2026年，工業AI正在進入一個微妙的階段。

過去兩年，行業討論更多集中在AI能做什么，AI能不能輔助設計、能不能做預測性維護、能不能自動生成代碼、能不能幫助工程師分析數據。

一個又一個概念驗證項目，讓AI快速進入制造企業。但到了今天，AI已經進入工業企業，為什么真正形成規模化生產力的案例依然不夠多？8月11日至12日，西門子大中華區Realize LIVE用戶大會在深圳舉行，我們認為這場會議提供了一個觀察全球工業AI下一階段走向的窗口。

我們總結下來，這次大會西門子反復強調了三個判斷。AI應用很多，但真正創造工業價值的不多；企業數據很多，但背后的工程知識仍然碎片化；AI試點不少，但從單點應用走向規模化仍然困難。

在現場交流中，西門子工業軟件中國董事長及總經理梁乃明也明確表示，中國企業對AI的接受度很高，創新和應用速度也非常快，但在推動工業AI落地過程中，仍然面臨“工業價值難以真正釋放、數據大量存在但仍然碎片化、試點能夠成功但規模化仍然困難”三個普遍挑戰。

西門子工業軟件中國董事長及總經理 梁乃明

正是此次Realize LIVE，我們看到西門子正在將工業AI從一個個漂亮的Demo，真正變成企業日常工作的一部分。

一、工業AI真正的難題是如何產生“生產力”價值

中國制造業對AI的接受速度并不慢。

在此次交流中，針對中國企業與海外客戶在AI落地方面是否存在差異的問題，梁乃明給出的判斷并不是中國企業缺少AI能力，恰恰相反，他認為中國企業對AI的接受度很高，創新和應用速度也非常快。

但速度快并不意味著AI已經真正創造了價值。梁乃明表示，中國企業當前面臨的第一個普遍挑戰，就是“工業價值難以真正釋放”。企業并不缺少AI工具或者應用構想，真正的挑戰在于，如何讓AI深入具體工業場景，解決實際問題，并創造可衡量的業務價值。

這其實是工業AI與消費級AI最大的區別之一。

一個通用AI回答得好不好，通常首先是效率問題；但當AI參與產品設計、工程仿真、生產制造或者設備運營時，它面對的是一個高度復雜、強約束、需要承擔工程責任的現實世界。

一個模型能夠生成答案，并不意味著這個答案可以直接進入生產流程。因此，工業AI的第一個門檻從來不是模型夠不夠聰明，而是企業有沒有把AI真正放進有價值的工作流程里。這也是為什么西門子此次大會沒有把AI單純作為一個新的功能模塊來討論，而是不斷強調數字孿生、數字主線、工業軟件和AI之間的連接。

過去我們看到很多企業可能會問：“我們能不能用AI解決這個問題？”現在我們認為企業更應該問的是：“AI解決這個問題之后，能不能真正改變這項工作的方式？”這兩者看起來只有一層區別，實際上對應的是工業AI從“試點”走向“生產力”的分水嶺。

二、企業不是沒有數據，而是AI還沒有真正“理解”工業

工業AI遇到的第二個問題，是數據。但這里存在一個很容易被行業誤解的地方，很多制造企業并不是沒有數據。相反，大型制造企業往往擁有海量數據。PLM里面有設計、零件和BOM，ERP里面有物料、庫存和訂單，MES里面有生產數據，CRM里面有客戶和服務信息，設備側還有大量IoT數據。這些數據長期分散在不同系統和業務流程中。更麻煩的是，數據本身并不等于工業知識。

我們試想一下，AI看到零件A、物料B、設備C，并不意味著它理解三者之間是什么關系；即便知道關系，也不意味著它知道為什么這個零件必須使用某種材料、為什么某一道工藝不能調整，以及某個工程變更會影響后續哪些生產流程。

梁乃明將這一問題概括為“數據很多，但知識碎片化”。他表示，很多中國企業已經積累了豐富的研發、制造和運營數據，但這些數據分散在不同系統和業務流程中，背后的工程知識、行業經驗和業務邏輯尚未得到充分連接和利用。

企業真正需要的不是更多Data，而是Context，也就是上下文。所以，西門子此次把“工業本體”放到了非常重要的位置。

西門子數字化工業軟件PLM產品執行副總裁Joe Bohman表示，企業的業務流程并不局限在某一個系統內部，而是在不同系統之間流動，因此需要通過工業本體、知識圖譜等能力，把不同系統中的數據和業務關系連接起來。

西門子數字化工業軟件 PLM 產品執行副總裁 Joe Bohman

西門子希望通過Graph Studio構建知識圖譜能力，再通過Industrial Ontologies將PLM、ERP、CRM等系統中的數據關系進一步組織起來。過去企業是在管理數據，現在開始進入組織知識的階段。

而AI真正能夠進入工業流程的前提，是它理解的不再是一張張孤立的數據表，而是一個完整的工業世界。

西門子數字化工業軟件總裁兼首席執行官Tony Hemmelgarn進一步揭示了這一邏輯背后的數據戰略。他強調，工業AI所依賴的可信數據，必須滿足實時性與設計意圖，在制造與工程領域，AI必須基于實時更新的配置數據，而非靜態的歷史快照。更重要的是，系統必須理解數據的“設計意圖”，即這個零件為何這樣設計、那道工藝為何不能調整。這些工程上下文是導入數據湖的普通快照所不具備的。

西門子數字化工業軟件總裁兼首席執行官Tony Hemmelgarn

三、Intelligence Center X是能真正解決問題的“朋友”

我們認為，Intelligence Center X是此次Realize LIVE最值得關注的產品。

6月在底特律舉行的Realize LIVE Americas大會上，西門子正式發布Intelligence Center X；此次深圳大會則進一步將這一產品帶入中國市場，現場設置了專門的產品分會場和實訓課堂。

如果只是把Intelligence Center X理解成又一個工業AI平臺，其實低估了西門子的意圖。

Joe Bohman在現場介紹時，將Intelligence Center X定位為企業級智能體開發平臺。其核心并不是再做一個孤立的AI應用，而是讓企業能夠在統一環境中連接數據、模型、知識和業務流程，并根據自身工作環境進行定制化開發。

從架構上看，Intelligence Center X由多個能力共同構成：Mendix負責低代碼開發，Graph Studio負責知識圖譜和數據關系，AI Studio提供機器學習和預測能力，而工業本體則負責建立不同企業數據之間的語義關系。

更重要的是，它還可以進一步連接Teamcenter、Designcenter、Simcenter、Opcenter等西門子工業軟件。如果工業AI仍然采用“一個項目對應一個場景”的方式交付，那么企業很容易陷入一個循環：一個工廠做成了AI項目，另一個工廠還要重新做一遍；一個部門做出了Agent，另一個部門仍然需要重新開發。

工業AI真正的規模化，不能靠無限增加項目數量實現，它必須擁有一個可以復用的底座。西門子試圖做的，就是把數據、知識、模型、Agent和治理能力沉淀在這個底座上，讓企業可以在同一平臺上不斷增加新的應用。

從這個角度看，Intelligence Center X真正解決的是一個成功的AI應用能不能復制到更多業務、更多部門乃至更多工廠。這也正好對應了西門子對于中國工業AI第三個挑戰的判斷“試點很多，但規模化很難”。

過去的軟件，本質上是“人使用工具”。工程師打開CAD進行設計，打開PLM管理數據，再進入仿真軟件進行驗證，隨后通過MES、ERP等系統完成制造和運營。

而Agent出現以后，這個變化會是顛覆性的。Joe Bohman在現場展示了智能體參與工程變更的場景，智能體可以在數字主線中識別任務、創建工程變更通知，并進一步進入設計環節，定位有問題的模塊，調整設計并更新方案。

這意味著工業軟件未來可能不再只是“被工程師操作”，而開始參與工程師的工作。人提出目標，AI理解上下文，調用軟件和數據完成任務，再由人進行確認。

對于Agent進廠的安全性，西門子也是有所考量。Joe Bohman在談到Agent安全問題時強調，西門子堅持Human-in-the-loop原則，在軟件、流程和步驟中保留人工審核，同時允許客戶使用自己的模型，并通過Intelligence Center X進行治理。

所以，工業系統最終需要的不是一個“敢做決定”的AI，而是一個可追溯、可驗證、可控制的AI。工業AI的核心競爭力，也因此從單純的模型能力，開始延伸到數據治理、權限、安全、工程知識以及執行能力。

四、完成閉環，AI工具到工業智能基礎設施

如果把Realize LIVE上展示的產品一個個拆開看，會覺得西門子講了很多東西，Designcenter、Teamcenter、Simcenter、Opcenter、Intelligence Center X，以及Xcelerator as a Service和IFS相關能力。但如果把這些產品放在一起觀察，會發現西門子真正想做的，并不是簡單地給工業軟件增加幾個AI功能，而是在重新組織一套覆蓋全生命周期的工業智能基礎設施。

對于制造業而言，大模型能夠理解語言和知識，卻不意味著它真正理解物理世界。一個AI可以告訴工程師汽車是什么，但如果要參與汽車設計，就必須進一步理解空氣阻力、碰撞、安全、熱管理、振動等工程約束。因此，工業AI最終不能只有“大模型智能”，還必須擁有“物理智能”。

這也是Simcenter PhysicsAI的價值所在。西門子利用歷史仿真數據訓練AI代理模型，將AI引入過去高度依賴傳統求解器的工程仿真環節。據西門子介紹，在部分應用場景下，PhysicsAI的數據驅動洞察速度最高可達到傳統求解器的1000倍；而新推出的PhysicsAI Generate則進一步將生成式AI引入工程設計，根據性能和尺寸要求快速生成物理一致的三維設計概念。

但理解產品只是第一步。工業企業真正復雜的地方在于，一項產品從設計走向量產，再進入運營和維護，中間涉及大量系統、數據和人員。設計產生數據，仿真驗證設計，制造執行設計，設備運營產生現實數據，服務又將運營結果反饋到產品和工程體系。如果這些環節依然彼此割裂，AI再聰明，也只能成為一個個孤立的工具。

因此，西門子此次大會不斷強調的其實是“閉環”。

Tony Hemmelgarn表示，西門子正在通過與IFS的合作，將設計、運營和服務連接起來，讓現場運營數據能夠反向進入產品和工程體系。這意味著傳統工業軟件的邊界正在發生變化：過去的PLM、CAD、仿真、MES、服務軟件分別解決不同環節的問題，而未來這些系統需要圍繞一條數字主線形成連續的數據和知識流。

在這個過程中，Intelligence Center X承擔的角色就更加清晰了，它并不是又一個孤立的AI應用，而更像是連接數據、工業知識、AI模型、Agent和具體工業軟件的智能中樞。企業可以在這個平臺上連接不同數據源、建立工業知識關系，再通過AI Studio、Mendix等能力構建自己的智能應用和Agent。

而這恰恰對應了中國工業AI當前最現實的問題。因此，西門子在中國并不是簡單地把全球AI產品“搬過來”，而是試圖通過數據梳理、數據標注、關系定義，再利用AI Studio訓練模型，最后通過Mendix構建Agent，推動企業從“點”走向“線”，再從“線”走向“面”。

這也是“在中國、為中國”真正值得點贊的地方，不是產品本地化，而是工業AI落地路徑的本地化。

除了這些，此次Realize LIVE，我們切實感受到西門子真正展示的不是幾個AI產品，而是一種工業軟件形態正在發生變化。過去，工業軟件的核心任務是幫助企業把現實世界數字化；現在，它正在進一步讓AI理解這個數字世界，并參與設計、仿真、制造、運營和維護。

當AI能夠理解BOM、工藝、設備、訂單和客戶，當數字孿生能夠連接設計與現實，當Agent能夠調用工業軟件完成具體任務，當一次試點能夠復制到更多部門和工廠，AI才真正開始從一個工具變成生產力。

而這也意味著，工業AI下一階段的競爭已經很難再單純定義為“大模型之爭”。

真正的競爭，將轉向誰擁有更深的工業知識、更完整的數據上下文、更強的工程仿真能力、更完整的業務流程，以及更有能力把這些東西連接起來的工業軟件平臺。

這可能才是西門子此次Realize LIVE真正想傳遞給行業的信號。