在线会议
论坛
专题
工控直播
新闻中心
子站
技术
社区
自2022年末以来，人工智能（AI）在全球范围内激发了企业领导者的想象力，主导了各行业的发展路线图，也成为了管理层热议的焦点。但如今走进一家制造工厂，你会发现似乎并没有很大改变 —— AI的前景尚未转化为可衡量的成果。
麻省理工学院通过一系列访谈和调查以及约300个公开AI部署案例的分析，揭示了一个令人警醒的事实：95%的企业在盈亏方面没有看到任何可量化的影响，只有5%的试点项目真正推动了有意义的收入增长或成本降低。
在对比一组调查后，这一脱节现象愈发令人困惑：2024年，制造业领导力委员会与德勤的联合调查显示，78%的制造商认为AI是其数字战略的核心；但来自德勤的最新研究报告表明，只有29%的制造商在工厂或网络层面运行AI和机器学习，仅24%的制造商大规模部署了生成式AI。
AI的炒作、落地与价值之间的差距，在供应商领域也体现得淋漓尽致。许多制造业AI供应商的裁员情况说明了问题所在。如果客户的AI软件部署确实取得成功，收入理应随之增长，这些供应商也会蓬勃发展、扩充团队。然而，LinkedIn数据却揭示了相反的趋势：传统AI供应商的员工规模正在缩减，因为它们难以证明自身价值。
认清核心挑战
AI创新与广泛部署之间的鸿沟对所有相关方都构成了重大挑战，包括制造业企业、供应商以及整个社会。其风险不仅关乎生产力CONTROL ENGINEERING China版权所有，还涵盖关键的可持续性目标、工作场所安全标准以及全球市场中的竞争地位。工业需要AI产生积极影响www.cechina.cn，因为它将在制造业的未来发挥关键作用。企业需要能够持续实现更快、更准确的数据驱动决策的洞察，以改善关键生产指标和成果。制造企业不能只是更努力地工作，它们必须通过利用AI大规模地做出更好的决策，从而更智能地工作。
那么，AI部署容易失败的真正原因是什么？传统观点认为问题在于数据和信任，这些因素确实重要。AI模型需要密集的数据访问、清洗、情境化和迁移，这催生了工业数据运营市场。此外，信任问题仍然是一个障碍，因为工厂员工自然会抵制黑箱AI解决方案，不过当分析由最终用户使用其自己的数据科学工具和基础设施来定义时，这种抵制通常会减弱。
然而，AI在制造业挣扎的真正原因比数据或信任问题要深刻得多。成功部署AI的最大障碍是，企业根本没有足够的人员来使其发挥作用，而现有工厂员工已经疲于应付当前职责的事实更加剧了这一状况。
员工短缺造成了一个根本性的悖论。虽然企业解决了数据挑战，且IT领导层越来越多地要求在制造工厂中集成AI，但如果没有可用的人员来有效实施和管理这些创新，它们就不可能成功落地。如果没有足够的人力资源来部署、监控和优化AI系统，即使是最复杂的解决方案也无法实现其承诺的影响。
这一现实正在推动AI供应商格局的关键拐点。我们正见证着从第一代AI制造供应商向第二代的过渡——第一代供应商创建了依赖用户（内部和外包）的软件，而第二代自主软件旨在加速和赋能用户，而不是成为他们的负担。
另一种路径正如近期分析师和意见领袖文章中所述，设想新一代经过技能提升的工厂员工，经过培训能够部署和使用AI创新。在我们看来，这种做法只会加剧本已稀缺的专业资源的工作负荷问题。这一思路完全忽视了近期最成功的AI应用案例带来的启示：ChatGPT和大语言模型的成功并非因为用户成为了AI专家；它们的成功是因为软件通过直观、自然而不繁琐的界面，连接了用户现有的技能和经验。
制造业需要的不是让已不堪重负的员工接受更多培训，而是从根本上重新构想AI与制造团队的协作方式 —— 从需要大量变革管理和培训的系统，转向能够直接为人类创造价值的自主软件。
角色即服务：全新解决方案
角色即服务（Persona as a Service）模式提供了一条新的前进路径。该模式利用代表特定制造业角色的数字代理，每个AI代理都能在特定细分领域执行针对性任务CONTROL ENGINEERING China版权所有，并交付可衡量的业务成果。
想象一下：操作员代理持续监控生产参数，可靠性代理在设备故障发生前进行预测CONTROL ENGINEERING China版权所有，诊断代理实时排查质量问题，维护代理根据资产实际状况优化调度，质量代理能以远超人类检查员的速度发现缺陷。要让普通制造员工能够使用这些代理，就必须达到这样的专业化程度。相比之下，当前的解决方案往往功能通用，仅能为少数特定人群创造价值。
这些数字代理使用工厂团队的语言，无缝连接到工厂资源和应用程序（如APM、MES和CMMS），并基于实时数据全天候运行，通过推理解决特定的、目标导向的挑战。与传统AI工具需要精通技术和制造的专家持续投入精力维护不同，这种自主软件独立运行，不仅提供洞察，更重要的是能与员工协同行动，聚焦最高价值的战略优先级。
这一模式从根本上改变了讨论的重心：从AI模型的复杂程度，到聚焦其对关键制造 KPI 的可量化影响。衡量成功的标准不是算法复杂度，而是记录在系统中的已验证成果。这些成果的衡量包括清晰的基准线、干预措施和结果，任何工厂经理都能理解并信任。在当前普遍存在 “警报疲劳” 的环境下，这种基于证据的方式能够建立可信度，同时通过本质上分担角色工作负载，帮助制造商解决劳动力短缺问题，减轻人力资源压力。
例如，Palantir 公司已经通过其前沿部署工程师（FDE）率先践行了这一模式，他们借助技术支持的服务，有效将角色即服务概念落地。Palantir 并非简单地授权软件使用、让客户自行摸索，而是将专业工程师直接嵌入制造业运营中。这些前沿部署工程师成为每个职能角色（操作员、维护人员、质量管理人员）的临时成员，理解成功的定义，然后构建能够独立交付这些成果的代理。这让波音、Lear等制造商无需招聘、培训和留住专业的数据科学家和AI工程师，就能获得领先的AI能力。角色即服务供应商致力于在数小时内（而非数月）提供所有这些背景知识和专业技能。
这种以成果为导向的方式引发了一个关于定价模式的有趣问题：制造代理能否转向基于结果的定价模式，将付款与已验证的成果挂钩 —— 例如每避免一分钟停机时间带来的价值、设备综合效率（OEE）提升或缺陷率降低？这种模式将降低客户的采用风险，并激励供应商交付可衡量的绩效。尽管在制造业中这种方式尚不常见，但它能让价值主张更清晰明确，同时让市场动态随时间推移决定最优定价。
第二代AI：自主软件已然来临
第二代制造业AI软件并非未来愿景，如今已有数十家市场供应商提供相关产品，这些供应商的成熟度各不相同（见图 1）。Uptime AI、Arch Systems 等老牌企业在生产环境中部署自主解决方案的业绩记录良好；Juna AI、OpsMate等新进入者则带来了应对制造业挑战的创新方法；同时，Tulip 等现有供应商正将其平台转向自主功能，推出了视频AI编辑器、代理库和代理构建器等产品，让用户能够自行设计和部署代理。
图 1：第二代制造业AI软件解决了早期产品存在的问题www.cechina.cn，并增添了独特功能。
无论这些供应商的垂直市场定位或市场资历如何，它们的共同之处在于：超越了算法和大型语言模型，提供能够自主分析、学习并提供生产洞察和建议的产品。
ARC咨询的Peter Reynolds将这一演变趋势定义为 “人工智能优化（AIO）市场”，它代表了下一代模型预测控制（MPC）和实时优化（RTO）产品 —— AI软件实时优化流程和资产绩效，以实现既定优先级目标。也可以将其理解为 “操作员即服务”，对特定工厂资产进行全天候优化。例如，Imubit 公司已在下游油气设施中部署了自主优化代理，使每个设施的炼油厂利润率每年提升 2%-4%，价值数千万美元。
在这一新兴领域，AI不再仅仅是辅助操作员，而是针对特定资产优化任务为操作员提供支持，真正实现了第二代自主软件解决方案。结果不言而喻：这些公司正在扩张规模、增加员工，并在多个客户场所推广应用，而传统人工智能供应商却在挣扎求生（见图 2）。
图 2：新一代制造业AI软件为终端用户提供了明确的价值主张。
除了流程优化，第二代制造业AI供应商还在不同职能领域涌现，提供具备分析能力的软件解决方案。Squint 等公司正在构建操作员指导代理，提供实时工作指导和质量检查；Augury 的诊断代理监控工业设备，提前数周预测故障。这些专业化代理证明，自主软件能够解决特定的制造业挑战，同时交付可衡量的业务影响。
当企业考虑采用第二代AI软件时，阻碍AI应用的组织和基础设施问题不会一夜之间消失。制造商需要采取积极措施，为这一新软件时代做好准备：既要解决与人工智能相关的已知挑战（包括信任、数据和资源分配），也要完成成功所需的组织转型。
构建合适的数据基础
制造商联盟相关调查发现，47%的制造商将数据碎片化视为实施AI的重大障碍。关键运营数据仍被困在相互隔离的系统中，因为OT系统（如SCADA和PLC等）与IT系统（如ERP、MES等）各自独立运行。这种碎片化导致自主软件无法获得全面的运营视角，而且这些碎片化数据往往质量低下、不一致或缺少关键元数据。
为解决这一问题，明智的制造商正在实施统一命名空间（UNS）架构，本质上是创建一种通用数据语言，使所有工厂系统能够有效通信。这些架构构建了实时数据架构，将数据源与数据消费者分离，同时标准化工业自动化各层级的语义。其目标是持续丰富数据，协调资产、生产线和工厂层面的运营视角（实际运行状态、维护状态和设计状态）。
数据战略还必须考虑一个关键的双重性：制造数据既是企业资源（需要业务分析师、数据科学家和管理人员进行集中分析），也是工厂层面的实时运营资源（供工程师和运营团队使用）。这一双重需求推动了混合架构的采用。领先的数据运营供应商提供向云数据中心迁移数据的关键能力，同时支持在边缘端运行算法，以便在需要实时决策的场景下进行临时本地分析。
协调员工与激励措施
在工厂中，要超越通用运营指标，就需要根据特定成果来衡量操作员、维护团队和能源团队的绩效 —— 例如，超出基准绩效的每避免一分钟停机时间的价值，或高于既定基准的产量提升百分比。这些基于设备综合效率（OEE）的衍生指标，易于能够直接影响它们的工厂经理、主管和操作员理解。Imubit 在某大型炼油厂部署优化代理时，将操作员奖金与代理带来的利润率提升挂钩。这一做法实现了人类员工与AI的协同一致，使变革在初始试点项目后持续推进。
正如数据战略需要同时关注工厂和企业层面一样，员工参与创新的意愿和激励措施也需要双重聚焦。许多明智的制造商正在建立卓越中心（CoE），为其制造基地提供组织支柱 —— 包括高管赞助人、跨职能核心团队、数字门户和受管的用例待办清单。
这些卓越中心将有限的技术资源集中在可获胜的领域，在组织内部培养深厚的领域专业知识，并建立拓展到相关运营问题所需的可信度。集中化结构还通过建立工厂层面人员与企业AI和 IT 团队之间的清晰协作路径，以及为员工提供更多灵活性，帮助解决资源约束问题。
关键在于，这一模式确保AI系统避免了常见的失败模式 —— 仅基于缺乏丰富运营背景和一线人类专业知识的原始传感器数据进行训练，而这些背景和知识对于正确解读数据至关重要。这使得AI决策对工厂人员而言透明且可解释，他们需要信任并与这些系统协同工作。这一做法显著降低了采用门槛，同时缓解了文化抵触和对失业的担忧 —— 这些往往是AI项目成功的最大非技术障碍。
建立对AI洞察与行动的信任
工厂员工与AI解决方案提供的洞察之间的信任差距是可以理解的。当安全和运营目标面临风险时，“算法推荐的”不足以成为理由。这种信任问题无处不在，从强调“可解释AI”的供应商网站，到员工可能经历过的AI承诺落空的历史，再到当前AI系统产生的误报和警报洪流。当大量数据遇到众多算法而没有足够的运营情境或基于物理学的专业知识时，这些问题便不可避免。
弥合这一鸿沟需要时间和已验证的绩效 —— 信任必须靠努力赢得，但这一过程可以加速。第二代AI供应商通过具备人机协同交互学习能力的系统来建立信任：当操作员否决建议或验证建议时，系统会不断改进，形成 “更优洞察→更高信任” 的良性循环。
对于AI能够通过更改设置和操控控件直接采取行动的闭环系统，市场上出现了两条不同路径。
第一条是渐进式自主：用户在熟悉云端生成的系统洞察后，再启用闭环功能，从仅提供建议过渡到需要审批，最终在信任建立后实现边缘端自主控制。
第二条路径聚焦特定资产类别或垂直市场，精确定义和限定AI的作用范围和控制权限。这种精准定位让用户更容易理解系统的局限性，更顺畅地与系统洞察交互，通过清晰性建立信任。当用户信任代理能够在已知边界内做出明确决策时，最初的抵触情绪就会转变为高效协作。
自主工业的未来
制造业正处于转折点。第一代AI软件向本已不堪重负的员工提出了更高要求，创造的工具需要持续的人力投入和专业知识支持。而第二代自主软件专为特定应用设计，以角色即服务模式为载体，扭转了这一局面 —— 它增强人类能力，捕捉机构知识，从运营背景中学习，并独立分析复杂的运营挑战。
如今的专业化代理通过提供特定洞察优化制造流程，帮助制造商更高效地运营。未来的网络化系统将协调整个价值链 —— 从采购、生产调度到质量控制和物流，构建无需持续人工干预、能够持续学习、适应和改进的工业生态系统。那些通过构建、部署自主代理并证明其在高价值角色中价值的制造商和供应商，不仅将参与制造业的未来，更将以微软所说的 “前沿企业” 身份定义未来。这场变革是否会发生已无需质疑，唯一的问题是：您的企业将处于这一变革的哪一侧？
* 本文来自ISA，作者为Aditya Raghupathy，Dan Hebert 和 Michael Risse。
剑维软件电子半导体行业白皮书有奖下载
魏德米勒麒麟系列产品赋能本土工业
Fluke 283 FC 智能万用表震撼来袭
SugonRI2.0工业编程平台免费有奖试用
IDEC HR8S系列新一代安全继电器有奖试用活动
