据驱动无机理约束，黑箱不可解释、幻觉风险、可靠性不足（工业领域要求99.9999%确定性，对风险的“零容忍”）；

· 模型泛化能力差、跨装置/工厂难复用，边缘算力/实时性不足；

· 与现有系统集成复杂，定制化成本高；

· 投入大、ROI模糊，中小企业难以承受。

（3）人才瓶颈

· 传统的“单一技能型”人才与当今“工艺 + 数字化”复合型人才需求出现严重错配。缺乏既懂工艺又懂AI的复合型人才，造成业务与技术脱节。特别是中小企业更为严重。

和利时推出的XMagital全新可自由定义智能系统，具有原生融合、开放生态、全面智能的特征，可以帮助用户有效地应对AI在工业中规模化应用的挑战，主要表现在：

（1）通过统一的基础平台和数据底座，实现智能应用的即插即用。

（2）AI赋能工程设计， AI优化生产运营，多智能体协同。

（3） 低代码开发， 可视化组态，拖拽式设计，降低70%开发门槛。

（4） 生态开放，共同创新， 支持第三方扩展。

邓志鑫：结合各位同仁的分享， 我深感我们在AI工业应用中的痛点与挑战高度相似。在此，我主要介绍ABB在面对这些问题与困难时所进行的尝试和采取的措施。

从数据维度来看，我们遇到的主要问题并非数据量不足，而是数据量过大。在此背景下，数据质量变得尤为关键。我们需要的，是能够理解场景、具备落地价值的高质量数据。为此，ABB通过与客户深度绑定、联合开发，以及长期、持续地深入客户的生产与运营过程，来获取这类高质量数据。在利用这些数据时，我们必须深入了解设备、工艺和行业特性，从而将AI工业应用真正转化为业务工具，而不仅仅是技术演示。

在数据安全方面， 由于许多关键客户的数据不允许出厂， 我们的解决策略是构建一个高度开放的ABB生态系统。客户既可以使用ABB的云端服务，也可以通过“云对云”的方式与ABB对接，还可以选择本地部署。目前，在我们的运动控制数字化方案中，超过一半的项目采用本地部署， 数据完全保留在客户端。同时， 我们的数字化平台Motion365数字化传动链状态监测系统获得公安部核准颁发的《信息系统安全等级保护三级备案证明》，这是国家对其他非银行组织外的网络信息安全的最高级别认证，这进一步增强了客户在安全方面对ABB的信任。

我们认为，解决方案的可复制性和规模化能力，与复合型人才密切相关。 ABB的优势在于装机量大。截至去年年底，中国市场已有1,400万台ABB传动变频器及高效电机在运行，这些设备几乎覆盖了各行各业的客户。依托这一庞大的装机基础，我们能够持续沉淀行业模型与算法能力，形成可复制的技术基础。在重点选择的行业中，我们构建了行业数字化方案框架。基于这一框架，行业内多数客户的核心需求具有高度共性，我们只需根据客户的工艺特点和要求进行约20%至30%的微调，即可实现快速部署与实施，使客户能够迅速获取价值， 这构成了实现规模化的重要条件。

我们认为，AI工业应用必须形成闭环， 即将AI应用所带来的价值放大化。对客户而言，他们关注的并非AI算法的技术先进性，而是方案能否交付可感知、可认可的价值，这一点至关重要。 ABB的数字化运动控制方案不仅具备监控、预测和分析能力，更作为一个覆盖全生命周期的服务方案，能够帮助客户发现问题、分析问题，并最终高效、高质量地解决问题。我们在全国近50个城市设立了超过170个传动服务站，能够快速响应客户需求，并承诺在一天内到达现场帮助解决问题，客户的体验非常好。

以供热行业为例， 我们在新疆天富能源项目中，面对2,000多台变频器（涵盖多个品牌，但我们的算法不依赖于特定品牌），通过对这些变频器的实时数据结合AI算法进行分析， 帮助客户实现了能耗诊断、预测与节能决策。客户的使用体验非常好。在应用方案的第一年，该项目就取得了显著的节能增效成果： 当年帮助客户节省标准煤约7万吨，减少二氧化碳排放18万吨，减少二氧化硫排放约600吨，单位供热能耗下降约7%。客户对方案价值给予了高度认可。正是这种可验证的价值，使得客户愿意在其他场景中进行复制与付费。以上是ABB在实践中的一些体会。

摘自《自动化博览》2026年5月刊