人工智能（AI）已经证明它可以分析信息，发现模式并提出建议。Industrial AI 面临着更严峻的考验：它能否将这些见解转化为工厂车间的可衡量改进？
国家标准与技术研究所（NIST）2026年在制造业人工智能方面的工作反映了这一挑战。除了人工智能在提高生产力和弹性方面的潜力外，它还确定了实验和广泛制造应用之间的技术复杂性、投资回报率的不确定性、互操作性和可靠部署等挑战。
在西门子，我们将人工智能能力与对工业设备、自动化和工程的深入了解相结合。这使我们能够帮助客户在实际生产、维护和工程工作流程中应用人工智能。
对于美国制造商而言，人工智能在解决可衡量的运营问题、在混合技术环境中工作并赢得足够的信任以影响物理运营时创造价值。因此，运营必须表现得更好。
制造商应该首先在哪里部署 Industrial AI 以获得可衡量的价值？
制造商应首先确定他们需要解决的挑战，然后确定哪些人工智能解决方案可以提供帮助。
令人印象深刻的模型和有价值的制造应用程序不是一回事。确定哪些地方存在停机、质量损失、维护需求、吞吐量限制或造成可衡量后果的工程瓶颈。然后根据该问题进行反向研究，以确定哪些数据、工作流程和情报可以改变结果。
根据 克里斯史蒂文斯，Siemens U.S. Digital Industries总裁，成功的部署始于业务问题，并决定数据、工作流程和用户体验如何产生可衡量的结果。
预测性维护就是一个有用的例子。 BlueScope 开始部署 Siemens Senseye Predictive Maintence，以便在设备出现故障之前识别异常。西门子报告称，该计划在全球各地避免了超过1,950小时的机器停机时间，并防止了53次完全停机。这是一个比部署的模型数量更有意义的工业AI指标。
该课程不仅适用于维护。当质量、吞吐量或工程时间限制性能时，它们可能同样是重要的起点。共同点是与可衡量结果相关的业务基线。当制造商不仅能够指出该技术生产了什么，而且可以指出由此导致的运营发生了什么变化时，Industrial AI就获得了规模权。
当 Industrial AI 开始影响运营时，会发生什么变化？
当 AI 从提供信息转向影响工程、维护或生产决策时，风险方程式就会发生变化。
办公室工作流程中的建议可以在不影响实际流程的情况下进行审查、修改或丢弃。更改机器参数、控制顺序或维护操作的建议可能会产生操作后果。人工智能越接近物理执行，上下文、验证、权限和人工监督就越重要。
我们已经看到这个边界在移动。 IMA 集团 正在与西门子合作，将工业人工智能引入包装机控制。生产场景在数字双胞胎中进行模拟，生成合成训练数据，然后将神经网络嵌入到 PLC 中，以实现实时运动控制和自适应机器行为。该方法允许在物理调试之前对模型进行训练和验证。
NIST 正在从标准的角度研究同样的新兴挑战。其 2026 年制造研讨会侧重于开发和验证人工智能驱动的运营、维护和控制策略，以及信任、安全以及评估人工智能对物理过程和资产的影响。
因此，更强的人工智能能力不应该意味着更弱的控制。这应该意味着从洞察到建议再到经过验证的行动，这是一条更加深思熟虑的途径。决定越重要，这条路需要变得越强大。
Industrial AI 如何在棕地制造中发挥作用？
将Industrial AI集成到现有工厂会带来特殊的挑战：设备、自动化系统和传感器的使用寿命和能力各不相同，可能没有考虑到人工智能来收集可用数据。
这使得互操作性和部署架构与模型性能一样重要。
BlueScope 的全球预测性维护推出 说明了实际现实。该计划遇到了传统设备、过时的传感器和有限的基础设施，以及源自包括不同更新速率和格式的HMI和PLC在内的系统的数据。团队没有等待完美的数据，而是评估了可用信息，并在必要时对其进行了补充。随着BlueScope对其所学内容进行标准化，西港的运营从设置进展到三个月来首次成功进行预测性维护，而最初的试点为18个月。
奥迪展示了挑战的另一个维度。与 Siemens 合作， 该汽车制造商使用 Industrial Edge 基础设施 它支持虚拟 PLC 和 AI 解决方案。它的人工智能模型可以识别裂缝和焊缝飞溅等缺陷，而标准化的基础设施则提供了一种将人工智能集成到自动化环境中并进行更广泛部署的方法。
对于美国制造商来说，其含义很重要。Industrial AI 并不要求所有现有资产都变成新资产。相反，扩展取决于在可重复的架构中连接可用数据和自动化，该架构可以容纳工厂车间已经存在的异质性。