西门子肖松谈工业AI：中国有“四度”优势，最不可复制的是产业土壤

南方财经 21世纪经济报道记者吴斌 上海报道

“AI发展的速度，恐怕对于未来最大胆的想象，事后都会显得保守。”第九届中国国际进口博览会（以下简称“进博会”）期间，西门子大中华区总裁、西门子中国董事长肖松接受21世纪经济报道记者专访时如此感叹。

在肖松看来，工业体系的广度、应用场景的深度、技术迭代速度以及各方积极拥抱创新的态度，为工业AI从技术走向实际应用提供了很好的条件。这“四度”并非彼此独立，中国工业最不可复制的正是这四个维度相互作用、共同形成的产业土壤。

中国的工业场景足够丰富，企业也愿意试新技术、愿意把新东西用起来，工业AI因此在这里既有创新土壤，也有落地市场。肖松认为，中国工业AI摸索出的做法，对全球同样有可借鉴之处：从业务里真实存在的痛点入手，盯着生产效率、产品质量、能源消耗这些能量化的目标去创造价值；先在一个具体场景里做透，再慢慢向规模化推开；AI还得和工业知识、软件、硬件以及生产流程深度结合，靠开放创新不断打磨。

说到未来三到五年，肖松对工业AI的前景很有信心。他希望看到三处变化：工业AI从“只会提建议的助手”变成“能直接干完工程活的数字同事”；应用范围从单点扩展到工业全流程、产业全链条；AI加快数实融合，切实帮人把想象力变成生产力。

21世纪：你把广度、深度、速度、态度视为中国工业的独特优势，其中哪一个最不可复制？假如其他国家想照搬中国的工业AI发展路径，最大的障碍会是什么？

肖松：工业体系的广度、应用场景的深度、技术迭代的速度，再加上各方愿意主动拥抱创新，这些条件让工业AI从技术走向实际应用有了良好基础。广度、深度、速度、态度四者并非各自孤立，中国工业最难被复制的，恰恰是它们相互起作用、一起养出来的那片产业土壤。

各个国家和市场的产业底子、发展阶段、需求都不一样，工业AI也就没有一条能照搬的路径。关键在于贴合本地产业特点，从真实需求出发，让技术、场景和产业能力深度结合。中国在工业AI应用中积累的方法和经验，同样能给全球产业创新提供参照。

21世纪：中国工业数字化程度较高，在工业生产中用上AI的企业占比也居于前列。在你看来，中国工业AI的哪些实践经验可以迁移到全球？哪些又高度依赖本地情境、难以向外输出？

肖松：中国的工业场景很多，企业又乐于尝试和应用新技术，工业AI因此把这里当成重要的创新和实践市场。与其去划分哪些经验能输出、哪些不能，不如关注其中带有共通性的方法：第一，从真实的业务痛点出发，围绕生产效率、产品质量、能源消耗等可衡量的目标创造价值；第二，先在具体场景里实现单点突破，再一步步推动规模化应用；第三，AI要和工业知识、软件、硬件、生产流程深度融合，并通过开放创新持续迭代。

这些方法有普遍的参考价值，但落到具体应用，还得结合不同市场的产业基础、工艺特点和客户需求做适配。西门子在中国借助数字孪生和AI做生产优化。两个案例的工艺和条件并不一样，遵循的逻辑却相同：从生产问题出发，把专业知识和数据结合起来，通过持续验证创造可衡量的价值。

21世纪：工业场景高度碎片化，每个场景的数据特征和工艺逻辑都不相同。这种碎片化究竟是工业AI规模化落地的根本障碍，还是恰好是它的机会？

肖松：工业场景碎片化，既是挑战，也是机会。场景差异的背后，是大量具体而多样的产业需求，工业AI要创造实际价值，空间正由此而来。AI一旦真正进入关键行业，带来的可能不只是效率提升，还会对质量、成本、能耗和生产方式形成系统性重塑。

所以工业AI要规模化，不是去抹平场景差异，而是在差异里找出可复用的共性，把它沉淀成标准化、模块化的能力，再按具体工艺和需求灵活适配。

21世纪：工业AI落地的主要瓶颈或许不在算法，而在数据质量和场景对接。从行业公共政策的角度看，要破解这一结构性问题，政府、企业、研究机构各自该扮演什么角色？有没有一种数据共享的产业公地模式？

肖松：进入AI时代，生态合作比过去任何时候都更重要。工业现场和工艺千差万别，数据又高度复杂、体量巨大，经过治理、带有工业语义、能安全使用的高质量数据相当稀缺；另外，高质量数据怎样在市场上通过交易产生规模化价值？这几道难题没有哪家企业能独自解决，需要政府、行业组织、企业和科研机构各司其职、形成合力，在安全合规的前提下一起完善数据流通机制。

在安全合规的前提下，要敢于把场景和数据开放出来，AI只有更懂工业、更深入制造的毛细血管，数据的价值才能被激活，整个产业才能受益。

在这方面，西门子正依托自身优势推动数据可信流通和真实场景开放，与合作伙伴一起摸索工业AI的落地路径：推动数据可信流通上，西门子已和北京国际大数据交易所合作，探索工业可信数据空间打造、工业数据资产化及工业数据应用创新，让工业数据在安全可信的前提下释放价值；开放真实工业场景上，今年10月，西门子宣布开放中国五家工厂的六类具身智能应用场景，与生态伙伴共同探索物理AI在真实工业环境中的应用，让技术在具体生产场景中接受验证、持续迭代。

坦白讲，我不觉得光靠“共享”就能建成可持续的产业数据公地。靠倡议也许能起步，但要真正走远得靠产生价值：数据只有被使用、被交易时产生价值，才能带来更多高质量数据，高质量数据也才能流动起来，这就回到商业的本质：创造价值。这才是破局的关键。

所以第一步是把规则讲清楚。所有权上，每个客户的数据归客户自己；交易权上，什么能交易、边界在哪里、通过什么机构交易，也需要充分而清晰的定义。规则清楚了，数据才能从“共享”走向“可交易、可持续”。

21世纪：你眼下还兼任国际智能制造联盟副主席，这个位置让你有条件在中外工业界中间搭桥。那你怎么看，眼下全球工业AI合作最难迈过去的坎儿是什么——是技术标准各说各话，是数据跨境流动的制度门槛，还是再往深里说的信任缺口？国际组织又能在这个过程里起到哪些别人替代不了的作用？

肖松：工业AI牵扯数据、软件、硬件、模型和行业知识等好几个层面，产业链本身也高度国际化。所以标准怎么协同、数据安全怎么合规、彼此怎么建立信任，都是国际合作绕不开的共同课题。

技术进步要靠竞争来推，但竞争该把创新往前带，而不是把交流合作堵死。落到工业AI上，安全、可靠、可信是行业共同守的底线，也是合作能谈下去的重要基础。不同国家和市场的监管要求、发展路径都得尊重，同时还得在技术标准、数据安全、产业应用这些方面多找共识。

这当中，国际组织能起的作用，就是搭一个相对开放、中立的交流平台，把政府、企业、科研机构、行业组织这些不同参与方连起来，推动标准协同、经验分享和联合创新，靠一件件务实合作慢慢把信任攒起来。

21世纪：AI一步步介入工程执行本身之后，对工业领域的人才结构意味着什么？我们是不是正走到一个工程师角色要被重新定义的临界点上？

肖松：AI确实在改工程师的工作方式，但这件事的关键不在替代工程师，而在于让工程师能创造出更大的价值。行业知识、工程实践经验，加上建立在这两者之上的综合判断力，仍然是释放工业AI潜力的关键，这也是AI时代工程师核心价值所在。

不过，AI对工程师也提出了更高的要求。那些传统、单一的知识和技能，很快就会面临被AI颠覆或取代的局面；既懂数据、算法，又具备行业洞察和项目经验的复合型工程师，则会变得供不应求。以往工程专业的毕业生还能靠几年基础工作慢慢积累行业知识和经验，如今AI把这个时间窗口大幅压缩了，他们必须更快形成洞察和判断能力，不光要管好、用好AI，还得在AI不擅长的领域发挥价值。

所以说，靠传统那套“理论灌输”加“标准答案”的工程教育，已经远远不够用了。得走学行交替、产教融合的路子，让课堂跟前沿科技的脉搏、跟企业的真实需求紧紧接上，让学生的理论学习和项目实践两头都动起来。这是挑战，但更是工程教育的一个战略机遇。比如在长三角地区，西门子将和江苏产业技术研究院共建一所未来制造学院，面向产业前沿、突出工程实践，在智能工厂、工业AI、数字孪生等领域把国际化教育资源和实践场景融到一起，推动人才培养和产业需求两边对得上。

21世纪：从你的跨行业观察来看，工业AI的“价值兑现”最可能率先在哪些类型的场景中实现突破？

肖松：工业AI落地，核心是以场景为牵引，从具体业务场景入手稳步推进，从单点突破到规模化跃迁。

具体怎么做？先得找准高价值场景——这种场景要同时具备四个特征：痛点够高频、数据可获取、价值可量化、可推广复制。拿质量检测来说，我们的Smart Detection智能质检平台已经在多家工厂规模化部署，硬件成本降低90%，交付周期从“周级”缩短到“小时级”。再拿工程设计与开发来说，西门子全球首款工程智能体——Eigen能辅助完成PLC（控制器）编程、HMI（人机界面）设计和设备配置组态等任务，帮多项日常工程任务提了速：执行效率较手动工作流提升2至5倍，工程效率提升50%，方案质量提升80%。

接下来，得用场景来牵引数据建设——工业数据只有围着具体场景去采集、治理、标注，才能变成能用的训练资产。同时还要把软硬融合的系统能力打通——工业AI必须嵌进设备、软件、工艺和流程里，把感知、决策、执行、反馈这个闭环跑通。另外，开放式创新和生态协同也得坚持做。

21世纪：展望未来三到五年，你预计工业AI会呈现哪些变化或者趋势？会出现实质性飞跃吗？

肖松：AI发展的速度，恐怕对于未来最大胆的想象，事后都会显得保守。展望未来三到五年，我期待看到三个方面的变化。

第一，工业AI正从“给建议的助手”变成“直接完成工程任务的数字同事”。AI会越来越多地进入代码生成、设备配置、界面开发这类工程任务。往后随着能力不断完善，工程师就能把更多精力放到系统设计、复杂问题解决，以及对工程结果的判断和验证上。

第二，工业AI会从单点应用一点点铺到工业全流程、产业全链条。从产品设计、研发、测试、生产，到物流、运维和服务，AI创造价值的空间都在。关键是在高价值场景里先突破，再推动不同环节之间的数据贯通和系统协同，让局部的效率提升慢慢变成整体生产能力的提升。

第三，AI会加快数实融合，真正帮人类把想象力变成生产力。这一点可以从两个维度来看：其一，AI让数字世界更“真”。有了AI，企业不光能在数字世界里更准确地还原生产现场，还能看清运行规律、预判生产变化，在实际投产或调整之前先把方案验证一遍，让生产决策更有依据；其二，软硬协同发力，让智能指令落“地”。硬件是物理世界的控制入口，数字世界给出的建议，最后还是要通过硬件才能变成实际动作，只有软硬深度融合，虚拟决策才能真正转成制造现场的实际效能。