装备类企业的AI战略发展浅析

# 装备企业如何抓住AI红利？从现状诊断到五步行动路线 AI热浪席卷了整个产业——但说实话，很多时候大家讨论AI时，多少带着点“FOMO”心理（Fear of Missing Out，害怕被市场抛弃）。这事儿其实不必焦虑，技术渗透向来是个渐进过程，工业领域的节奏尤其如此。最先冲在第一线的，永远是那些“发烧友”级别的企业，他们愿意忍受技术的不成熟，在测试和改进中抢到早期红利；紧随其后的是创新型企业，看到潜力就果断跟进；而大多数企业，只会在技术成熟后才入场——当然，到了那个时候，赛道已经相当拥挤，技术红利也所剩无几了。 八月份，CEC老石想做个调研，平台帮忙出了主意，后来借助媒体用户回收了374份有效样本。从反馈来看，受访者基本都是生产企业和装备制造类企业的研发与工程技术人员——这个样本质量相当不错。 !(http://www.haoling.cc/uploadfile/2026/0715/1fac310c5e63d138e2c2663ff21425f1.webp) **图1-关于工业AI当前的状态** 从图1可以看出，目前整个行业仍处于认知初期。真正在开发AI应用的企业占比还比较低。当然，接触过的行业里，有些天生就要跟数据打交道，比如半导体行业——他们更早地基于数据做分析、迭代工艺系统，所以在数据和分析平台的构建上走得比较靠前。 !(http://www.haoling.cc/uploadfile/2026/0715/0fd846ce8940fb6824c1ff1ea2334b90.webp) **图2-某IT企业总结的工业AI八大场景** 但对大多数装备企业来说，挑战就比较大了。坦率讲，工业领域所谓的“八大场景”应用，大多聚焦在用户侧需求（如图2所示）。那么，装备企业该如何发展自己的AI能力？这是跟行业打交道时经常被问到的话题，核心困惑集中在三个方面： 第一，**AI到底能干啥？** 很多人对AI能力与工业场景的结合并不清晰。 第二，**怎么搭建自己的AI应用体系？** 现在的AI场景更多是为大型用户端设计的，针对装备本身——也就是要嵌入到机器这类控制系统的AI，该怎么架构？ 第三，**具体怎么做？** AI需要人才支撑，这项工作如何落地，需要什么样的研发管理体系来支撑？ 生产设备厂商的系统通常基于算力较轻的控制系统，需要融入工厂全局才能解决排程、供应链优化这类问题——这些其实是用户侧的需求。那么，机器本身的AI该如何发展？这是个绕不开的话题。结合现有的AI实践、与AI专家交流的心得，以及工程开发的逻辑与经验，本文试图探索这个命题。 梳理下来，可以分为五个步骤——三步骤还是五步骤不重要，关键是要有个清晰的思路。 ## 第一步：发现机会，定义目标 装备是销售给生产企业的，本质上是一个定制化产品，必须围绕用户需求来设计。而站在用户的角度，有一个核心指标可以帮我们拆解装备的改善机会——OEE（设备综合效率）。 对生产企业来说，买设备就是为了赚钱，OEE就是衡量赚钱效率的关键。工厂普遍推行的精益生产，核心在于“消除一切浪费”，通常会把OEE拆解成“设备的六大浪费”，如图3所示。在此基础上，再分别探索自动化、信息化和智能化各自能解决什么问题——用什么工具解决问题，取决于这个工具本身的特性。 !(http://www.haoling.cc/uploadfile/2026/0715/75c542a1abee3e0ceef5a1c9e62926f0.webp) **图3-基于OEE拆解机器的六大浪费** 以设备的六大浪费为改善目标，逐一分析哪些问题可以被AI改善。这样一来，装备企业就能比较轻松地定位问题、发现机会。 根据CEC的调研，从图4中可以看到，生产调度与排程、预测性维护、缺陷分析与良品率改善——这些领域AI大有可为。这也印证了图3中基于OEE解析出的六大浪费方向，两者高度吻合。 !(http://www.haoling.cc/uploadfile/2026/0715/2eeed7b6c9f981af8ce563eeff8cc166.webp) **图4-AI的工业应用场景分析** OEE六大浪费提供了一个大的框架，具体落地时还要结合实际行业和企业的特点进一步拆解。比如，制约机器运行的因素中是否存在“瓶颈”？在很多生产中，机电部分往往不是瓶颈，反而温度控制、压力调节这类“大延迟”系统才是。那么，究竟是哪些因素影响了这些效率？工艺上有没有更快的解决方案？每台机器都有各种影响产能的因素，像织布的纱线断线、硬质材料切割的断线等。哪些因素会导致这些问题？哪些因素影响质量？然后分析，哪些是AI擅长干的——通常AI擅长处理那些不确定性高、可能有多变量相关影响的问题。至于影响程度多大、如何影响，都可以通过数据分析和学习来解决。品质方面，一种常见策略是让机器学习通过视觉方式对“良品”形成判断能力。 所以，发现问题的核心就是围绕用户在生产过程中的品质、成本、交付来展开。工程思维就是去解析、分解成局部问题，分析哪些是因果关系，哪些是相关关系，哪些是高相关、哪些是低相关——AI最擅长处理的就是那些“不确定”类型的问题。 ## 第二步：数据治理 “数据治理”这个词，听起来特别适合大型生产企业——他们的工厂会积累海量数据，确实需要“治理”。但对装备企业来说，它关注的是一台机器，过度治理会不会像企业管理所说的“管理不能大于业务”，反而让业务没法有效开展？ 不过，装备企业首先得为用户的工厂全局优化提供数据支撑能力。作为工厂最重要的资产、数据的主要来源和最终执行者，装备制造商必须在数字化能力上为用户提供基础设施支持，包括硬件和软件两个方面。 经常有人问：“AI应用究竟存在哪些问题？”开会时总听到IT和OT的人吵吵嚷嚷，抱怨数字化难做。其实答案很简单：不是某个环节有问题，而是整个路径上全是问题——采集、传输、分析判断、执行，缺一不可。采集做不好，比如不具备“完备性”和“结构性”，或者预处理不到位，计算格式和语义规范不统一——后面都是白搭。采集做好了，分析不到位，前面的工作白费；分析做好了，却无法执行，整条链路的付出全打了水漂。没有谁比谁更重要，而是大家得一起把事情办成。 如图5所示，按照AI应用流程，每个环节存在的问题都值得认真解决。 !(http://www.haoling.cc/uploadfile/2026/0715/da2e22d6948742137cb538e7b2f47b44.webp) **图5-数据难题** 前几天在一个技术讲座里，看到很多听众提问通信如何解决AI应用问题——其实不如反过来想：AI应用需要什么样的通信方案？ 跟听众互动时，想到一句话：“找到问题，同时找到答案”——如果明确要解决什么问题，自然就知道怎么解决问题。 举个例子，AI要解决质量问题。引发质量问题的因素有哪些？可以用鱼骨图画出“人机料法环”，深入解析后，就能确定AI学习的 目标和方法，根据数据来分析质量如何改善。同时也会知道：究竟要采集什么数据？用什么频次、格式、精度的数据？相关参数如何在时间上同步采集？这些数据才能被有效应用。 传输后的语义规范统一，主要体现在实时系统、云端和AI系统对数据处理格式和机制的一致性上。 !(http://www.haoling.cc/uploadfile/2026/0715/abdebdfa07a9c37edcfb4807e735b580.webp) **图6-工业AI中的难题** 从图6可以看出，对AI应用来说，数据采集确实是个大问题——但这并不意味着数据无法采集或传输，更核心的问题是“究竟需要什么数据？”这在工程开发阶段本身就是个难题，因为影响品质的因素很多，背后的关联关系也并不清楚。在这个阶段，所谓的“人工的智能”仍然需要经验丰富的机电工程师和技师来提供方向性指导。 对机器制造商来说，基础的数据采集和信息传输能力是必须打造的基础设施，这样才能为用户工厂的MES、ERP、云平台和AI系统提供高效、实时的数据。信息建模就是用结构化数据支撑高效传输，以及分析和决策软件中的使用，再下行到现场执行。图7是OPC基金会正在推进的机器信息建模，涵盖以下维度： - **机器/组件ID**：作为资产，它需要被赋予属性参数，在品质、能源、成本方面作为成本中心接受KPI考核——这其实牵扯到机器与产线的模块化设计。 - **状态参数**：主要来自机器实时运行状态，不同行业有各自的状态模型，OPC基金会正在试图构建统一的状态模型。机器在不同状态之间切换。 - **作业管理**：作业与机台、机电、工艺参数相关，也包括机器、人员、班次等信息。 - **能源数据**：能耗、碳足迹等被纳入管理。 - **过程值**：与质量、产品计数、不良品相关的实时工艺参数等“运行”数据，最终用于计算OEE，也用于质量的相关性分析。 - **结果类传输值**。 !(http://www.haoling.cc/uploadfile/2026/0715/b53cd85b019c66101605a61d26c72b47.webp) **图7-OPC基金会关于机器数据建模的概况** 这套体系特别适合快速抓取数据——AI要做什么，都可以从这里获取数据。控制、管理、AI都能用，不用为了AI应用单独开辟通道再采集一次数据。有共享的结构化数据和通信接口，直接用就行。OPC UA不只是通信协议，它还包括信息建模和安全传输机制。 ## 第三步：构建AI应用人才团队 企业对AI的投资还是比较谨慎的——回报尚不清晰，数据规范和标准也缺乏，人才更是不足。这里说的人才不只是能编程的工程师，而是对AI有深度认知的人。工业AI解决的是与现场物理对象高度耦合的问题，如果不是来自工艺、机电专业背景，很难理解如何落地。也就是说，从投资回报、数据、架构、场景到实现——需要的是全景式人才。 !(http://www.haoling.cc/uploadfile/2026/0715/b97d44976013999a4e20ea07b07fbc22.webp) **图8-采用AI的主要障碍** 图8的调研结果也印证了这一点：大多数企业仍处于对“AI”认知模糊的状态。如果连问题都搞不清楚，投资就更无从谈起。 说到底，人才始终是决定性因素。但人才也贵得很，有没有必要完全自建团队？这得根据商业价值的输出来判断。有实力的大型装备企业，可以逐步组建自己的AI团队，配合产品研发。而技术团队厚度不够的，可以借助外力——“君子生非异也，善假于物也”，借助第三方来执行AI战略。 组建团队时，有几个问题需要认真考虑： !(http://www.haoling.cc/uploadfile/2026/0715/10520033e785236a217c42b8720ed0d2.webp) **图9-AI人才的关键要素** 从图9可以看出，大家普遍认为AI人才最重要的是“工程思维”——把复杂问题拆解成可执行模块，这是所有工程工作的基本功。在此基础上，第二个特性才是对AI工具的掌握。 **自主培养的重要性**：AI应用跟工艺控制一样，会涉及企业的Know-How，自主掌控非常必要。企业需要从内部挖掘潜能，因为装备企业的AI需求更需要结合物理模型和工艺理解的人才。需要扩展的能力，主要在于数据处理工具的应用和分析。即使引入第三方合作，企业也要有人能在需求、开发、维护全流程中做好协调和桥梁角色。 **委托开发的问题**：当初帮老石看调研时，管老师问：“怎么不把AI公司列进去？”一开始觉得AI公司属于IT行业，后来采纳了管老师的建议，增加了AI企业选项。结果让人意外——装备企业更倾向于与“自动化企业”合作开发AI应用（如图10所示）。 !(http://www.haoling.cc/uploadfile/2026/0715/395abf8784e66895eeb5cd35253bb4ad.webp) **图10-谁来帮助实现AI的调研** 这个结果有点出乎意料。去年在厦门一个会议前，自己也做过小范围调研，当时选项都是跟AI公司合作。这次“自动化公司”却成了最热选项。 细想下来，这反倒印证了自己之前的判断——自动化公司更了解工业AI的应用。原因很简单：数据源在自动化系统里，总线传输、通信规约、物理对象特征这些机电与工艺知识，恰恰是自动化行业的强项。 不管自建团队还是借助第三方，企业对自身需求都要有清晰的认知。AI必须是应用需求驱动的，而不是为了“跟上AI”而盲目跟风。如果企业已经在追求创新和卓越的技术，那其实已经走在了AI应用的路上——走在前面的人，永远在引领这条路。 ## 第四步：开发与产品化 知道该做什么（Know-What）和怎么做（Know-How）其实不难，最难的是知道为什么做（Know-Why）。找到问题，答案自然就浮现了。 **补上数据短板** 对之前就走在前沿的企业来说，这部分工作可能不大；但对那些数据治理基础薄弱的企业，改进空间就比较大了。常见的问题是“未采集”，需要补充数据的“完备性”和“结构化”。 数据短板要靠“生态系统”来解决——生产企业、机械制造商、自动化厂商、IT厂商、AI厂商共同制定标准才是正解。目前工业领域通用的是OPC UA规范，大部分自动化厂商都支持，可以作为基础的语义互操作规范。各个行业还需要根据自身情况制定行业细分规范。单打独斗的企业需要有自身的结构性规范，同时遵循国际标准，否则容易变成一个个“项目”，经济性上划不来。 **选择合适的平台工具** 工具的核心是易用性，尽量采用开放技术和成熟方案。但有一点要特别注意：工具在设计时是否考虑了工业现场的实际情况？ 为什么自动化行业干这个相对容易？因为他们跟数据源离得近——自动化系统有丰富的I/O，本身就是基于“时间”的数据采样和闭环控制，这些数据已经放在OPC UA服务器里，通过标准以太网就能访问。 AI工具方面，对非专业AI工程师来说，重点是选择工具的“属性”——开发平台在AI支持能力上要够用。核心诉求是：我不是软件专家，只是个用户，所以工具要“易于配置”。衡量标准就是：在各个开发环节，能否通过“配置”方式实现整个应用的软件架构。 !(http://www.haoling.cc/uploadfile/2026/0715/16a2e1b9193e51dfa57b5d6ab5eb690f.webp) **图11-工业的软硬件架构可以支撑AI的应用** 硬件算力方面，要求不高的时候，现在的自动化企业都有多核处理器，可以支持高级AI算法的本地训练和推理。要提升性能，可以在PCI槽插AI翻跟斗；长周期任务可以用自建队列或云端AI服务。 **产品化开发** 产品化的意义在于：无论是自动化厂商还是用户，都需要用相对简单的方式访问。就像移动互联网时代的IT产业，追求的就是“易用性”——不要把用户当成需要翻阅大量说明书、经过专业培训的专家。 应用应该以APP的形式存在，能在移动端操作，独立于平台本身，既能插入某个应用，也能嵌入到嵌入式系统中运行。 ## 第五步：构建可持续运行的系统 最终，装备企业的AI战略要融入整体研发战略，形成持续创新的闭环。AI对装备的意义，在于让机器“更聪明”，这是一个动态持续的过程。目的是满足用户需求、提升自身竞争力，最终让设备具备“自我迭代”的能力。 可持续创新就是“数据驱动”的研发升级。这里不需要大谈“数字化转型”——对当前阶段来说，AI对企业还属于战术性改善，核心业务仍然是造更好的机器，而不是转型成AI企业。AI是工具属性，它的主要价值在于发挥数据潜能，打造机器本身的竞争力。 构建可持续运行的研发系统，要考虑几个关键要素： 1. **软件工程的“高内聚、低耦合”**：开发的应用不能过度依赖某个平台、硬件或底层系统，同时要有较强的功能完整性。也就是说，不要跟某个特定平台或软硬件绑得太死，要能快速移植、迁徙。这个产业技术迭代太快，过两天可能就得升级，绑死了就容易落后，推倒重来成本太高。 !(http://www.haoling.cc/uploadfile/2026/0715/6459bd75923647af8354929c00ef8a5d.webp) **图12-装备企业的人工智能战略构思** 2. **安全性**：对数据本身的安全性、运行过程的全流程数据安全都有较高要求，避免自身工艺Know-How泄露。有时候，Know-How就是“点破就不神秘了”——选什么参数本身就是需要保密的信息。 3. **产品化**：交付给用户的，是一个不断打磨、易用性高的产品。 以上仅是一些初步思考，欢迎同行交流讨论。 ## 写在最后 AI的魅力究竟在哪里？归结起来有几个方向： **超出客户预期**：AI的魅力在于它擅长解决不确定性问题，能揭开“未知之幕”。有时候它会带来意想不到的效果——找到人们视线焦点之外的解决路径。 **更聪明的机器**：与传统机理建模不同，AI不是基于安全值的控制，也不是基于规则的策略执行。它让机器更聪明，创造了更多可能性。 **投资回报高**：记得冯恩波博士在一次讲座中谈到AI的潜力，观点很深刻——现场的大部分问题，因果关系能解决80%，但真正的“胜负手”在剩下的20%。而这20%中的高高相关性问题往往并不“显性”。当大家都卷到99%的良品率时，如果能做到99.2%，这0.2%的改善就是胜负手——这大概就是AI真正的价值所在。