2026年10月12日至16日，第二十六届中国国际工业博览会在国家会展中心（上海）举行。施耐德电气以“智・在其间”为主题亮相本次展会，依托持续演进的 EcoStruxure 三层架构，带来贯穿设计建造—生产运营—维保优化全生命周期的软硬件一体化能力，展品涵盖 EcoStruxure Foxboro SDA 软件定义自动化系统、EP&P 电力和过程自动化一体化解决方案、Modicon M590 dPAC 数智控制器、EcoStruxure 开放自动化平台（EAE）、AVEVA PI System 运营大数据平台与 EcoStruxure APC 先进过程控制等。

施耐德电气工业自动化业务兼顾离散制造与流程工业两大领域，本次专访重点聚焦流程工业。流程工业具有装置连续运行、工艺机理复杂、安全约束刚性强等特点，工业 AI 落地挑战与应用价值并存。工博会期间，本刊记者就工业AI落地路径、数据治理、机理与AI融合、存量改造、出海等话题，与施耐德电气集团董事、高级副总裁、工业自动化业务中国区负责人丁晓红，工业自动化技术架构和流程行业负责人刘文，工业自动化业务通用行业负责人金石，工业自动化产品市场部负责人程晓莉进行了交流。

一、“智，在其间”：贯穿而非重构

“智 在其间”是今年工博会的主题，也是整场交流的起点。

丁晓红的理解是：过去在不同层级和环节已经有很多智能化应用，现在需要让这些应用进一步融会贯通。“智，在其间”就是让工业智能融入不同应用场景、不同层级和不同架构之间，为客户创造更多价值，而不是停留在单点、单层面的智能化。

这一主题首先落在架构上。施耐德电气进一步迭代了EcoStruxure三层架构：底层是实现互联互通的接入适配，中间是基于软件定义自动化的运营控制，再往上是管理优化。“我们在底层获取数据的基础上，要进一步用好数据，让工业智能贯穿各个层级，系统性地帮助客户释放数据价值。”其次是全生命周期，从仿真、设计、建造到运营和维护；第三是跨场景融合，包括能源与自动化的结合、驱动与控制的结合。

谈到未来的智能工厂是否会越来越像一个“自动化＋能源＋算力”的融合系统，丁晓红把话题引向了当下最热的基础设施：“算力的尽头是能源，也就是电力，所以电力与数据、算力本身就是结合在一起的。"而如何更好地使用能源，涉及如何匹配传统能源和新型电力系统、如何做好柔性控制，又与自动化和控制技术密切相关。”算力、能源和自动化本身就是一体的，需要相互促进，并彼此作为基础。"

那么，AI在这套架构中究竟处于什么位置——是叠加能力，还是正在从底层重构运营和控制逻辑？

程晓莉的回答很克制：“就目前阶段而言，还谈不上AI从底层重构整个体系。我们采取的是'小步快走‘的模式，更强调让AI贯穿不同层级。”她把“贯穿”拆成三层：在设备接入层，让更多信号和设备数据更便捷地接入系统，推动IT与OT数据融合；在运营控制层，通过EAE的开放架构和软硬件解耦，使系统能以更灵活的方式开展控制；在运营决策层，AI发挥更多辅助决策作用，帮助企业逐步从经验驱动转向数据驱动。“AI是在不同层级整体赋能，而不是只停留在某一个单点。”

二、数据治理：绕不开的第一道关

工业AI落地的瓶颈往往不是算法，而是数据。

丁晓红没有绕开这个问题：“目前很多挑战与过去反复讨论的问题并没有本质区别，最根本的还是数据治理。”她指出，客户通常经历了较长的发展周期，“我们过去经常提到‘数据孤岛’，而且在不同发展阶段会形成不同的数据孤岛。进入工业AI阶段以后，除了结构化数据，还有大量非结构化数据，如何把这些数据真正用好，是必须解决的问题。”她还提出一个关键概念——Context，即数据的业务上下文：“要把一个设备、一座工厂的‘前世今生’联系起来，才能更好地理解现状并预测未来。”

这个判断在项目实践中有非常具体的对应。某化工企业希望计算一台能源设备的能耗，但分析数据时发现，数据库中有一个点位叫“PV101”（举例名称，非客户真实位号）。检索后发现，至少有五台设备使用了类似名称，还有PV101.1、PV101.2等不同点位，客户自己已无法准确判断这些点位究竟代表什么——最初系统集成时，工程师按各自习惯命名，这些名称并不具备良好的可读性和统一语义。结果是，客户希望优化，就必须先回答“究竟要优化哪个点位、哪个点位能创造最大价值”。开放性的缺失进一步放大了这个问题：在部分场景中，可能只有5%或10%的数据能够被直接读取。

针对数据治理，施耐德电气的思路是三步走：第一步“应采尽采”，把设备运行数据和工业自动化系统数据先获取并连接起来；第二步建立有质量的数据，通过治理和清洗，结合行业专家与企业伙伴的经验判断哪些数据真正有价值；第三步建立适合行业的数据标准体系。金石从交付角度补充：企业如果要开展预测性维护或工业AI应用，就必须建立数字底座；以数据中心为例，冷源控制、电力监控和其他控制系统可能分别由不同部门管理，数据并不互通，部署AI之前必须先解决孤岛问题。

流程行业的数据条件相对有利：部分装置和工艺段自动化水平较高，已积累多年生产数据和分析工具，一些客户会主动提出：“已经积累了五年甚至十年的数据，如何进一步发挥这些数据的价值？”但通用大模型在流程工业垂直领域往往难以获得足够的专业数据——企业不会公开内部积累的研发数据和生产运行数据，而这些私域数据对工业AI恰恰是最宝贵的资产。“数据治理是一项体系化工程，不是简单地把数据抓取出来、集中存放在一起。”只有把行业知识、业务链数据与模型能力结合，形成业务闭环，才是真正能够落地的工业AI。

三、五个维度：AI在流程工业的落地坐标系

工业AI究竟能做什么？刘文给出了一个清晰的坐标系：安全、质量、能源管理、设备绩效和生产优化。他介绍，施耐德电气服务过很多流程行业的头部客户，通过陪伴客户开展数字化转型和智能化改造，在这五个维度上已经积累了较成熟的应用和落地路径。

安全排在第一位。“安全不能只停留在口号上，而要落实到具体实践中。”刘文说，施耐德电气向客户提供Triconex安全仪表系统，也在展台上展示了本地创新团队开发的安全智能机柜，通过软硬件结合提升安全和效率；这类本地创新已应用于一些大型项目和“一带一路”项目，当客户面对大量设备点位测试时，AI可以帮助提升测试效率、减少人为疏漏带来的缺陷。

在客户现场，安全维度的挑战往往来自存量。部分老旧工厂使用的自动化设备品牌已经退出市场，或者已经难以获得备件，客户既希望保留现有固定资产，也需要进行自动化改造。对老旧工厂，可以通过软件定义自动化接入不同品牌的原有产品，在尽量减少停机影响的情况下实施改造；对新建项目，则从一开始就结合软硬件能力构建原生安全能力，而不是在项目运行后再不断补充。

质量维度上，一个具体样本是锅炉火焰智能识别：结合数理模型、锅炉行业经验、视频监测技术和EAE，更准确地识别锅炉燃烧状态，提升燃烧质量管控能力。

能效维度上，通过“少人值守”方案帮助客户提升锅炉燃烧效率，并将效率提升进一步转化为可量化的经营收益。

设备绩效维度上，核心是让人员“带着问题去巡检”，而不是一直在现场等待问题发生。员工上班后可以先查看系统提示——系统不仅提示哪里出现报警，还可以分析潜在的早期问题、原因以及建议措施，从而减少对资深员工个人经验的依赖。这里有一个重要的表述边界，刘文特别强调：“我们强调的‘少人’，主要是减少工作量，而不是简单减少人员数量。”

生产优化是五个维度中技术含量最高的一层。刘文用了一个形象的类比：“如果把AI Agent想象为一个入口，各类工业软件就像运行在其中的垂直应用。”施耐德电气的生产优化能力覆盖从设计院广泛使用的Pro/II，到基于严格机理模型的操作员仿真培训、实时优化等软件——既结合大数据模型，也结合已经经过验证的严格机理模型。

“对于客户来说，单点产品和应用已经证明了价值。现在客户需要的是综合解决方案：既要保障安全底线，也要提升质量、降低能耗、稳定设备运行并提高生产效率。”刘文说，客户的要求也在提高——不仅要在五个维度实现数智化升级，还希望将开放自动化、软件定义自动化应用于生产实践，并且能够计算整体投资回报。“通过这五个维度，我们重新拆解并搭建‘少人值守’解决方案。在首台机组落地后，相关模式逐步复制到其他机组和新建工厂，并向更多行业客户推广。”

金石介绍，施耐德电气在全球已累计丰富的AI真实用例，其中预测性维护是目前相对成熟、应用范围比较广的场景，它结合机理模型和AI算法，已广泛应用于大型风机、空压机等大型机械设备。一组来自实际项目的数据可以说明量化程度：钢铁冶金球团先进控制使关键参数波动偏差降低20%以上；石油化工APC参数闭环周期从2小时缩短至15分钟；厂务运维故障案例匹配达到秒级响应；冷站泵组实现15%以上节能。

四、机理约束下的安全边界

工业AI与消费级AI最大的不同，在于它必须在物理约束下工作。数字世界里一个变量可以直接从0变成1，但在物理世界中，一个阀门从关闭到打开都需要时间——这个变化过程受物质流动、设备状态和物理规律的影响。一个AI结果能否用于工业现场，取决于计算机中得到的结果能否在真实现场中被验证。

施耐德电气在银行数据中心开展的冷站优化是一个典型样本。系统会根据历史工况预测未来约15分钟后的冷量状态，但做法是先把水泵性能曲线、系统特性曲线以及热交换过程的时间特征作为基础模块，再将数据引入系统，让AI在限定范围内建模。强化学习等算法有时可能给出超出稳定运行区间的结果，加入机理和约束条件后，AI产生的结果才更有可能被工业系统采用。

一个更尖锐的追问来自客户现场。有水务客户曾提出：如果发生五年一遇的大暴雨，原水水质发生大幅变化，AI模型还能不能使用？答案是不能直接使用——训练模型的历史数据中可能从未出现过这种场景，此时无法证明AI模型仍然可靠。对于模型没有经历过的工况，不应继续让AI自主判断，而应切换到由人员进行控制和决策。

这也解释了施耐德电气为什么反复强调“机理＋AI”的融合路径。至少在现阶段，机理模型与最终执行环节仍然需要传统工业软件和控制系统介入，以守住工业生产的安全底线。今天在化工流程行业，从理论和技术层面看部分场景可以实现高度无人化；但考虑到工业生产对安全性和可靠性的要求，行业更强调“少人化”。程晓莉从合规角度呼应：“尤其是在国内头部化工企业开展AI技术实践时，我们首先要保证安全。AI不能产生不可控的幻觉，必须确保其决策合理、安全，并保障整个系统稳定运行。”

那么，专家的位置在哪里？一个在研发实践中被反复提及的体会是：如果开发人员本身不了解某个软件或系统，就很难建立可靠、真正有用的AI模型。今天的AI更多体现为“宽”，可以覆盖材料、机理和跨行业知识；专家的优势则是“深”，能够在具体垂直领域作出准确判断。“如果人无法判断AI给出的结果是否正确，又怎么能让AI直接参与控制？”

五、存量与出海：流程工业的两条新曲线

当前自动化市场整体温和回暖，但企业资本支出不再集中于大规模新建产线，而是更多转向存量产线运维效率提升。这一结构性变化在流程工业表现得尤为明显。

刘文分享了近期走访山东的观察。山东是工业大省，覆盖油气化工、矿产、冶金等多个门类。以头部炼化企业为例，随着新能源应用增加和能源消费结构变化，客户开始从传统石油炼化向下游精细化工转型，并更加重视高附加值产品。“过去，一些客户追求的是规模和产能；现在，它们更重视精细化运营和高附加值产品。这类业务对安全、质量、工艺和运营提出了更高要求。”

第二个趋势是资源型行业出海。随着新能源产业发展，铜、铝等有色金属需求增加，越来越多有色行业客户开始走向东南亚、非洲等地区，布局镍矿、铝矿等大型矿业资源。“我们本身就是一家国际化企业，在当地拥有熟悉投资和运营政策的分支机构，也有长期运维团队。我们不仅可以帮助客户走出去，也可以在当地长期陪伴客户运营。”刘文说。

丁晓红从宏观层面呼应：“中国已经进入高质量发展阶段，未来存量市场的重要性会进一步提升。”她介绍，施耐德电气设有专门服务存量市场的团队，重点研究如何帮助客户升级改造，以及如何利用AI更好地赋能产业升级。

存量改造究竟难在哪里？金石把它拆成两项。第一项是资产复用：保留PLC等硬件相对容易，更重要的是如何保留原有程序和其中积累的行业Know-how。第二项是数据：没有数字底座，就很难向智能化方向发展。施耐德电气的解法是通过EAE等方案，在尽量不改动原有设备的情况下从更上层获取数据，再整理沉淀到知识库中；这些知识沉淀后可以模块化封装和复制。“尤其在边缘侧，EAE能够提供容器化架构，将既有算法和新增算法部署在同一载体中，从而减少客户的重复投资。”

一个具体的存量样本是上海物流中心。丁晓红介绍，该中心已运营近30年，原来使用了多个品牌的产品，现在通过开放自动化完成了升级改造。

六、从场景化到规模化，中间隔着体系化

2020年施耐德电气推出EcoStruxure开放自动化平台（EAE），至今已六年。刘文从三个方面总结变化：客户上，EAE最早在水务、市政等行业得到较大规模应用，如今已跳出最初场景，最近在行业头部数据中心也将客户产品与EAE相结合；生态上，UAO等国际化组织、高校和行业伙伴的参与者越来越多；行业能力上，依托自身积累推动业务发展，并在自身应用取得成效后推广给外部客户和伙伴。程晓莉则把变化归因于时代：“几年前刚推出EAE时，市场上很少有企业讨论软件定义的自动化；而今年，越来越多场景开始谈论它。”

行业Know-how如何工程化封装？刘文给出了明确的三层分工：内部行业能力要标准化，生态能力要差异化，客户应用要定制化。标准化的好处，一是帮助客户保障有效投资和投资回报，二是控制成本。但客户也有非常明确的意识：数据是自己的资产，需要掌握在自己手中。以AI智能报警为例，可以先提供标准化工具，使操作人员不再需要长时间盯盘；但一座工厂运行十年、二十年后，其故障和报警会不断变化，客户需要持续加入检修记录、巡检数据和政策变化等私有信息。“在这种情况下，施耐德电气的角色就是‘扶上马、送一程’。”丁晓红同样坦率地指出了边界：“工业应用场景非常复杂，标准化不可能满足100%的需求。”

如果给工业AI画一条成熟度曲线，行业内一个被广泛引用的划分是三个阶段：场景化、体系化、规模化。当前整个行业更多处于场景化阶段，其核心是寻找价值——不是每一个问题都必须通过AI解决，如果在场景化阶段没有找到价值，很可能说明这个场景并不适合使用AI。体系化不仅包括数据和应用，也包括人员、能力和持续运营机制——AI投入不是一次性的，做完一个POC或单个项目就结束，无法沉淀。在实现体系化之后才会进入规模化，思考能否从一座工厂扩展到多座工厂之间复制。

丁晓红对未来1至3年最可能率先商业化的场景给出了判断：一是能源优化，“能源是每一家企业都需要关注的问题，只要相关仪表能够获取数据，就可以针对企业全局、不同车间和不同工厂进行对比”；二是讨论多年的关键设备预测性维护。再往中长期看，另一个方向是长流程和全局优化：随着数据孤岛逐渐打通、多智能体以及通信协议不断发展，AI有望帮助企业实现跨工艺段、跨设备、跨软件的全局优化。“这项工作相对复杂。单点应用可以在一定范围内试错，但全局优化涉及整个生产运营体系，对安全、合规、效果验证和部署方式都有更高要求。”

她同时明确了施耐德电气在AI时代的角色定位：“施耐德电气不会把自己定位为一家大模型公司。我们更关注如何结合多年来在各行各业积累的经验，以及自身软硬件和数据基础，围绕具体应用场景开发AI Agent。”丁晓红在工博会上表示：“工业数智化不仅是技术升级，更是产业协同创新的过程。施耐德电气将持续深化开放生态建设，推动开放自动化、工业AI与行业场景深度融合，与客户和合作伙伴共同探索可复制、可推广的数智化实践，助力中国工业高质量发展。"

从场景化到规模化，中间隔着体系化。这也是为什么施耐德电气在今年工博会上反复强调“贯穿”与“全生命周期”——只有当设计、建造、运营、维保的数据和能力打通，AI的价值才能在时间维度上累积，而不是在每个新项目上从零开始。工业智能“在其间”流动的，从来不只是数据，而是被工程化封装之后可以反复调用的能力。

本文系“流程工业”首发，未经授权不得转载。责任编辑：胡静，审核人：李峥

版权声明∶转载流程工业网内容，请在正文上方注明来源和作者，且不得对内容作实质性改动；微信公众号、头条号等新媒体平台，转载请联系授权。邮箱∶process@vogel.com.cn，电话：16601379371（同微信）