68.【番外】工业AI避坑指南：当180年工业技术积淀，遇到大模型

51分钟 1.37万 1个月前

主播

节目简介

来源：小宇宙

3月23日，我受邀主持了西门子RXD大会的工业 AI 圆桌论坛。
西门子在工业 AI 赛道沉淀了 50 年，作为全球领军企业，面对这一轮 AI 浪潮，有着自己的理解和布局。
当下，AI 浪潮正席卷全球各个行业，但真正落到工业场景里，却常面临着「落地难、规模化更难」的困境。我在现场，和三位工业界的一线资深专家，深度拆解了工业 AI 落地的核心挑战和应对思路。
中国是工业大国，AI在这个领域的实践，将书写一场不同的叙事。这期节目，分别从技术架构、工厂实战、跨界观察三个维度，还原了工业 AI 的真实落地图景。
三位嘉宾分别是：
朱骁洵（西门子中国研究院院长、工业 AI 顶层战略与技术研发权威）
李永利（西门子成都数字化工厂厂长、工业 AI 落地一线操盘手）
李辉博士（深度智控创始人、物理 AI 领域实战专家）
本期节目由西门子特别赞助。
本期Shownotes：
05:35 工业界对于AI的焦虑：期待高、落地难
06:58 工业AI 改造车间，生成式AI提效办公室工作
10:18 人机交互只是开始，AI有机会解决许多长尾需求
12:24 制造业的数据难题：数据孤岛、IT与OT系统的自动化难题
13:37 企业如何把数据收集起来，注重数据的可连接性和质量
17:15 这一轮 AI，没有来得及做好数字化的公司，还有机会吗？（嘉宾辩论了～😁）
工业场景数据非常稀缺
没有质量的数据带不来好模型
新工具有机会加速一切
20:46 多模态能力的提升，将提升模型在虚拟与物理世界的互动
22:47 硬件是数据的入口，数据是模型的燃料
23:21 谈到工业 AI ，一定要聚焦场景，「最后一公里」
27:59 不要总算人效，关注长期能力的建设
34:19 AI在工厂对人的替代：职工转向高级工种，收入也更多
36:44 将所有显性知识，灌进智能体
40:15 工业场景仍要注重，将工作流模块化
40:46 「让一线员工，坐在副驾驶」
44:55「物理 AI 不解决工业所有问题」
48:01 建模、理解、学习、控制
加入听友群👇

小宇宙热评

Jinwei_B9W2

1个月前美国

陈词滥调

苹果1

1个月前广东

硬件是数据的入口，数据是模拟的燃料

鱼面

1个月前福建

卫老师好，有个一线实践中的困惑想请教您～最近接触不少制造业客户，普遍卡在一个现实瓶颈： AI场景很清晰，但私有算力不足，公有云又因安全/合规无法调用，预算短期内也有限。更棘手的是，这两年硬件价格持续攀升——听说今年一些厂商3月就完成了全年服务器出货指标，内存、硬盘成本涨了2-3倍，导致本地部署AI的门槛不降反升。这和您这期提到的“工业AI要聚焦场景、走通最后一公里”高度相关，但现实是，“最后一公里”可能连“路基”都还没铺好 😅 结合播客里几位嘉宾的分享，我也在尝试调整思路： 1、先治“数据”，再谈“算力”：正如您说的，“数据是模型的燃料”——很多工厂不是缺GPU，而是PLC、MES、质检系统各自为政，连时间戳都对不上。与其追大模型，不如先打通一个产线的数据孤岛； 2、从“副驾驶”做起：让AI辅助而非替代一线员工，比如在质检环节，AI只标记可疑点，由工人终判，既降低精度要求，又提升效率； 3、轻量模型+边缘部署：利用现有工控机或边缘设备，通过跑开源小模型，达到不使用公有大模型，也不新增服务器投入的目的； 4、小切口、快验证：像李永利厂长那样，先聚焦一个车间的特定工艺缺陷问题，跑通闭环后再扩展，而不是“全面AI化”。 5、西门子成都工厂“先用现有PLC和传感器数据跑起来”的做法特别启发我——AI不是一蹴而就，而是持续迭代的过程（朱骁洵院长这句话太实在了）。最后想请教您，在这种“囊中羞涩但需求真实”的约束下，是否有更有效的分阶段路径？以及行业内是否有更多被低估的“低成本高杠杆”实践推荐或分享的？