Trí tuệ nhân tạo (AI) đã chứng minh rằng nó có thể phân tích thông tin, khám phá các mô hình và đưa ra các khuyến nghị. Industrial AI phải đối mặt với một thử thách khó khăn hơn: Liệu nó có thể biến những hiểu biết đó thành những cải tiến có thể đo lường được trên sàn nhà máy không?
Viện Tiêu chuẩn và Công nghệ Quốc giaCông việc (NIST) 2026 về AI cho sản xuất phản ánh thách thức này. Bên cạnh tiềm năng của AI về năng suất và khả năng phục hồi cao hơn, nó xác định sự phức tạp về kỹ thuật, sự không chắc chắn về ROI, khả năng tương tác và triển khai đáng tin cậy trong số những thách thức giữa thử nghiệm và sử dụng sản xuất rộng rãi.
Tại Siemens, chúng tôi kết hợp khả năng AI với kiến thức sâu sắc về thiết bị công nghiệp, tự động hóa và kỹ thuật. Điều này cho phép chúng tôi giúp khách hàng áp dụng AI trên quy trình sản xuất, bảo trì và kỹ thuật thực tế.
Đối với các nhà sản xuất Mỹ, AI tạo ra giá trị khi nó giải quyết một vấn đề hoạt động có thể đo lường được, hoạt động trong môi trường công nghệ hỗn hợp và kiếm đủ niềm tin để ảnh hưởng đến các hoạt động vật lý. Các hoạt động phải hoạt động tốt hơn vì nó.
Các nhà sản xuất nên triển khai Industrial AI ở đâu trước tiên để có giá trị đo lường được?
Các nhà sản xuất nên bắt đầu bằng cách xác định những thách thức họ cần giải quyết, sau đó xác định giải pháp AI nào có thể giúp ích.
Một mô hình ấn tượng và một ứng dụng sản xuất có giá trị không giống nhau. Xác định nơi có thời gian ngừng hoạt động, tổn thất chất lượng, nhu cầu bảo trì, hạn chế thông lượng hoặc tắc nghẽn kỹ thuật tạo ra các hậu quả có thể đo lường được. Sau đó làm ngược lại vấn đề đó để xác định dữ liệu, quy trình làm việc và trí thông minh nào có thể thay đổi kết quả.
Theo Chris StevensChủ tịch của Siemens U.S. Digital Industries, việc triển khai thành công bắt đầu với vấn đề kinh doanh và xác định cách dữ liệu, quy trình làm việc và trải nghiệm người dùng có thể tạo ra kết quả có thể đo lường được.
Bảo trì dự đoán cung cấp một ví dụ hữu ích. BlueScope bắt đầu triển khai Siemens Senseye Predictive Maintenance để xác định các bất thường trước khi xảy ra lỗi thiết bị. Siemens báo cáo rằng sáng kiến này đã tránh được hơn 1.950 giờ ngừng hoạt động của máy trên khắp các địa điểm trên toàn thế giới và ngăn chặn 53 lần dừng quá trình hoàn toàn. Đó là một số liệu Industrial AI có ý nghĩa hơn nhiều so với số lượng mô hình được triển khai.
Bài học áp dụng ngoài việc bảo trì. Chất lượng, thông lượng hoặc thời gian kỹ thuật có thể là điểm khởi đầu mạnh mẽ như nhau khi chúng hạn chế hiệu suất. Mẫu số chung là một cơ sở hoạt động được kết nối với một kết quả có thể đo lường được. Industrial AI kiếm được quyền mở rộng quy mô khi nhà sản xuất có thể chỉ ra không chỉ đơn giản là những gì công nghệ sản xuất, mà còn về những gì đã thay đổi trong hoạt động vì nó.
Điều gì thay đổi khi Industrial AI bắt đầu ảnh hưởng đến hoạt động?
Phương trình rủi ro thay đổi khi AI chuyển từ việc cung cấp thông tin sang ảnh hưởng đến các quyết định kỹ thuật, bảo trì hoặc sản xuất.
Đề xuất trong quy trình làm việc văn phòng có thể được xem xét, sửa đổi hoặc loại bỏ mà không ảnh hưởng đến quy trình vật lý. Một khuyến nghị thay đổi tham số máy, trình tự điều khiển hoặc hành động bảo trì có thể gây ra hậu quả hoạt động. AI càng tiến gần đến thực thi vật lý, bối cảnh, xác nhận, quyền và sự giám sát của con người càng trở nên quan trọng hơn.
Chúng ta đã thấy ranh giới này di chuyển. Tập đoàn IMA đang làm việc với Siemens để giới thiệu Industrial AI vào điều khiển máy đóng gói. Các kịch bản sản xuất được mô phỏng trong một bộ đôi kỹ thuật số để tạo ra dữ liệu đào tạo tổng hợp trước khi mạng nơ-ron được nhúng vào PLC để điều khiển chuyển động thời gian thực và hành vi máy thích ứng. Cách tiếp cận này cho phép các mô hình được đào tạo và xác nhận trước khi vận hành vật lý.
NIST đang xem xét thách thức mới nổi tương tự từ góc độ tiêu chuẩn. Xưởng sản xuất năm 2026 của nó tập trung vào việc phát triển và xác nhận các chiến lược hoạt động, bảo trì và kiểm soát dựa trên AI, cùng với sự tin tưởng, an toàn và đánh giá tác động của AI đối với các quy trình và tài sản vật lý.
Vì vậy, khả năng AI lớn hơn không có nghĩa là kiểm soát yếu hơn. Nó có nghĩa là một con đường có chủ ý hơn từ cái nhìn sâu sắc đến khuyến nghị đến hành động đã được xác thực. Quyết định càng có hậu quả, con đường đó càng cần trở nên mạnh mẽ hơn.
Industrial AI có thể hoạt động như thế nào trong sản xuất brownfield?
Việc tích hợp Industrial AI vào các nhà máy hiện có mang đến những thách thức đặc biệt: thiết bị, hệ thống tự động hóa và cảm biến khác nhau về độ tuổi và khả năng, và dữ liệu có sẵn có có thể không được thu thập với trí tuệ nhân tạo.
Điều đó làm cho khả năng tương tác và kiến trúc triển khai cũng quan trọng như hiệu suất mô hình.
Triển khai bảo trì dự đoán toàn cầu của BlueScope minh họa thực tế thực tế. Chương trình gặp phải thiết bị cũ, cảm biến lỗi thời và cơ sở hạ tầng hạn chế, cũng như dữ liệu có nguồn gốc từ các hệ thống bao gồm HMI và PLC với tốc độ và định dạng cập nhật khác nhau. Thay vì chờ đợi dữ liệu hoàn hảo, các nhóm đã đánh giá thông tin có sẵn và bổ sung nó khi cần thiết. Khi BlueScope chuẩn hóa những gì họ học được, hoạt động của Cảng phía Tây đã tiến triển từ khi thiết lập đến thành công bảo trì dự đoán đầu tiên trong ba tháng, so với 18 tháng đối với thử nghiệm ban đầu.
Audi thể hiện một khía cạnh khác của thử thách. Làm việc với Siemens, nhà sản xuất ô tô sử dụng cơ sở hạ tầng Industrial Edge hỗ trợ PLC ảo và giải pháp AI. Các mô hình AI của nó xác định các khiếm khuyết bao gồm các vết nứt và vết nứt mối hàn, trong khi cơ sở hạ tầng tiêu chuẩn hóa cung cấp một cách để tích hợp AI vào môi trường tự động hóa và triển khai nó rộng rãi hơn.
Đối với các nhà sản xuất Mỹ, hàm ý là quan trọng. Industrial AI không yêu cầu mọi tài sản hiện có trở thành mới. Thay vào đó, việc mở rộng quy mô phụ thuộc vào việc kết nối dữ liệu có sẵn và tự động hóa trong một kiến trúc có thể lặp lại có thể phù hợp với sự không đồng nhất đã có trong nhà máy.