RXD大會首發北京：當硅谷還在談論物理AI，西門子已重寫工業規則

編輯｜微胖

我看到的不是一個個單品，而是一條完整的軌道，讓AI列車加速駛入真實世界的每一座工廠、每一臺設備、每一條產線。

物理 AI 的「中國時刻」

那些在春晚舞臺上展示「快速走位」的宇樹機器人，并不只是節慶里的技術奇觀。它們已開始走進西門子在德國的工廠，學習最常見的搬運。從 CES 2026 到 GTC 大會，「物理 AI」被黃仁勛反復推向舞臺中心。就連 Jeff Bezos 也在洽談籌集千億美金，加碼制造轉型。

西門子首席執行官博樂仁表示，該公司正在人形機器人上測試SIMOVE ANS+導航軟件。圖片來源：博樂仁（LinkedIn）。

在大會展區與AGV互動的宇樹機器人

與此同時，另一條路徑也在加速展開——讓人工智能真正理解物理世界本身：DeepSeek 推動三維建模取得突破，李飛飛創立的 World Labs 新獲 10 億美金融資。

當一場圍繞「人工智能如何進入物理世界」的隔空對話真正來到西門子的天然主場——還有誰，會比這位深嵌于現實世界運行體系中的工業玩家，更有發言權呢？

相比普通人可以直接上手的 Seedance 2.0 、「小龍蝦」，西門子的技術幾乎沒有「體感」，卻又無處不在，幾乎嵌入了現代工業與城市運行的每一個關鍵環節，包括決定你這部手機的出生方式。

3 月 23 日，北京，西門子 Siemens RXD 大會（ Reality meets Digital ）開幕。主論壇、分論壇、開放舞臺演講還有 3000 平方米的展區，被用來回應一個正在被反復討論、卻始終缺乏系統答案的難題——

人工智能技術如何進入現實世界，并在那里停留下來，成為變革的基石，而不是快閃的奇觀。

一套技術棧，消融虛實邊界

在西門子首席執行官博樂仁的主旨演講中，一個被反復強調的判斷再次被置于中心——

人工智能并非又一輪技術迭代，而是一種通用型技術（ general-purpose technology ）。其意義，可與電力之于工業時代相提并論，甚至更為深遠。

當人工智能進入物理系統時，它就不再只是一個功能，而是影響現實的力量。它將改變人們的工作與生活方式，重塑生產與消費，并讓整個系統更加高效、自主且具適應性。

博樂仁稱，我們已經進入工業人工智能革命。但強大的人工智能模型是一回事，將它們應用于現實世界的問題并將其規模化，「完全是另一回事?！?strong>而西門子擁有一套貫通硬件、軟件與數據的技術棧，構成將 AI 帶入現實世界的基礎。

當 AI 進入物理世界時，硬件卻比以往任何時候都更重要。博樂仁展示了一臺配備 GPU 的工業計算機（ IPC ）：模型在云端訓練，在本地完成推理，并直接驅動控制系統。在奧迪工廠，AI 已用于高速檢測焊接質量；在成都工廠，機器人借助三維視覺完成無序抓取。

此次大會發布的 26 款新品中，絕大多數指向硬件，也清楚表明，如果缺少底層支撐，AI 仍將滯留云端，難以化為現實世界中的生產力。

此次大會發布的 26 款新品

如果說硬件猶如「手腳」，解決的是系統能否在現實世界中穩定運行，如何讓「手腳」變得更聰明，則取決于軟件。博樂仁指出，被 AI 加速后的數字孿生，也來到了一個新高度。

用戶可以借助西門子的工業軟件，構建一個基于物理規律、可實時運行的數字孿生系統。這意味著，在現實世界中投入第一塊磚、安裝第一臺設備之前，企業已在虛擬環境中預演并消化了成千上萬次潛在失敗。

在「工業 AI，實見未來」的展區，新推出的 Digital Twin Composer 正體現了這一巨大轉變。據現場的工作人員介紹，借助 Digital Twin Composer、NVIDIA Omniverse 以及計算機視覺技術，百事可樂已能夠以接近物理級精度重建其生產系統——

從單臺設備、傳送帶到托盤路徑與操作員動線，均被納入一個持續更新的數字環境之中。

在這一環境中，AI Agent 得以對系統變更進行模擬、測試與優化。這并非單一智能體的作用，而是一套由編排型 Agent 統籌、由設備、機器、產品與流程等多類 Agent 協同構成的系統。

文中視頻鏈接：https://mp.weixin.qq.com/s/Tk4TaItYzS4J6U8tRPD0Og

大會展區現場展示的百事可樂公司的案例

但物理世界的維修與更換仍需人來完成，人工智能通過智能眼鏡等方式為一線人員提供即時指導，實現人機協同。

其收效頗為可觀。在任何實體改造前，人工智能已經識別出高達90%的潛在問題。初步部署已將吞吐量提升約 20%，設計周期也隨之縮短，許多方案能夠在首次部署時就完成驗證。

同時，通過在虛擬環境中發掘潛在產能并前置投資決策，資本支出可降低約 10% 至 15% 。

這套以數字孿生為核心、數據驅動并通過 AI Agent 實現閉環控制的系統帶來的不只是效率提升，更是生產邏輯的重構：

從過去僅服務于設計階段的仿真工具，到貫穿「設計—制造—運營」全生命周期的系統，數字世界不再是映射，而是驅動現實的引擎。

生產制造也由此邁向一個持續自適應、不斷優化的人機協同體系，并最終推動生產力的躍遷。

工業AI的分水嶺：數據「煉金」

按照博樂仁說法，西門子的全棧能力，不只是軟硬件整合，更關鍵在于其長期沉淀的工業數據資產。因為，在工業人工智能領域，數據不是附屬資源，而是決定模型能否落地的前提。

他分享過一個頗具說服力的案例：僅有 LLM 本身，還遠遠不夠。

如果只依賴通用模型或其衍生的 Agent，或許已經接近工業所需的水平，但始終達不到真正可用的精度。關鍵在于，我們用自己的工業數據對模型進行再訓練——包括專有數據、產品數據、設備數據以及運行數據。

更重要的是，還疊加了歷史問題與解決方案的經驗。就像工廠車間里那塊寫滿故障與處理記錄的白板，這些隱性的經驗，如今都被系統性地輸入模型之中。于是，當類似問題再次出現時，系統能夠識別其模式，并直接給出對應解法。

這就是我們所說的工業 AI 模型：不是通用能力的簡單延伸，而是經由工業數據訓練后形成的專用能力。它既具備跨場景的適用性，又能深入到具體設備與工藝層面實現高精度判斷，使問題解決的命中率從 60%-70% 提升至接近 95% 。只有達到這一水平，AI 才真正具備工業應用的價值。

在隨后的圓桌討論中，西門子中國董事長、總裁兼首席執行官肖松與嘉賓也深入探討了數據與場景的重要性。

西門子中國董事長、總裁兼首席執行官肖松與嘉賓也深入探討了數據與場景的重要性。

一方面，工業 AI 不同于通用 AI，它高度依賴具體場景中的多模態數據（設備、流程、環境等）。硬件提供感知與執行能力，軟件提供算法與模型，但如果缺乏長期積累的真實工業數據，模型就無法有效訓練，也無法理解復雜的工業場景，最終難以落地。

另一方面，工業數據本身獲取難、分散且非標準化，很多企業「有數據但用不好」，甚至存在數據與業務脫節的問題。這使得數據不僅是資源，更是門檻——誰掌握了高質量、可用的數據，誰才能真正釋放 AI 價值。因此，必須以高價值場景為牽引，推動多模態模型與產業知識融合，實現「看得懂、用得上、算得清」的閉環。

當然，要實現規?；黄?，最終還要依賴制度與生態的協同演進，包括數據產權界定、流通機制完善以及「數據工廠」等新型基礎設施建設。

170 年 Know-how 護城河：

行業「肌理」的理解力

如果說，一個連接數據、軟件與智能硬件的技術棧，是 AI 融入物理現實的基礎，那么，其成效最終取決于行業知識。這正構成西門子最難被復制的能力。

這一點在工業 AI 的實際應用中尤為明顯。正如肖松所言，工業 AI 的競爭，關鍵不在模型參數，而在具體應用，幾十個垂直行業，每個行業的工藝都不同。

例如，展區中一款基于 AI 的程序轉換 Agent，能夠將其他廠商數控機床的「語言」，自動轉譯為西門子數控系統可識別的 SINUMERIK 代碼。表面上是代碼轉換，實則是對兩套加工「語系」的重新對齊，需要對加工機理有深刻理解。

類似的，新應用 SiePA Pro 3.0 通過預測性維護，將設備管理從周期性檢修轉向數據驅動的主動決策，提前預警。背后比拼的是對設備機理、故障模式與工程經驗的深刻沉淀。

大會展區里新應用 SiePA Pro 3.0 的demo展示

然而，這些知識并不存在于公開互聯網之中，完全沉淀于西門子逾 170 年的行業實踐之上：1500 名 AI 專家、數以萬計的工程師，以及覆蓋 40 多個行業的積累，共同構成一套理解復雜工業場景的認知體系。

其滲透之深，也外化于廣泛而深入的系統嵌入。例如，幾乎所有汽車都會與西門子的技術產生關聯。它們要么由西門子的技術設計，要么由西門子技術制造。全球每三條制造產線中，就有一條運行在西門子的控制系統之上。全球約 70% 的電力流經由西門子軟件規劃或優化的電網。

此時，我不禁想起西門子 AI 技術負責人 Robert Lohmeyer 曾直言，這種能力，并非成立僅 20 余年的數字公司或互聯網企業所能比肩，未來 25 年也難以復制。

生態引力，從能力到規模

然而，能力并不自動轉化為規模。工業 AI 的本質是高度碎片化，單一廠商難以覆蓋所有場景。要實現從個案突破到系統性落地，必須依賴生態。

一個細節頗具象征意義：展區中超過六成合作伙伴已帶來 AI 相關產品，覆蓋數據中心、鋼鐵、生物醫藥、食品飲料等關鍵行業。這意味著，工業 AI 正從概念驗證走向規模應用。而西門子所扮演的角色，不僅是「做應用」，還「授人以漁」。

例如，通過西門子 Xcelerator 平臺，其底層模型能力、工程工具與行業 know-how 被模塊化開放，企業可以在統一基座上構建自身解決方案。

而更大生態的運轉，依賴兩個關鍵節點的支撐。

在物理世界中，所有優化都依賴高精度仿真，而英偉達的加入，讓這一能力實現數量級躍遷。博樂仁將雙方合作稱為「戰略加速器」，主要體現在三點。

其一，仿真能力大幅提升，算力加持下相關軟件性能可達百倍甚至千倍，在電動車開發中可顯著減少風洞測試；

其二，芯片設計效率最高提升十倍；

其三，在新一代數據中心與 AI 工廠中，通過數字孿生完成前期設計，并在運行后由AI接管系統控制。

與阿里云的戰略協作側重基礎設施與生態連接，解決的是 AI 在中國復雜環境中的規?；渴饐栴}。例如，借助阿里云的生態連接能力，工業解決方案得以更順暢嵌入企業既有生產體系。

由此可見，西門子所構建的，其實是一套能夠持續生成工業 AI 應用的基礎設施——也是其試圖規模化重塑工業形態的關鍵所在。

在「最卷」的測試場穿越技術周期

西門子將本次大會命名為 Siemens RXD（Reality meets Digital），幾乎可以視為對工業 AI 本質的高度概括：AI 不再停留在數字世界，而是進入物理現實并產生實際影響。當工業 AI 從試驗走向規?；?，現實與數字的融合需要跨區域的協同聯動，在實體經濟中完成硬核著陸。

這一轉變，并不會在任何地方均勻發生。它需要密集的制造場景、真實的工業數據，以及能夠快速驗證與迭代的產業環境。

因此，首屆大會落地北京，幾乎是一種必然。正如阿里巴巴集團主席蔡崇信在大會現場所說：「作為全球最大的制造業經濟體，我深信中國是工業人工智能最佳的試驗場?！?/p>

阿里巴巴集團主席蔡崇信在大會上與博樂仁對話

順著這一邏輯，更深一層的線索隨之浮現。

這家「百年字號」之所以能夠穿越多個技術周期，關鍵或許不在規模或歷史本身，而在其一貫的策略選擇：不斷進入變化最劇烈的區域。

170 多年來，它持續進入新領域，也不斷退出舊業務；在多輪技術浪潮與產業遷移中，其業務結構數次被重塑。但在這些變化之中，始終存在一條穩定的主線——持續的自我重構。

正如其管理層所強調的，西門子的歷史，從來不是線性延續，而是一系列主動調整的疊加。而當前這一輪以工業 AI 為核心的轉型，在博樂仁看來，是其 170 年歷史中最迅速、也最深刻的一次。

技術浪潮總在更替。新的公司不斷涌現，舊的領先者被替代，「頂流」的更迭幾乎成為常態。

然而，在這一循環之中，西門子始終在場。

北京這場 RXD 大會，既是一次階段性的展示，也是一種延續性的表達：在最復雜、最活躍的現實環境中，讓 AI 與現實相遇，并完成新一輪進化。