当前，制造业正经历深刻的结构性转型。大规模的新建产线与产能扩张不再是制造业资本支出的单一主线，存量产线的精细化运营、高附加值工艺的改造升级，以及面向海外市场的布局拓展，正在成为工业企业寻求增长的核心路径。与这一趋势相呼应的是，工业智能化的探索也正在告别早期概念验证与单点工具堆砌的阶段，转而向深水区迈进。
而随着产业投资逻辑转向追求高质量精益运营，以及人工智能从实验室走向严苛复杂的工业现场，制造企业面临的现实考题愈发具体而尖锐。动辄运行数年乃至数十年的存量产线如何在不停产的前提下平滑升级？高昂的算力消耗与严苛的双碳指标如何取得平衡？在碎片化的现场工业协议与多源异构的数据孤岛面前，工业AI究竟怎样跨越算法与工程落地之间的鸿沟？
面对这些行业共性难题，作为能源科技的全球引领者，施耐德电气在2026中国国际工业博览会上以“智·在其间”为主题，依托持续演进的EcoStruxure架构，全面展示了在开放自动化、工业AI与能源管理领域的最新成果，并围绕不同领域的业务诉求，重点呈现流程与混合行业、市政基础设施、数据中心、离散制造四大核心场景的全链路解决方案。
架构融通打破孤岛，AI贯穿工业全链路
“智·在其间”这一主题，直接反映了当前工业智能化应用的发展转折。施耐德电气集团董事、高级副总裁、工业自动化业务中国区负责人丁晓红指出，过去几年间，工业企业已经在不同的生产层级和业务环节布局了大量的智能化应用，但这些系统往往各自为战、形成新的信息壁垒。“智・在其间” 的本质，就是让工业智能深度融入不同应用场景、业务层级与技术架构之中，为企业创造体系化价值，而非停留在局部的单点层面；这也正是当前工业数智化迈向深水区的核心标志 —— 推动原本孤立的智能化节点融会贯通，让数据与算法能力在不同系统间顺畅流转，实现从单点智能向系统协同的演进。
这种融通首先体现在底层架构的纵向贯通上。施耐德电气持续迭代的EcoStruxure三层架构中，底层负责现场多品牌设备的互联互通与标准化接入，中间层以软件定义自动化为基础承担边缘与运营控制，顶层则面向管理运营提供全局分析与决策支持。在底层获取完整生产数据的基础上，关键是要用好数据，借助工业智能贯穿各个层级，系统性地释放数据要素的潜在价值。这种贯通不仅涵盖从仿真、设计、建造到运营维护的工业全生命周期，也包含了能源与自动化、驱动与控制等跨专业能力的横向协同。
这一思路具体映射在四大核心场景的展区布局中。在流程与混合行业展区，展示重点聚焦于EcoStruxure Foxboro SDA软件定义自动化系统、电力与过程自动化一体化方案、先进过程控制、智能电动机管理系统以及AVEVA PI System运营大数据平台，着眼于保障极端工况下的生产稳定性、本质安全与综合运营效率。在市政基础设施领域，智慧水务、垃圾焚烧电厂少人值守、预测性维护和智能泵组等方案，集中应对水务、供热及固废处理等公共事业的精细化运营需求。在离散制造领域，则通过EcoStruxure开放自动化平台（EAE）、机器运动控制黄金四件套和数字孪生软件，呈现运动控制、多机构协同与软件定义自动化的深度结合。
随着人工智能算力需求的激增，数据中心成为另一个关键展示方向。施耐德电气现场展出了涵盖供配电、冷源群控、液冷相关设备和自动化控制的整体方案。在探讨算力与工业体系的关系时，行业往往容易将算力基础设施与传统生产场景割裂看待，对此丁晓红认为，算力的尽头是能源，电力是支撑算力运行的基础设施，而自动化则是实现算力与能源协同优化的基础。在现代工业体系中，算力、能源与自动化本身就是不可分割的有机整体，只有将三者置于同一底座上协同考量，才能有效化解数据中心等高耗能数字底座的扩容瓶颈，实现绿色高效流转。将能源管理与工业自动化置于同一框架下，是因为对制造企业而言，能耗指标、生产效率和设备运行状态高度交织，打通这些维度才能驱动企业真正走向系统级优化。
软件定义自动化持续拓展，开放生态成为重要支撑
工业AI在生产现场的稳定运行，既需要高质量的数据供给，也需要一套能够灵活承载先进算法、连接各类现场硬件并快速响应业务变化的自动化架构。施耐德电气此次展出的EAE平台及系列软硬件产品，展现了其在软件定义自动化方向上的持续深耕。
回溯至2020年，当施耐德电气首次将EAE推向国内市场、在业内倡导软件定义自动化理念时，整个工业控制领域主要受制于专用PLC硬件与控制算法深度绑定的传统模式，软硬件解耦在当时被不少从业者视为脱离现场实际的技术设想。施耐德电气工业自动化技术架构和流程行业负责人刘文回顾这六年的发展历程时谈到，EAE最初在国内落地时，主要集中在水务、市政环保等工艺包相对规范、对开放性诉求迫切的公用工程领域。但经过六年的工程打磨与多场景验证，EAE不仅跳出了最初的公用工程范畴，更成功打入对系统可靠性、确定性和计算能力要求苛刻的头部超大规模数据中心项目，并在锂电、包装、物流及高端装备制造等离散制造领域全面铺开。
生态与行业认知的变化同样印证了这一演进路径。由开放自动化组织等产业联盟、科研院所及本地伙伴构筑的生态体系正在迅速扩容，越来越多的本土工业自动化品牌也开始基于相近的开放标准进行底层技术开发，软硬件解耦正在逐步演化为行业共识。施耐德电气工业自动化产品市场部负责人程晓莉分析指出，六年前软件定义自动化在业内鲜有探讨，而如今成为行业显学，既是传统控制系统自身进化的必然，也是近年来AI技术爆发带来的外部催化。传统PLC系统的封闭性使得复杂的机器视觉检测、高阶优化算法难以原生嵌入到底层控制器中，导致IT与OT之间长期存在工程鸿沟。基于EAE符合IEC 61499标准的事件驱动机制与开放架构，现代软件算法、高级编程语言以及行业功能组件能够像在智能终端上安装应用程序一样，被灵活地加载与编排到边缘硬件中，使先进控制算法能够即插即用。
这种底层架构的变革，为用户带来的核心价值在于工程资产的高效沉淀与跨项目复用。施耐德电气工业自动化业务通用行业负责人金石指出，传统自动化工程中最耗费工时的是代码与硬件紧密交织，企业新建工厂或产线往往需要重复进行底层编写与反复调试。在基于EAE的开放架构下，企业在示范项目中打磨成熟的专有工艺算法与通用控制逻辑，可以直接打包沉淀为标准化的行业功能模块。在后续复制新产线时，工程师只需进行模块调用与参数配置即可快速上线。金石透露，施耐德电气已与生态伙伴共同开发了EcoPredict预测性维护边缘系统、EcoPumping智能泵组边缘系统和EcoBatch柔性批次管理组件等方案。在离散行业的实际客户项目中，这种基于EAE的工程模块复用能力帮助用户缩短了60%以上的现场开发与调试周期。
在软件定义自动化理念的牵引下，一系列软硬件创新成果在本次展会上密集亮相。以EAE为通用内核，施耐德电气展示了面向流程工业的EcoStruxure Foxboro SDA软件定义自动化系统，以及基于开放架构打造的新一代Modicon M590 dPAC数智控制器。在底层驱动与电机管理方面，全新亮相的ATV610QC通用型变频器由施耐德电气工业自动化中国研发中心量身打造，与面向暖通空调场景的ATH600系列变频器共同构建起高能效驱动矩阵；而结合碳化硅先进功率器件的TeSys iMCC新一代智能电动机管理系统，则将原本分散的驱动、保护、状态监测与数字诊断功能高度集成为紧凑一体的柜内单元，大幅简化了现场复杂接线，减少了停机排障的维护负担。
工业AI迈向规模化，数据治理与场景选择是关键
尽管工业AI受到产业界的高度关注，但要让技术从概念验证走向长期稳定运行、从单点试验走向规模化部署，依然面临诸多严峻的工程考验。
在丁晓红看来，当前制约工业AI规模化落地的根本症结依然在于底层的数据治理。制造企业经过多年的发展与扩建，不同时期采购的系统通信协议不一、数据质量参差不齐，由此沉淀了大量难以打通的数据孤岛。进入工业AI时代后，生产现场不仅存在海量的结构化时序数据，还激增了大量非结构化的图像、日志与文档数据。要真正盘活这些工业数据资产，必须引入业务上下文这一关键维度。只有将一台设备、一条产线在不同生命周期中的运行记录、工艺约束、维保历史以及当前的工况条件完整关联起来，算法模型才能准确理解物理生产现状并做出可信预测，否则脱离工业现场机理的算法就会沦为空中楼阁。
对于AI在工业控制体系中所扮演的角色，程晓莉给出了审慎而务实的定位。她表示，就目前工业技术发展阶段而言，还谈不上由AI从底层完全重构工业控制系统，更稳妥的做法是采取小步快走的渐进式策略。在现场接入层让信号更便捷地汇聚以加速IT与OT融合，在控制层依托开放自动化架构提供灵活算力协同，在决策层则让AI作为高阶辅助工具推动运行管理从经验驱动向数据驱动转型。特别是在化工、冶金等高危流程工业，以及AI逐步进入机器人、无人作业等关键环节中，控制系统的实时性、确定性与安全性不容出现差错。施耐德电气在全球层面建立了严格的AI使用、信息安全、数据主权与决策安全规范，工业AI的应用底线是绝不能产生不可控的算法幻觉，决策合理与运行稳定必须永远置于算法炫技之上。
在推进路径上，施耐德电气选择了一条自身先行验证、总结成熟经验、依托生态复用的工程化落地方式。在组织层面，施耐德电气在全球设有AI Hub人工智能中心负责前沿算法与工具的孵化赋能，在中国工业自动化板块也组建了深度贴近本土工业现场的专业AI应用团队，并在产品研发设计之初引入AI辅助工具。同时，施耐德电气在中国的无锡、上海、北京和武汉拥有四座被世界经济论坛评选的灯塔工厂，以及众多制造基地，这些工厂直接成为了新技术投入商业化应用前的验证平台。
刘文介绍，基于内部工厂实践与行业服务经验，施耐德电气将工业AI的落地价值梳理为安全、质量、能源管理、设备绩效与生产优化五个核心维度。在安全端，AI工具辅助安全智能机柜完成海量测点的逻辑验证与回路测试，最大程度规避人为疏漏；在质量端，高精度AI视觉在上海普陀与无锡工厂分别落地包装校验与精密组装检测，显著降低操作差错率；在能耗端，北京零碳工厂依托AI能效系统动态预测并调度全厂水电气负荷，推动能耗曲线与新能源微网高效匹配。
在设备与生产环节，工业AI正由事后补救转向深度协同。设备绩效方面，系统融合物理机理与机器学习打破被动抢修模式，例如上海普陀工厂的“智能领班”可在早班前推送故障隐患与处置建议，引导运维人员带着问题精准巡检；生产优化方面，AI与传统机理模型深度互补，作为操作入口赋能Pro/II工艺设计及在线仿真培训等垂直软件，显著提升了复杂流程中非线性优化的运算效率。
扎根物理现场的工程化落地带来了量化的实际成效。项目实践数据显示，AI优化控制使大型冶金企业的球团关键参数波动收敛超20%，将石化先进过程控制的闭环周期从2小时压缩至15分钟内，并在厂务运维秒级响应与冷站泵组15%以上的主动节能中得到验证。丁晓红指出，在能源优化与关键旋转设备预测性维护等高确定性场景中，工业AI目前已具备扎实的规模化推广基础，而中长期的探索方向则是如何在合规可控的前提下让AI更深地介入跨工序、跨车间的全局优化调度。
从存量改造到行业出海，推动可复制能力落地
当前宏观经济周期与制造业投资结构的变化，正在深刻重塑工业自动化市场的供需格局。资本开支逐渐告别大规模新建同质化产能的高速扩张阶段，工业企业的经营重心正在全面转向三大新战场：存量生产线的提质增效改造、向高附加值精细化方向转型，以及伴随全球供应链重塑的出海布局。
在存量改造领域，工业现场普遍面临多品牌老旧设备并存、系统服役周期长、历史源代码遗失以及连续生产难以长时间停机等复杂现状。金石分析，存量改造的第一道难关是保护企业既有的软硬件资产，尤其是沉淀在旧系统中的专有工艺经验；第二道难关则是为分散孤立的旧产线补齐统一的数据底座。
施耐德电气的应对方案是利用EAE在边缘侧具备的容器化微服务能力，在尽量不触动底层既有PLC控制程序的前提下，通过上层开放标准无侵入式地采集并整合过程数据。此外，对于不同数字化基础的企业，实施路径则应有所侧重，老旧工厂宜通过软件定义自动化接入多品牌存量产品，降低改造对生产节拍的干扰，而新建项目则可在规划初期从顶层设计直接引入高度融合的控制、安全与数字化体系。
在产业结构的横向变迁中，不同细分赛道的转型诉求呈现出鲜明的行业特征。刘文结合对山东等重工业聚集地的走访观察谈到，随着新能源对传统化石能源消费结构的重塑，传统炼化企业正在普遍压缩大宗基础品产能，全力转向下游高附加值的精细化工新材料领域。对于这类转型企业而言，市场比拼的不再是单纯的产能规模，而是极端严苛的工艺指标控制、本质安全以及多品种小批量快速切换的精益生产能力，
与精细化转型并行的另一大确定性趋势，是以有色金属、矿产为代表的资源型企业以及先进装备制造企业的集体出海。刘文分析，随着全球能源转型对铜、锂、铝等关键矿产需求的爆发式增长，国内大量资源型客户正在将产能延伸至东南亚及非洲等海外富矿区。在这场面对复杂海外地缘环境与多重技术准则的拓展中，单纯输出单机设备的传统模式难以为继。施耐德电气的优势在于其长期的全球本土化运营体系，作为在全球数十个国家拥有成熟业务网络的跨国企业，施耐德电气在海外目的地市场拥有扎根本地的实体分支机构、熟悉当地严苛法案规范的技术团队以及长效的备件运维体系。在中国装备与工程出海的全流程中，不仅能够在国内方案规划阶段协助制造商完成符合国际最高安全与电气标准的系统工程设计，更能在海外项目现场提供长周期的本地化安装、调试与运维支持，实现从交付到运营的端到端护航。
将前沿技术与转型经验推向全行业，同样离不开标准化封装与开放生态体系的支撑。丁晓红强调，工业场景的千差万别决定了没有任何一家企业可以凭借自身力量覆盖所有的非标诉求，规模化的基石必然是标准化。施耐德电气的定位不是通用大模型算法公司，而是依托长期积累的工业机理、软硬件产品与工程经验，将具备高复用价值的现场能力进行工程化封装。例如，施耐德电气已推出面向能源优化的AIBox，并正在探索DCS相关工程能力的封装，以降低系统使用门槛、提高工程效率。在这一分工模式下，施耐德电气负责提供通用的标准底座，生态合作伙伴与系统集成商负责补齐差异化的细分行业应用，最终由企业客户结合自身专属的生产数据训练出满足特定场景的工业智能体，从而形成健康的产业落地闭环。
正如丁晓红在总结当前产业探索时所表示：“工业数智化不仅是技术升级，更是产业协同创新的过程。施耐德电气将持续深化开放生态建设，推动开放自动化、工业AI与行业场景深度融合，与客户和合作伙伴共同探索可复制、可推广的数智化实践，助力中国工业高质量发展。”
无论是用开放自动化打破封闭系统的束缚、以业务上下文唤醒沉睡的工业数据，还是在存量产线与出海工程中追求确定性的价值兑现，施耐德电气所擘画的“智·在其间”，其核心逻辑始终是将技术深植于复杂的物理生产过程。通过打通数据孤岛、激活底层资产、凝聚生态合力，智能制造正在走出单点尝试的局限，向着更具韧性、更具确定性的系统级协同优化坚实迈进。
（来源：中华工控网）
