當前，工業AI正處于單點試點向規模化復制過渡的關鍵階段。雖然多數制造企業已啟動AI布局，但大量項目仍困于數據割裂、組織協同不暢、開發門檻高、場景難以復制等挑戰。

研華物聯網自動化事業群副總經理林清波

作為工業AI實踐的先行者，研華的戰略迭代始終與產業節奏同頻。從硬件供應商到軟硬整合的方案提供者，再到工業AI落地賦能者，研華的發展路徑也折射出整個工業智能化的發展脈絡。那么，研華將如何推動工業AI從單點試點走向規模化復制？帶著這一問題，工控網與研華物聯網自動化事業群副總經理林清波進行了一次深度對話。

破解轉型難題，夯實數據基礎

企業在推進數字化轉型時，普遍會遇到數據與應用層面的各類問題，痛點主要分布在數據采集、分析利用、技術、組織管理等多個維度。對此，林清波表示：“在所有轉型挑戰中，組織管理層面的協同矛盾，遠比技術問題更為棘手。”

傳統自動化項目以產線效率最大化為目標，僅需自動化部門主導即可推進。但當企業向智能化與自主化運營升級，IT、供應鏈、生產運營等多個部門均被卷入，原本以人為核心的管理邏輯就轉變為以數據為核心。這種變化導致各部門間目標難以對齊，內部形成不同方向的“拉力”，轉型的核心難點也從技術落地，轉變為跨部門的共識構建與協同管理。

在數據層面，林清波指出，現場數據的采集已不再是難題，研華提供面向不同行業的數據采集解決方案。真正的難點在于IT數據的整合。IT側的數據必須匯入數字化平臺才能為自主運營創造價值，但是IT數據標準化程度較低，導致IT與OT融合雖不存在核心技術障礙，但仍需要耗費大量時間。

針對這一問題，研華通過EdgeLink實現多協議工業數據采集，覆蓋各類現場設備的通訊需求，通過IoTEdge軟件平臺對接主流IT數據庫，為客戶搭建數據治理的底層架構，解決數據整合難題。

軟硬協同，全棧底座筑牢智能應用根基

當多數企業完成基礎的數據采集整合后，如何充分釋放數據價值，跑通從邊緣AI推理到現場執行的完整閉環，則是企業智能化深化階段面臨的核心考題。

在邊緣AI應用層，研華推出WEDA（WISE-Edge Developer Architecture）邊緣智能開發者架構，為開發者提供統一的邊緣AI開發與部署架構。無論是X86、ARM還是NVIDIA GPU架構的硬件，都可以通過WEDA做統一適配，從而更高效地開發AI Agent、數字孿生及邊緣AI應用。

林清波強調，WEDA本身不包含任何工業應用或模型，其定位是開發平臺與生態構建工具，目的是降低AI應用的開發門檻。開發者只需要聚焦自身行業專屬的小模型與AI推理邏輯，無需耗費精力調試GPU資源調用。

換言之，WEDA的核心作用是解決硬件、軟件與AI的適配難題，把邊緣AI應用的創新空間留給伙伴和客戶。同時，研華也在搭建WEDA生態市集，未來伙伴基于WEDA開發的AI應用，都可以在市集中展示、整合，通過生態共建加速產業發展。

在邊緣平臺層，研華以WISE軟件平臺做支撐。除了傳統的數據采集、數據規整能力，還提供AI應用開發套件，支持對接外部大模型，承載行業小模型推理。這也是研華WISE平臺的核心升級方向，在保留原有數據平臺能力的基礎上，進一步升級為AI應用開發平臺，讓所有客戶都能基于WISE平臺開發自己的AI智能體應用。

針對行業普遍關注的大模型與小模型技術路線選擇，林清波也給出了明確判斷。他認為，通用大模型無需企業自主研發，借助外部成熟資源即可，行業落地的決勝點始終在工業小模型。但他同時強調：“沒有大模型的框架支撐，小模型就只能停留在專案式開發，很難規模化復制。大模型搭框架、小模型落場景，兩者結合才能打破定制化項目的局限，從而解決工業AI落地復用難的痛點。”

正是基于這樣的技術路線與平臺能力，研華對工業智能體的落地形成了清晰的實踐邏輯。在林清波看來，智能體是工業智能化的核心落地方向，但其落地絕非簡單部署服務器即可實現。完整的工業智能體包含三大核心要素，分別是思考（Thinking）、連接（Connect）、技能（Skill）。思考需要依托外部成熟的大語言模型，強化語義理解與邏輯推理能力。連接建立在設備聯網與數據采集基礎之上。技能對應各垂直行業的專業知識，需要聯合產業伙伴共同沉淀與開發。三大要素的深度融合，才能形成從感知、分析、決策到執行的完整閉環。林清波同時強調，工廠智能化升級不適合搭建大而全的統一平臺，更合理的方式是構建多個獨立的AI智能體，通過統一框架實現協同調度，避免系統過度復雜導致的落地失敗。

林清波認為，一個完整的工業智能體需要具備Thinking（思考）、Connect（連接）與Skill（技能）三大能力。其中，Thinking依托大模型完成理解與推理，Connect實現設備與數據連接，Skill則沉淀行業Know-how。三者協同，才能真正實現工業AI從感知到執行的完整閉環。

錨定核心賽道深耕，以開放平臺釋放場景價值

工業場景天然具備多樣性與碎片化特征，任何單一廠商都無法覆蓋全部應用需求，生態共建已是行業共識。在此背景下，研華的角色也從軟硬件產品供應商，逐步轉向平臺生態的共建者，通過開放的技術體系與完善的賦能機制，聯合伙伴共同挖掘工業場景的深層價值。

在場景布局上，研華重點聚焦制造與能源兩大核心賽道，將技術能力與行業痛點深度結合，落地可量化的業務價值。

在制造領域，制造業的核心訴求，已經從數據展示轉向價值創造，具體體現在效率提升與競爭力構建兩個維度。品質提升、交付穩定、成本優化，都是制造業智能化的核心價值。這些價值落地，都離不開邊緣端的應用支撐。視覺是當前制造業增長最快的AI落地方向，分為傳統的機器視覺檢測與行為判別。前者聚焦產品缺陷、尺寸公差等質量檢測，后者則用于識別生產行為是否規范。兩類視覺檢測的結果均可接入AI智能體，實現從異常識別到決策處置的完整閉環，相比傳統僅記錄告警的模式，能夠主動輸出處置建議，并對潛在風險進行預警。

在能源領域，研華的落地路徑圍繞節能和減碳兩大方向展開。林清波指出，真正顯著的節能效果必須與設備改造、儲能系統結合，進行峰谷調配。目前，研華的布局已從能源監控分析，轉向能源、新能源、儲能協同調度等場景。同時，面向歐美市場對碳排放的迫切需求，研華也在重點布局從設備到產品的精準碳足跡核算能力。

“傳統的套裝軟件模式難以適配不同行業、不同場景的差異化需求，不僅客制化改造成本高且難以實現跨場景復制。為此，研華正推動軟件產品從套裝模式向開放平臺轉型。”林清波說道。研華將復雜的工業應用拆解為思考、連接、技能三個可以自由組合的維度，并通過MCP開放協議實現統一調用與整合。“我們會先搭建通用的基礎技能庫，客戶可以基于標準接口，自由搭配所需的技能，搭建專屬的智能體。針對細分行業的專業技能，則聯合行業伙伴共同豐富技能庫的覆蓋范圍。”林清波解釋道。

在林清波看來，這種開放平臺模式最大的優勢在于可復制。他向工控網介紹：“基于研華即將推出的IWS（Integrated WISE Solution & Station）軟硬整合產品平臺，客戶不再需要為每一個不同的場景需求進行定制開發，而是可以基于開放平臺和技能模塊，快速搭建適配自身需求的AI智能體。即使需求出現變化，也可以快速迭代調整。最終形成的是一套可持續進化的系統，而非功能固定的套裝軟件。”

目前，工業AI的發展已經進入價值落地的深水區，技術路線與商業模式都在經歷深刻重構。研華憑借深厚的經驗積累，以開放的技術架構與生態策略，為產業搭建了可復用的智能化底座，也為行業探索出一條協同共建的落地路徑。隨著更多行業伙伴的加入與技術的持續迭代，工業AI的價值將在更多細分場景得到釋放，推動整個工業向自主化、智能化方向持續演進。