编辑｜微胖

我看到的不是一个个单品，而是一条完整的轨道，让AI列车加速驶入真实世界的每一座工厂、每一台设备、每一条产线。

物理 AI 的「中国时刻」

那些在春晚舞台上展示「快速走位」的宇树机器人，并不只是节庆里的技术奇观。它们已开始走进西门子在德国的工厂，学习最常见的搬运。从 CES 2026 到 GTC 大会，「物理 AI」被黄仁勋反复推向舞台中心。就连 Jeff Bezos 也在洽谈筹集千亿美金，加码制造转型。

西门子首席执行官博乐仁表示，该公司正在人形机器人上测试SIMOVE ANS+导航软件。博乐仁（linkedIn）。

在大会展区与AGV互动的宇树机器人

与此同时，另一条路径也在加速展开——让人工智能真正理解物理世界本身：DeepSeek 推动三维建模取得突破，李飞飞创立的 World Labs 新获 10 亿美金融资。

当一场围绕「人工智能如何进入物理世界」的隔空对话真正来到西门子的天然主场——还有谁，会比这位深嵌于现实世界运行体系中的工业玩家，更有发言权呢？

相比普通人可以直接上手的 Seedance 2.0 、「小龙虾」，西门子的技术几乎没有「体感」，却又无处不在，几乎嵌入了现代工业与城市运行的每一个关键环节，包括决定你这部手机的出生方式。

3 月 23 日，北京，西门子 Siemens RXD 大会（ Reality meets Digital ）开幕。主论坛、分论坛、开放舞台演讲还有 3000 平方米的展区，被用来回应一个正在被反复讨论、却始终缺乏系统答案的难题——

人工智能技术如何进入现实世界，并在那里停留下来，成为变革的基石，而不是快闪的奇观。

一套技术栈，消融虚实边界

在西门子首席执行官博乐仁的主旨演讲中，一个被反复强调的判断再次被置于中心——

人工智能并非又一轮技术迭代，而是一种通用型技术（ general-purpose technology ）。其意义，可与电力之于工业时代相提并论，甚至更为深远。

当人工智能进入物理系统时，它就不再只是一个功能，而是影响现实的力量。它将改变人们的工作与生活方式，重塑生产与消费，并让整个系统更加高效、自主且具适应性。

博乐仁称，我们已经进入工业人工智能革命。但强大的人工智能模型是一回事，将它们应用于现实世界的问题并将其规模化，「完全是另一回事。」而西门子拥有一套贯通硬件、软件与数据的技术栈，构成将 AI 带入现实世界的基础。

当 AI 进入物理世界时，硬件却比以往任何时候都更重要。博乐仁展示了一台配备 GPU 的工业计算机（ IPC ）：模型在云端训练，在本地完成推理，并直接驱动控制系统。在奥迪工厂，AI 已用于高速检测焊接质量；在成都工厂，机器人借助三维视觉完成无序抓取。

此次大会发布的 26 款新品中，绝大多数指向硬件，也清楚表明，如果缺少底层支撑，AI 仍将滞留云端，难以化为现实世界中的生产力。

此次大会发布的 26 款新品

如果说硬件犹如「手脚」，解决的是系统能否在现实世界中稳定运行，如何让「手脚」变得更聪明，则取决于软件。博乐仁指出，被 AI 加速后的数字孪生，也来到了一个新高度。

用户可以借助西门子的工业软件，构建一个基于物理规律、可实时运行的数字孪生系统。这意味着，在现实世界中投入第一块砖、安装第一台设备之前，企业已在虚拟环境中预演并消化了成千上万次潜在失败。

在「工业 AI，实见未来」的展区，新推出的 Digital Twin Composer 正体现了这一巨大转变。据现场的工作人员介绍，借助 Digital Twin Composer、NVIDIA Omniverse 以及计算机视觉技术，百事可乐已能够以接近物理级精度重建其生产系统——

从单台设备、传送带到托盘路径与操作员动线，均被纳入一个持续更新的数字环境之中。

在这一环境中，AI Agent 得以对系统变更进行模拟、测试与优化。这并非单一智能体的作用，而是一套由编排型 Agent 统筹、由设备、机器、产品与流程等多类 Agent 协同构成的系统。

文中视频链接：https://mp.weixin.qq.com/s/Tk4TaItYzS4J6U8tRPD0Og

大会展区现场展示的百事可乐公司的案例

但物理世界的维修与更换仍需人来完成，人工智能通过智能眼镜等方式为一线人员提供即时指导，实现人机协同。

其收效颇为可观。在任何实体改造前，人工智能已经识别出高达90%的潜在问题。初步部署已将吞吐量提升约 20%，设计周期也随之缩短，许多方案能够在首次部署时就完成验证。

同时，通过在虚拟环境中发掘潜在产能并前置投资决策，资本支出可降低约 10% 至 15% 。

这套以数字孪生为核心、数据驱动并通过 AI Agent 实现闭环控制的系统带来的不只是效率提升，更是生产逻辑的重构：

从过去仅服务于设计阶段的仿真工具，到贯穿「设计—制造—运营」全生命周期的系统，数字世界不再是映射，而是驱动现实的引擎。

生产制造也由此迈向一个持续自适应、不断优化的人机协同体系，并最终推动生产力的跃迁。

工业AI的分水岭：数据「炼金」

按照博乐仁说法，西门子的全栈能力，不只是软硬件整合，更关键在于其长期沉淀的工业数据资产。因为，在工业人工智能领域，数据不是附属资源，而是决定模型能否落地的前提。

他分享过一个颇具说服力的案例：仅有 LLM 本身，还远远不够。

如果只依赖通用模型或其衍生的 Agent，或许已经接近工业所需的水平，但始终达不到真正可用的精度。关键在于，我们用自己的工业数据对模型进行再训练——包括专有数据、产品数据、设备数据以及运行数据。

更重要的是，还叠加了历史问题与解决方案的经验。就像工厂车间里那块写满故障与处理记录的白板，这些隐性的经验，如今都被系统性地输入模型之中。于是，当类似问题再次出现时，系统能够识别其模式，并直接给出对应解法。

这就是我们所说的工业 AI 模型：不是通用能力的简单延伸，而是经由工业数据训练后形成的专用能力。它既具备跨场景的适用性，又能深入到具体设备与工艺层面实现高精度判断，使问题解决的命中率从 60%-70% 提升至接近 95% 。只有达到这一水平，AI 才真正具备工业应用的价值。

在随后的圆桌讨论中，西门子中国董事长、总裁兼首席执行官肖松与嘉宾也深入探讨了数据与场景的重要性。

西门子中国董事长、总裁兼首席执行官肖松与嘉宾也深入探讨了数据与场景的重要性。

一方面，工业 AI 不同于通用 AI，它高度依赖具体场景中的多模态数据（设备、流程、环境等）。硬件提供感知与执行能力，软件提供算法与模型，但如果缺乏长期积累的真实工业数据，模型就无法有效训练，也无法理解复杂的工业场景，最终难以落地。

另一方面，工业数据本身获取难、分散且非标准化，很多企业「有数据但用不好」，甚至存在数据与业务脱节的问题。这使得数据不仅是资源，更是门槛——谁掌握了高质量、可用的数据，谁才能真正释放 AI 价值。因此，必须以高价值场景为牵引，推动多模态模型与产业知识融合，实现「看得懂、用得上、算得清」的闭环。

当然，要实现规模化突破，最终还要依赖制度与生态的协同演进，包括数据产权界定、流通机制完善以及「数据工厂」等新型基础设施建设。

170 年 Know-how 护城河：

行业「肌理」的理解力

如果说，一个连接数据、软件与智能硬件的技术栈，是 AI 融入物理现实的基础，那么，其成效最终取决于行业知识。这正构成西门子最难被复制的能力。

这一点在工业 AI 的实际应用中尤为明显。正如肖松所言，工业 AI 的竞争，关键不在模型参数，而在具体应用，几十个垂直行业，每个行业的工艺都不同。

例如，展区中一款基于 AI 的程序转换 Agent，能够将其他厂商数控机床的「语言」，自动转译为西门子数控系统可识别的 SINUMERIK 代码。表面上是代码转换，实则是对两套加工「语系」的重新对齐，需要对加工机理有深刻理解。

类似的，新应用 SiePA Pro 3.0 通过预测性维护，将设备管理从周期性检修转向数据驱动的主动决策，提前预警。背后比拼的是对设备机理、故障模式与工程经验的深刻沉淀。

大会展区里新应用 SiePA Pro 3.0 的demo展示

然而，这些知识并不存在于公开互联网之中，完全沉淀于西门子逾 170 年的行业实践之上：1500 名 AI 专家、数以万计的工程师，以及覆盖 40 多个行业的积累，共同构成一套理解复杂工业场景的认知体系。

其渗透之深，也外化于广泛而深入的系统嵌入。例如，几乎所有汽车都会与西门子的技术产生关联。它们要么由西门子的技术设计，要么由西门子技术制造。全球每三条制造产线中，就有一条运行在西门子的控制系统之上。全球约 70% 的电力流经由西门子软件规划或优化的电网。

此时，我不禁想起西门子 AI 技术负责人 Robert Lohmeyer 曾直言，这种能力，并非成立仅 20 余年的数字公司或互联网企业所能比肩，未来 25 年也难以复制。

生态引力，从能力到规模

然而，能力并不自动转化为规模。工业 AI 的本质是高度碎片化，单一厂商难以覆盖所有场景。要实现从个案突破到系统性落地，必须依赖生态。

一个细节颇具象征意义：展区中超过六成合作伙伴已带来 AI 相关产品，覆盖数据中心、钢铁、生物医药、食品饮料等关键行业。这意味着，工业 AI 正从概念验证走向规模应用。而西门子所扮演的角色，不仅是「做应用」，还「授人以渔」。

例如，通过西门子 Xcelerator 平台，其底层模型能力、工程工具与行业 know-how 被模块化开放，企业可以在统一基座上构建自身解决方案。

而更大生态的运转，依赖两个关键节点的支撑。

在物理世界中，所有优化都依赖高精度仿真，而英伟达的加入，让这一能力实现数量级跃迁。博乐仁将双方合作称为「战略加速器」，主要体现在三点。

其一，仿真能力大幅提升，算力加持下相关软件性能可达百倍甚至千倍，在电动车开发中可显著减少风洞测试；

其二，芯片设计效率最高提升十倍；

其三，在新一代数据中心与 AI 工厂中，通过数字孪生完成前期设计，并在运行后由AI接管系统控制。

与阿里云的战略协作侧重基础设施与生态连接，解决的是 AI 在中国复杂环境中的规模化部署问题。例如，借助阿里云的生态连接能力，工业解决方案得以更顺畅嵌入企业既有生产体系。

由此可见，西门子所构建的，其实是一套能够持续生成工业 AI 应用的基础设施——也是其试图规模化重塑工业形态的关键所在。

在「最卷」的测试场穿越技术周期

西门子将本次大会命名为 Siemens RXD（Reality meets Digital），几乎可以视为对工业 AI 本质的高度概括：AI 不再停留在数字世界，而是进入物理现实并产生实际影响。当工业 AI 从试验走向规模化，现实与数字的融合需要跨区域的协同联动，在实体经济中完成硬核着陆。

这一转变，并不会在任何地方均匀发生。它需要密集的制造场景、真实的工业数据，以及能够快速验证与迭代的产业环境。

因此，首届大会落地北京，几乎是一种必然。正如阿里巴巴集团主席蔡崇信在大会现场所说：「作为全球最大的制造业经济体，我深信中国是工业人工智能最佳的试验场。」

阿里巴巴集团主席蔡崇信在大会上与博乐仁对话

顺着这一逻辑，更深一层的线索随之浮现。

这家「百年字号」之所以能够穿越多个技术周期，关键或许不在规模或历史本身，而在其一贯的策略选择：不断进入变化最剧烈的区域。

170 多年来，它持续进入新领域，也不断退出旧业务；在多轮技术浪潮与产业迁移中，其业务结构数次被重塑。但在这些变化之中，始终存在一条稳定的主线——持续的自我重构。

正如其管理层所强调的，西门子的历史，从来不是线性延续，而是一系列主动调整的叠加。而当前这一轮以工业 AI 为核心的转型，在博乐仁看来，是其 170 年历史中最迅速、也最深刻的一次。

技术浪潮总在更替。新的公司不断涌现，旧的领先者被替代，「顶流」的更迭几乎成为常态。

然而，在这一循环之中，西门子始终在场。

北京这场 RXD 大会，既是一次阶段性的展示，也是一种延续性的表达：在最复杂、最活跃的现实环境中，让 AI 与现实相遇，并完成新一轮进化。