作者：金旺
当大模型可以写代码、做分析、调用工具，几乎所有企业都开始追问同一件事：
如何把大模型接入生产流程，以实现降本增效？
但工厂不是聊天框，大模型一个看似合理却不准确的回答，放在消费场景里或许只是一次糟糕的体验，但当进入芯片设计、汽车制造和机器人生产领域，却有可能变成返工、停产，甚至安全事故。
这些问题，也是西门子在面向人工智能转型时，需要面对的问题。
实际上，在大模型风起云涌的这些年里，西门子也在向AI靠近，就在西门子大中华区Realize LIVE用户大会2026上，我们现场看到了西门子面向中国企业首发的企业级智能体平台Intelligence Center X（简称ICX）。
基于这一平台，西门子试图将分散的数据、工业知识、AI模型和业务流程放进同一套系统，让智能体从回答问题走向执行任务。
ICX，也成了西门子面向工业AI又一次迈出的重要一步。
01 工业AI落地的三大难题
2026年，工业AI的叙事正在发生变化。
过去几年里，企业更关心AI能做什么，不少企业纷纷围绕大模型搭建知识库、问答助手和概念验证项目，在经历了一系列探索和验证后，如今AI开始走出聊天框，进入芯片、汽车、机器人、能源装备和生产线。
这时，企业关心的问题也变成了，AI能不能持续运行，能不能对结果负责，又能不能从一个场景复制到整个组织。
中国拥有完整的制造业体系，也为工业AI提供了足够多的真实场景，但在西门子工业软件中国董事长及总经理梁乃明看来，工业AI在企业中国年落地仍然面对三大难题——“AI项目很多，真正创造价值的不多；数据很多，工程知识却是分散的；试点很多，规模化应用依然困难。”
首先是数据难题。
制造业企业通常不缺数据，他们的PLM中保存着产品和零件数据，ERP记录了供应商与成本信息，MES连接着生产过程，CRM还有客户与售后信息。
然而，现实是，这些数据分散在不同系统中，使用不同标准，缺少统一语义，也未必实时更新。
西门子数字化工业软件总裁兼首席执行官Tony Hemmelgarn就指出，“目前仍有约50%的客户在个人桌面或文件系统中管理自己的工程数据，即使企业建立了数据湖，其中保存的往往只是某个时间点的快照，难以完整保留持续变化的产品配置和设计意图。”
工业数据始终伴随版本、配置、权限和设计意图变化，同一个零件装在哪款产品、属于哪个版本、由谁修改、会影响哪些工序，这些关系并不会天然存在于一张数据表中。
一份二十年前的旧文件如果被AI当成最新标准，生成的答案越流畅，潜在风险反而越大。
第二个难题，是概率模型如何进入一个强调确定性的工业世界。
大模型擅长根据概率生成结果，但芯片的热、电和机械结构，机器人的动力学、寿命和可靠性，汽车软件与处理器、网络、线束之间的关系，都受物理规律约束。
工业企业无法接受“基本正确”，更不能让未经验证的答案直接进入生产。
第三个难题，是如何跨过POC与规模化应用之间的鸿沟。
Tony Hemmelgarn和西门子数字化工业软件PLM产品执行副总裁Joe Bohman在接受媒体采访时，提到了大量AI项目停滞的两个原因：
一是项目没有对准明确的业务结果，由于缺乏对业务结果的聚焦，很多客户没有围绕关键业务问题部署AI，这导致大量AI项目停留在POC阶段；
二是很多企业的AI项目依赖外包团队，如此不仅容易对服务团队形成依赖，也使得企业没有把数据、流程和方法沉淀为自己的能力。
而一个工业AI项目最终必须回答诸如“节省了多少能耗，缩短了多少研发时间，减少了多少样机，提高了多少良率，又避免了多少停机损失”等问题，离开这些指标，AI很容易成为一场效果不错、却无法复制的演示。
数据要可信，结果要确定，项目还要能够复制，这三道门槛明确了企业需求的变化——企业需要的不再是一个孤立的模型，而是一套能够连接数据、工程工具和业务流程的系统。
西门子ICX正是在这个背景下孕育而生。
02 西门子ICX的AI演进路线
智能体正在改变企业软件的使用方式。
过去，软件等待人发出指令，Copilot出现后，软件开始理解问题、推荐操作，而在进入智能体阶段，AI还需要沿着业务流程调用工具、修改数据，并把任务交给下一个系统。
这使数字主线变得更加重要，Joe Bohman指出，数字主线的核心并不是一条数据传输通道，而是企业真实的业务流程。
流程不会停留在某一套软件中，它可能从PLM进入ERP，再进入MES和售后服务系统，智能体要跨系统工作，就必须知道数据之间的关系，也要知道自己处于流程中的哪一步。
ICX因此没有被设计成一个大模型，它实则是位于企业现有系统之上的AI编排层，向下连接PLM、ERP、MES、CRM和OT数据，向上管理模型、Agent与工作流，并对每一次数据访问和智能体决策进行追踪。
ICX平台首先需要建立企业的“上下文”。
RapidMiner Graph Studio负责连接不同系统中的数据，构建知识图谱和工业本体，所谓工业本体，就是让AI理解一个零件属于哪台设备、一次设计变更会影响哪些工序、设备故障又会进一步影响哪些订单和客户。
它并不要求把所有数据简单搬进同一个数据库，而是补上数据之间的关系、含义和业务语境，对智能体而言，这一层相当于企业地图：没有地图，模型知道得再多，也不知道当前应该去哪里。
第二部分是RapidMiner AI Studio，RapidMiner AI Studio负责数据处理、AutoML建模、模型训练、部署和生命周期管理。
传统制造企业往往不缺懂设备和工艺的人，真正稀缺的是能够同时理解算法与工业现场的数据科学家，RapidMiner AI Studio尝试降低这道门槛，让工艺、质量和设备人员也可以参与模型开发，在统一环境中完成数据准备、算法推荐、调优和管理。
第三部分是Mendix。
作为西门子的低代码平台，Mendix承担了智能体和智能应用的开发、编排与治理任务，企业可以把不同的智能体连接起来，让它们按照数字主线分工，并通过工作流进入真实业务。
此外，ICX还设置了统一治理层，客户可以自带模型，但模型和智能体必须在企业设定的权限与业务边界中运行，每一次数据访问、模型推理和流程操作都应可追溯、可审计，关键节点仍由人作出确认。
按照西门子的设计，ICX可以叠加在西门子已有的AI产品上，也可以独立连接使用第三方OT设备的企业，还可以作为通用企业智能体平台部署。
不过，Graph Studio、AI Studio和Mendix更像是ICX的大脑、知识底座与编排系统，智能体要真正完成工业任务，还需要能够调用成熟的工程软件，西门子近年来也在推动PLM的智能化演进，并将这一系列AI软件融入到了ICX体系中。
Joe Bohman把这条演进路径按照更快的引擎、更智能的执行、可信赖的结果三方面进行了解释。
最早进入PLM的AI，主要解决单点效率问题，Designcenter可以用AI生成图纸初稿，使部分绘图任务效率提升约50%，Teamcenter可以识别企业反复设计的相似零件，减少重复制造，AI让零件分类效率提高约10倍。
随后，AI开始以Copilot的形式进入工程师工作界面，西门子从2019年起在Designcenter中加入了命令预测，之后陆续增加拓扑优化、标注预测和语音命令，如今，这些AI能力每月被调用超过50万次。
Designcenter Copilot进一步把产品文档和最佳实践放进工程师当前的设计环境，帮助新员工理解复杂工具，Teamcenter Copilot则把对话入口连接到企业内部的文档、需求、图纸和产品知识，它调用的不是公共互联网信息，而是经过权限管理的企业知识。
这之后，Copilot开始演变为智能体，AI不只解释某项功能，还可以创建工程变更、调用设计工具、分析配置影响，并把任务沿数字主线交给制造或服务环节。
从这个角度看，ICX与西门子PLM被纳入了统一架构之下：
ICX提供统一的数据语境、模型管理和智能体编排，Teamcenter、Designcenter、Simcenter和Opcenter则提供可执行的工程对象、物理模型和业务工具。
大模型负责理解意图，工业本体负责限定语境，数字主线规定流程，成熟工业软件完成执行和验证，这正是西门子搭建企业智能体平台的基本逻辑。
03 当ICX进入工业生产环境
一套企业智能体平台是否成立，最终还要看它进入真实的生产环境后能解决什么问题。
在制造业，平台架构画得再完整，如果不能缩短研发周期、降低能耗、提高质量或减少停机时间，仍然很难从试点走向规模化，而康美包和理想汽车，恰好展示了工业AI进入产品研发、工艺优化和工厂运营的路径。
康美包解决的是能耗问题。
这家无菌包装企业的一条产线每分钟运行约800米，单个工厂年电费超过3000万元。最初，24台核心设备只有5台电表，数据保存在CSV文件中，无法长期追溯。
后来，康美包把电表增加到100个，覆盖关键设备，并把能耗数据与生产数据打通，在此过程中，管理层很快提出了一个更实际的问题：
已经看到了所有设备的耗电排名后，我们究竟应该从哪里省钱？
康美包随后利用ICX中的AI Studio建立起机器学习能力，由自己的业务和数据人员参与模型开发，最终使相关冷冻机项目实现约10%的节能效果。
但令康美包亚太区IT总监顾贤哲印象最深刻的，并不是训练模型，而是为了补齐一个关键孔距数据，五名工程师花了六个月安装和调试摄像头，逐一解决振动、光线与精度问题。
这也让康美包形成了一套六步法：先定义业务目标，再确定影响结果的变量，检查数据是否存在，补齐传感器和信息系统，把IT、OT数据编排到同一时间和空间序列，最后用AI结果反馈生产。
机器学习由此从一个冷冻机项目扩展到吸管孔和色差等场景，康美包也有了新的计划——把中国工厂积累的方法推广到全球约20座工厂。
理想汽车则希望将世界模型和具身智能的理念引入到整个工厂中。
理想汽车制造工程高级总监徐勉把理想汽车的AI路径分成“向左走”和“向右走”：
向左是在虚拟世界中重构知识、经验与流程，让工程师借助AI Coding和自动化工具提高工艺开发效率；
向右则是让AI回到制造现场，参与感知、决策、执行和反馈。
理想汽车基于Teamcenter建设了产品和工艺数据体系，在标准件装配环节，一辆车包含70多种螺丝等标准件，过去需要工程师逐一识别，再选择动力工具、套筒和接杆，并进行干涉验证，如今的算法已经可以支持约45种标准件的自动检查和工具选择，相关效率提升60%以上。
在焊接环节，一辆车包含四五千个焊点，新车型进入生产后，系统可以先与既有车型和170多万台车辆积累的数据进行比较，相似度高于95%时直接调用最佳实践，低于95%时再由算法生成初版工艺参数。
理想汽车还尝试把生产线做成可以快速组合的模块，过去一个工站进入现场后可能需要两个月调试，现在设备、工艺和调试工作可以在合作伙伴处预先完成，运到工厂后五天即可接入生产线。
下一步，理想汽车希望借助工业本体和ICX连接采购、制造、质量、物料与订单数据，让AI评估一台设备故障会影响多少产能、哪些订单和哪些用户，再反推问题来自产品设计、工艺设计还是维护环节。
在看过康美包、理想汽车等切身实践后，我们不难发现，大模型只有在进入数据、工具和流程后，才能成为生产力。
西门子已经搭建起了ICX企业智能体平台，接下来西门子需要做的，是将基于ICX的这些分散在各个行业成功案例，变成更多企业可复制的生产力。