南方财经 21世纪经济报道记者吴斌 上海报道
“AI发展的速度，恐怕对于未来最大胆的想象，事后都会显得保守。”西门子大中华区总裁、西门子中国董事长肖松在第九届中国国际进口博览会（以下简称“进博会”）上接受21世纪经济报道记者专访时感叹。
广度、深度、速度、态度构成了中国工业的独特优势。在肖松看来，工业体系的广度、应用场景的深度、技术迭代速度以及各方积极拥抱创新的态度为工业AI从技术走向实际应用提供了很好的条件，“四度”并不是彼此独立的，中国工业最不可复制的正是这四个维度相互作用、共同形成的产业土壤。
中国拥有丰富的工业场景，企业对新技术也保持着积极的尝试和应用意愿，这使中国成为工业AI重要的创新和实践市场。肖松认为，中国工业AI的实践经验对于全球而言也具有共通性的启发意义：从真实的业务痛点出发，围绕生产效率、产品质量、能源消耗等可衡量的目标创造价值；先在具体场景实现单点突破，再逐步推动规模化应用；AI还要与工业知识、软件、硬件、生产流程深度融合，并通过开放创新持续迭代。
展望未来三到五年，肖松对工业AI的发展充满信心。他期待看到三个方面的变化：工业AI正从“给建议的助手”走向“直接完成工程任务的数字同事”；工业AI从单点应用逐步拓展到工业全流程、产业全链条；AI将加速数实融合，真正帮人类化想象力为生产力。
21世纪：你认为广度、深度、速度、态度构成了中国工业的独特优势，哪一个是最不可复制的？如果其他国家想复制中国的工业AI发展路径，最大的障碍会是什么？
肖松：工业体系的广度、应用场景的深度、技术迭代速度以及各方积极拥抱创新的态度为工业AI从技术走向实际应用提供了很好的条件。广度、深度、速度、态度并不是彼此独立的，中国工业最不可复制的正是这四个维度相互作用、共同形成的产业土壤。
每个国家和市场的产业基础、发展阶段和需求都不相同，因此工业AI的发展并不存在一条可以简单复制的路径。更重要的是结合本地产业特点，从真实需求出发，推动技术、场景和产业能力深度融合。中国在工业AI应用中形成的方法和经验，也可以为全球产业创新提供参考。
21世纪：中国工业数字化水平较高，在工业生产中使用AI的企业比例也处于领先地位。你认为中国工业AI的哪些实践经验具有全球可迁移性？哪些是高度情境化、难以输出的？
肖松：中国拥有丰富的工业场景，企业对新技术也保持着积极的尝试和应用意愿，这使中国成为工业AI重要的创新和实践市场。与其简单区分哪些经验可以输出、哪些不能，我认为更重要的是看到其中具有共通性的方法：首先，从真实的业务痛点出发，围绕生产效率、产品质量、能源消耗等可衡量的目标创造价值；其次，先在具体场景实现单点突破，再逐步推动规模化应用；最后，AI要与工业知识、软件、硬件、生产流程深度融合，并通过开放创新持续迭代。
这些方法具有普遍的借鉴意义，但具体应用必须结合不同市场的产业基础、工艺特点和客户需求进行适配。西门子在中国帮助飞鹤优化奶粉干燥过程，在全球帮助品客将数字孪生和AI用于生产优化。两个案例的工艺和条件不同，但都遵循同样的逻辑：从生产问题出发，将专业知识与数据结合，通过持续验证创造可衡量的价值。
21世纪：工业场景高度碎片化，每个场景的数据特征和工艺逻辑都不同。这种碎片化是工业AI规模化落地的本质障碍，还是恰恰是它的机会所在？
肖松：工业场景的碎片化既是挑战，也是机会。场景差异的背后，是大量具体而多元的产业需求，这为工业AI创造实际价值提供了广泛空间。AI一旦真正融入关键行业，创造的就不仅是效率提升，而可能是对质量、成本、能耗和生产方式的系统性重塑。
因此，工业AI的规模化，不是消除场景差异，而是在差异中提炼可复用的共性，将其沉淀为标准化、模块化的能力，再根据具体工艺和需求灵活适配。
21世纪：工业AI落地的核心瓶颈可能不在算法，而在数据质量和场景对接。从行业公共政策的角度看，破解这一结构性难题，政府、企业和研究机构各自应该承担什么角色？是否存在一种数据共享的产业公地模式？
肖松：在AI时代，生态合作比以往任何时候都更加重要。工业场景现场和工艺千差万别，同时数据高度复杂且海量，经过治理、具有工业语义、能够安全使用的高质量数据很稀缺；再者，高质量数据如何在市场上通过交易产生规模化的价值？任何一家企业都无法独自解决这几道难题，需要政府、行业组织、企业和科研机构各司其职、形成合力，并在安全合规的前提下，共同完善数据流通机制。
在安全合规的前提下，我们要敢于把场景和数据开放出来，只有让AI更懂工业，更深入制造的毛细血管，才能激活数据的价值，让整个产业受益。
在这方面，西门子正以自身优势持续推动数据可信流通及真实场景开放，与合作伙伴共同探索工业AI的落地路径：在推动数据可信流通方面，西门子已与北京国际大数据交易所开展合作，探索工业可信数据空间打造、工业数据资产化及工业数据应用创新，推动工业数据在安全可信的前提下释放价值；在开放真实工业场景方面，今年10月，西门子宣布开放中国五家工厂的六类具身智能应用场景，与生态伙伴共同探索物理AI在真实工业环境中的应用，让技术在具体生产场景中接受验证、持续迭代。
坦白讲，我并不认为单靠“共享”就能建成可持续的产业数据公地。靠倡议也许能起步，但靠产生价值才能真正走远：数据只有在被使用、被交易时产生价值，才能产生更多的高质量数据而且高质量数据才能流动起来，这就回到了商业的本质：创造价值。这才是破局的关键。
所以第一步是把规则讲清楚。所有权，每个客户的数据归客户自己；交易权，什么能交易、边界在哪里、通过什么机构交易，也需要充分而清晰的定义。规则清楚了，数据才能从“共享”走向“可交易、可持续”。
21世纪：你同时担任国际智能制造联盟副主席，这个身份让你能够在中外工业界之间架设桥梁。在你看来，当前全球工业AI领域的合作面临的最大障碍是什么——是技术标准的不统一，是数据跨境流动的制度壁垒，还是更深层的信任问题？国际组织在其中能发挥怎样的独特作用？
肖松：工业AI涉及数据、软件、硬件、模型和行业知识等多个方面，产业链本身也高度国际化。因此，标准协同、数据安全合规和相互信任都是国际合作需要共同面对的课题。
技术进步离不开竞争，但竞争应该推动创新，而不是阻碍交流与合作。对于工业AI，安全、可靠、可信是行业共同的底线，也成为合作的重要基础。我们需要尊重不同国家和市场的监管要求和发展路径，同时在技术标准、数据安全、产业应用等方面寻找更多共识。
在这一过程中，国际组织的独特作用就在于提供相对开放、中立的交流平台，连接政府、企业、科研机构、行业组织等不同参与方，推动标准协同、经验分享和联合创新，以务实合作逐步增进信任。
21世纪：当AI逐渐介入工程执行本身，它对工业领域的人才结构意味着什么？我们是否正在接近一个工程师角色被重新定义的临界点？
肖松：AI正在改变工程师的工作方式，但这种改变的核心不是替代工程师，而是让工程师能够创造更大的价值。行业知识、工程实践经验和基于两者的综合判断力依然是释放工业AI潜能的关键，这也是AI时代工程师核心价值的体现。
AI的到来对工程师提出了更高的要求。传统、单一的知识和技能将迅速被AI颠覆或取代，而既懂数据、算法，又有行业洞察和项目经验的复合型工程师将供不应求。过去，工程毕业生还可以通过几年基础工作来积累行业知识和经验，现在，AI把这个时间窗口大大压缩，他们需要更快形成洞察和判断能力，不仅要管好、用好AI，还要在AI所不擅长的领域发挥价值。
因此，依靠传统“理论灌输”和“标准答案”式的工程教育已远远不够。必须要通过学行交替、产教融合的方式，让课堂与前沿科技脉搏和企业真实需求紧密相连，让学生的理论学习和项目实践双向奔赴。这是挑战，但更是工程教育的战略机遇。比如，在长三角地区，西门子将和江苏产业技术研究院共建一所面向产业前沿、突出工程实践的未来制造学院，在智能工厂、工业AI、数字孪生等领域将国际化教育资源和实践场景相融合，推动人才培养与产业需求双向匹配。
21世纪：从你的跨行业观察来看，工业AI的“价值兑现”最可能率先在哪些类型的场景中实现突破？
肖松：工业AI落地，核心是以场景为牵引，从具体业务场景入手稳步推进，从单点突破到规模化跃迁。
找准高价值场景——同时具备痛点够高频、数据可获取、价值可量化、可推广复制四个特征的场景。比如质量检测，我们的Smart Detection智能质检平台已在多家工厂规模化部署，硬件成本降低90%，交付周期从“周级”缩短到“小时级”。比如工程设计与开发，西门子全球首款工程智能体——Eigen可辅助完成PLC（控制器）编程、HMI（人机界面）设计和设备配置组态等任务，助力多项日常工程任务实现提速：执行效率较手动工作流提升2至5倍，工程效率提升50%，方案质量提升80%。
用场景牵引数据建设——工业数据只有围绕具体场景采集、治理、标注，才能变成可用的训练资产。打通软硬融合的系统能力——工业AI必须嵌入设备、软件、工艺和流程，打通感知、决策、执行、反馈的闭环。此外，还需要坚持开放式创新和生态协同。
21世纪：展望未来三到五年，你预计工业AI会呈现哪些变化或者趋势？会出现实质性飞跃吗？
肖松：AI发展的速度，恐怕对于未来最大胆的想象，事后都会显得保守。展望未来三到五年，我期待看到三个方面的变化。
工业AI正从“给建议的助手”走向“直接完成工程任务的数字同事”。AI将越来越多地进入代码生成、设备配置、界面开发等工程任务。未来，随着能力不断完善，工程师可以将更多精力投入系统设计、复杂问题解决以及工程结果的判断和验证。
工业AI从单点应用逐步拓展到工业全流程、产业全链条。从产品设计、研发、测试、生产到物流、运维和服务，都存在AI创造价值的空间。关键是在高价值场景中先取得突破，再推动不同环节之间的数据贯通与系统协同，让局部效率提升逐步转化为整体生产能力的提升。
AI将加速数实融合，真正帮人类实现化想象力为生产力。具体可以从以下两个维度理解：第一，AI让数字世界更“真”。 借助AI，企业不仅能在数字世界中更准确地还原生产现场，还能洞察运行规律、预判生产变化，在实际投产或调整前验证方案，让生产决策更有依据；第二，软硬协同发力，让智能指令落“地”。硬件是物理世界的控制入口，数字世界提出的建议最终还是要通过硬件才能转化为实际动作，只有软硬深度融合，才能使虚拟决策真正转化为制造现场的实际效能。
