2026-07-21 11:03:19 中华网
7月19日，2026世界人工智能大会(2026 WAIC)“2026智能趋势论坛——迈向自主化：工业AI落地的真实挑战与解法”在上海成功举办。施耐德电气副总裁、工业自动化行业及战略中心负责人乔锃在相关圆桌讨论中表示，工业AI要真正创造价值，需要夯实数据基础、优化算力配置、深化场景共创。
施耐德电气副总裁、工业自动化行业及战略中心负责人 乔锃
软硬件协同夯实数据基础
很多企业推进AI部署时，第一步就卡在“数据”。在工业领域，流程制造与离散制造的设备协议各异，老旧产线更缺乏基本的联网能力。但在乔锃看来，经过长期的自动化和数字化转型积累，打通设备、工艺与系统之间的数据已并非难题。
“从设备层、控制层到运营层，由软硬件所组成的自动化与数字化系统架构，既能够实现老旧设备的数据贯通，也为企业数字化工厂建设提供了重要的基础设施支撑。”乔锃表示，当前的行业技术和方案都已趋于成熟，在标准化和可复制性方面具备优势，可为制造企业加速AI应用奠定基础。
根据具体场景和任务优化算力配置
制造业流程复杂，设备繁多。行业普遍认为，打通工业AI的“最后一公里”在于边缘端轻量化部署，既兼顾现场的实时性和可靠性，又有效控制算力成本。
在乔锃看来，真正决定算力该配置在哪里的，从来不是物理距离的远近，而是具体场景和任务性质。边缘侧负责安全稳定控制，云端负责系统优化，两者协同才能实现整体最优。
对于设备控制等边缘侧任务，首要目标始终是安全、稳定运行。此类场景往往依靠成熟的工业自动化控制技术即可满足实时响应需求，并不需要部署高算力设备。而对于设备群组协同、能源管理、工艺优化等系统级优化场景，则需要借助AI模型与机理模型的融合，对大量运行数据进行训练、分析和寻优。
以施耐德电气服务某数据中心客户的冷却水精准控制项目为例，冷却系统是数据中心的重要能耗来源。项目中，现场设备仍采用成熟的工业控制技术保障稳定运行，而针对多台冷水机组、冷水泵之间的协同调度以及出水温度、水压等参数优化，则通过AI模型与机理模型融合，在云端进行训练和优化，再将优化后的控制策略下发至现场执行。
与客户共创每一个应用场景
工业场景天然是高度定制化的，行业差异、生产模式、人员结构、能源管理方式各不相同，对于AI应用的需求也千差万别。因此，短期内很难推出“放之四海而皆准”的工业AI标准方案。
在实践中，每一个成功落地的工业AI项目，都是与客户共同打造的成果。从数据治理和标注，到模型构建、调优、仿真验证，再到最终部署上线和闭环运行，整个过程都需要深入生产现场，与用户共同完成。除了客户和施耐德电气团队，项目往往还会联合模型开发等生态伙伴共同参与，在真实业务场景中持续迭代优化。
乔锃表示，与客户共创更符合工业AI的发展规律。只有深入理解具体工艺流程和运营需求，围绕实际问题定制解决方案，才能真正释放AI价值。
