機器之心原創

編輯：微胖

那是 1964 年，德國南部的小城愛爾蘭根，陽光灑落在西門子數據中心的窗格上，一臺名為 Zuse Graphomat Z64 的繪圖儀靜靜運轉著。

它并不懂何為藝術，卻在工業數學家 Georg Nees 的指令下，畫出了世界上最早一批由計算機生成的圖像。

1965年，德國斯圖加特大學的研究畫廊舉辦了全球首個在愛爾蘭根西門子公司數字計算機上通過算法生成的圖形作品展覽Computer grafik（算法藝術），Georg Nees 是唯一參展的藝術家，這是當時展出的作品之一。

一段代碼、一卷紙帶、一組圖形庫，借由 ALGOL 語言緩緩運行。方格、曲線，輪廓與空白——工業數學家的靈魂在矩形與曲線中悄然躍動，沒有人會想到，它會成為人工智能與工業融合的漫長序章。

次年，西門子在愛爾蘭根設立研究中心。超過 7 個足球場大的封閉園區，成為無數推動工業 4.0 技術的母體。

60 年過去，城市依舊寧靜，工廠早已煥然一新。在西門子愛爾蘭根工廠中，超 100 項人工智能應用嵌入制造流程，數字孿生技術成為理解現實的鏡像。

機器人能識別陌生零件，借助虛擬物料進行訓練，還能將直徑僅為幾十分之一毫米的導線，精準插入同樣微小的孔中。

愛爾蘭根工廠的半導體生產潔凈室

每天，這座「全球燈塔工廠」生成的數據浩如煙海，源源不斷匯入一場更為深遠的競爭：

誰能讓 AI 聽懂機器語言，穩穩落地于最復雜的工業體系？

從智能體到工業基礎模型：

西門子打造工業 AI「操作系統」

人機之間最自然的溝通方式，或許始于一種新的「伙伴」關系。西門子稱它為 Industrial Copilot。

這位摘下今年「工業界奧斯卡」桂冠的「伙伴」，正步入智能體時代——

你向它發問，它回應的，不只是一個「答案」，而是一個「行動」，如同經驗老道的匠人。

Industrial Copilot摘下今年「工業界奧斯卡」赫爾墨斯獎

在德國蒂森克虜伯工廠的一隅，電池測試機靜靜運轉著。玻璃箱里，電池單元在傳送帶上緩緩滑過，紅綠燈交替閃爍，傳感器與攝像頭捕捉每一刻的細節。

過去，每個動作都需要 PLC 工程師逐行編寫代碼，甚至要拆解其他供應商提供的程序模塊。稍有經驗不足，便如墜迷霧。

蒂森克虜伯的工程師們正在使用西門子工業Copilot為這臺用于測試電動汽車電池組的機器編寫自動化代碼。

如今，只需一句自然語言指令，Copilot 便可生成 150 行自動化代碼，并無縫對接 TIA 博途系統。開發效率提升近一半，代碼部署時間縮短三成。

從設計、規劃，到工程、運營和服務，西門子工業智能體正悄然貫穿整個工業脈絡。而這套工業智能體系統的靈魂，在于一套如「指揮中心」的「指揮家」（ Orchestrator ）——

它會遵循業務 SOP 拆解不同任務，準確調度、協調多種智能體，讓它們串聯、協作，最終完成任務。

Industrial Copilot 則扮演「前臺」，提供訪問接口，負責人類語言與工業語言的轉換。

Industrial Copilots AI Agents

想象一個常見的場景：「幫我新增一批訂單，交付時間提前三天。」你只需對 Industrial Copilot 說出這句話，屏幕顯示智能體開始運轉。

后臺的「指揮家」迅速解析這條需求，根據 SOP 拆解任務、規劃流程，并調度多個「小智能體」協同作業——

檢查設備運行狀態、調整產線參數、核算物料庫存、啟動生產。

生產完成后，智能體還會自動規劃 AGV 小車的數量、速度和路徑，將產品送至指定倉位。

在整個過程中，機械臂無需重新編程，便可聽從智能體的指令，自動執行分揀、裝配等操作。

你能在屏幕上實時看到任務進度、數據流轉，甚至一鍵生成工作報告。

西門子工業智能體系統架構

顯然，它不只是一個「超級助理」，更是一個能運籌帷幄的「工業現場指揮家」。而真正的認知核心，是被西門子稱作「工業基礎模型」（Industrial Foundation Model，IFM ）的新事物——

它并非單一模型構成的孤峰，而是一組模型匯聚而成的群山（ industrial foundation models ），扎根于 150PB 經過驗證的工業數據，澆筑于西門子百年來積淀的工程知識之上。

這些模型各有所長。時間序列基礎模型 GTT 精于預測性維護、異常檢測與工藝調優。另有模型擅長圖紙和 3D 模型，有的通曉 PLC 編程。但都共通一理：深諳工程語義，工業邏輯推理，可嵌入真實生產流程，接受工業的約束。

工業基礎模型（ IFM ）的核心，在于對多模態工業數據的深刻理解。這也是它與當下主流多模態大模型路徑的根本分野——

后者更擅長處理泛化的消費者數據，而工業世界充斥著機器語言。

圖紙上的幾何結構、流程圖中的控制邏輯、PLC 發出的電壓脈沖、傳感器記錄下的時間序列……它們無聲，卻自有嚴密的語法和秩序。

一個小數點的漂移，一次聯動的遲滯，便足以導致系統的紊亂、生產的中斷，乃至安全事故的發生。

因此，西門子試圖突破文本范式的邊界，構建一種能讀懂機器語言、能適應嚴苛工業約束的模型——這，正是工業基礎模型（ IFM ）的出發點，也是它與生俱來的宿命。

護城河：

數據為基，know-how 為魂

4 月初，Industrial Copilot 與工業基礎模型（ IFM ）亮相漢諾威工業博覽會，那并非一次炫技，而是對現實的回應：

曾親手繪圖、調試、維護系統的工程專家，很多人已年過六旬，即將退休。該如何留住他們的專業知識？

這一切，靠的不是聊天機器人。至少不是當下這些通用模型所能勝任的。無論是 ChatGPT，還是市面上各類 AI 助手，都無法觸及西門子所展現的這些能力。

并非模型不夠聰明，而是它們尚未學會如何「生活在工廠里」。而這，正是西門子的護城河——

既有規模驚人的高質量數據資產，更有百年基業下的行業 know-how。

例如，訓練工業基礎模型（ IFM ）所依托的語料庫，其深度與廣度在整個工業世界中都堪稱罕見。

高達150PB 的優質工業數據，像一條貫穿時空的脈絡，橫越產品設計、仿真、制造等多個階段，從 CAD 圖紙到控制邏輯、從傳感器序列到操作日志的多模態輸入。

哪怕是單一模態的時間序列基礎模型 GTT ，數據量已擴展至 1,240 億。

如此「大手筆」的背后，是一座旁人無法復制的「數據底座」：西門子的工業軟件與硬件產品，服務于全球 40 多個行業、40 多萬家客戶。

作為全球領先的工業軟件供應商之一，西門子的版圖幾乎囊括了 CAD、EDA、CAE、PLM、MES/MOM 等所有關鍵工業軟件品類，打通從設計、仿真到制造、運維的完整生命周期。

而且，西門子的工業軟件早已深入流程工業、離散制造等多個垂直場景，包括食品加工、化工流程、生物制藥等對行業 know-how 要求極高的復雜系統。

至于硬件世界，西門子已構筑起完整、端到端的設備體系。

從 PLC 控制器、SCADA 系統到工業邊緣計算設備，它能夠將車間里的每一絲動態都轉化為可被采集、可被推理的數字信號。其中，僅 PLC 控制器就運行于全球三分之一的工廠。

但，光有數據還不夠。整個 AI 模型生命周期中，最被津津樂道的「建模」，其實不過是十分之一的工作。真正耗時且關鍵的，是那九成隱藏在背后的工作：數據清理、接口調試、部署與運維。相比于互聯網應用，這套流程要復雜得多，需要極為深厚的行業 know-how。

就說構建工業智能體，第一步就是拆解具體任務。而這一步，就已經高度依賴非公開、非通用的工業 SOP 知識；訓練 GTT 捕捉多變量之間的動態關系，你也得明白模具溫度、電機電流、注射壓力和成型時間之間，存在動態耦合。

比起建模，數據采集和清洗看似「體力活」，其實是最具經驗門檻的一環。

不同的應用場景，采集方式和頻率有著完全不同的訴求。

有的直接從 PLC 拉數，有的依賴傳感器實時回傳，還有的要通過邊緣設備匯總上傳；而數據的刷新頻率，更是從毫秒級的實時采集，到分鐘級、小時級的周期性采集，差異極大。

再往下，通信協議的兼容性也是繞不開的挑戰。

Modbus、OPC UA、CAN ……這些協議五花八門，要讓它們「說同一種語言」，考驗你對現場的工藝理解與系統級的適配能力。

一旦數據打通，質量問題又接踵而來。

缺失值怎么補？異常點怎么識別？低質量數據如何甄別？數據質量不過關，AI 無異于「建在流沙上」。

當你構建了 AI 模型之后，距離完成還差很遠 ——

怎么把模型部署到產線中？怎么確保它能穩定運行十年？更重要的是，客戶能不能在無需數據科學家介入的前提下，自行維護、使用、調優？

能否破解這些問題，才是工業 AI 成敗的分水嶺。

比如，一個任務可能需要多個模型協同完成：異常檢測、狀態分類、時間預測……它們使用的算法不同，數據處理邏輯各異，部署門檻高。

要讓它們「跑」起來，首先要理解每個模型的訓練邏輯、算法結構與輸入輸出機制，并實現它們在系統中的無縫聯動。

更大的挑戰，往往出現在模型上線之后。

三個月后，你可能會發現某個模型突然「罷工」了：傳感器產生了微小漂移、環境溫度波動、機械老化……這些變化會導致數據分布偏移，模型的預測準確率急劇下降。

而一旦分布發生漂移，就意味著必須重新訓練模型——過去，這通常意味著甲方數據科學家的再次介入，流程長、成本高。

西門子提供貫穿整個 AI 應用價值鏈或生命周期的服務，讓數據科學家以一種兼容工業環境的方式，將某些軟件包集成到模型中。如果監控系統發現模型性能不夠好，工廠的自動化工程師只需通過幾次點擊，就可以在已經收集到的數據上重新訓練模型。

所有這些積淀，并非成立僅 20 余年的數字公司或互聯網企業所能比肩。西門子 AI 技術負責人 Robert Lohmeyer 曾說，未來 25 年也難以復制。

半個世紀：

為 AI 寫下最硬核的工業注腳

直到今天，幾乎沒有哪一種工業 AI 解決方案，是西門子無法構建的。

像 Industrial Copilot 和工業基礎模型（ IFM ）這樣令人驚嘆的技術成果，也絕非憑空出現，而是沿著一條數十年未曾中斷的路徑生長而出——其根系，深植于上世紀對神經網絡的執著探索中。

那是 1973 年。世界尚未為「人工智能」劃出清晰的輪廓，西門子卻悄然取得了自己的第一項 AI 專利，開啟一場長期主義的孤獨遠征。

20 多年后，在 AI 遭遇信任斷崖、被視為「科技泡沫」的年代，西門子卻推出了全球首個基于神經網絡的鋼鐵焊接控制系統。

后來，潮水終于來了。ChatGPT 橫空出世，一夜之間改變了人類對智能的理解。

當許多西方公司還在激烈爭論「是否使用」時，西門子已默默完成切換——發布不到半年，幾乎每一位員工都能在安全合規的邊界下自由使用 ChatGPT 。DeepSeek 發布后兩三天，西門子便已投入使用。

這種對新技術的響應速度，并非一時興起的果敢，而是源于一種深入骨髓的本能——不斷向未來靠攏。

如今，西門子正投入大量資源，為員工和一線工人提供系統性的技能再培訓，努力讓人與 AI 并肩同行。AI 的最大挑戰不在于數據安全，而在于文化認同，西門子數字化工業集團 CEO 奈柯曾說，如果企業文化無法接納 AI ，AI 就無法真正發揮作用。

這份對未來的投入，并不止于應用層面的擁抱，還包括在 AI 基礎研究上的持續耕耘。

超過 1,500 名 AI 專家，其中 250 人專注于基礎研究，輔以大量經驗豐富的數據科學家，共同構建起一座通往下一代工業文明的「大腦」。而這背后，是一套早已被時間驗證的技術版圖——

西門子在全球工業 AI 領域的專利持有量居領先地位。在歐洲，更穩居 AI 專利申請首位；

500+ 活躍的 AI 專利家族，不僅代表著技術積累，更彰顯算法、工業方法論與系統集成的可變現能力，構筑起西門子在 AI 深水區的堅實護城河。

最近幾個月的戰略動作，更勾勒出這家百年工業巨頭的布局野心。

原 AWS 生成式 AI 副總裁 Vasi Philomin 加盟西門子，擔任執行副總裁，全面負責 AI 與數據技術戰略，推動包括工業基礎模型（ IFM ）在內的核心能力建設。西門子正以更強勢的姿態，搶占技術制高點。

工業軟件領域的并購步伐也在加速。今年 3 月至 5 月期間，西門子連續完成 5 項重大收購，其中兩筆交易震動行業。

其一，以高達百億美元的價格收購了工業仿真與 AI 驅動優化領域的領軍企業 Altair 。這也是西門子史上第二大規模的收購。

其二，完成對 Dotmatics 的收購，將 AI 驅動的工業軟件版圖延伸至生命科學領域，打開面向生物醫藥與健康產業的新局面。

愛爾蘭根的陽光依舊溫暖，Z64 繪圖儀雖已沉寂，但它描繪的第一道曲線，如破曉的微光，映照著西門子深耕 AI 的漫漫長路。

它不擅編織炫目的童話，卻將智能深植于原子與代碼的土壤——讓算法穿透自動化表層，叩響自決策的大門；使封閉的系統學會呼吸，令塵封的經驗獲得傳承；讓未來更加激動人心。

在這條「長坡厚雪」的征程上，西門子每一步都帶著時間的沉淀。當浮躁的科技喧囂退去，唯有對行業的深刻理解才能定義真正的制造未來。

此刻，最懂工業的巨人，正用 AI 重寫下一紀元的制造語法。