令永卓 · 电天下 · 行业技术观察 2026-10-18
前言
本次上海工博会，重点交流调研了国内外主流工控厂商工业 AI 相关产品、技术路线，与多家厂商研发负责人深度沟通。整体观感：当前工业 AI 尚处于单点场景试点、辅助决策为主的阶段，虽各家都在布局智能体、大模型、世界模型，但颠覆性产品较少，行业成熟度整体偏低。时序 AI 是当前落地规模最大的工业 AI 赛道，国内外厂商在技术选型、产品定位上呈现明显分化。同时，本次展会也看到一批面向工程图纸、报价、供应链的垂直领域工业智能体集中亮相，形成与时序设备运维 AI 并行的另一股技术路线。下面分为三大部分阐述。
一、国内外工控巨头工业 AI 战略与本届展出产品
整体战略可清晰分为两大阵营：海外工控巨头、国内本土工控龙头；除此之外，一批面向工程、供应链、制造业务的垂直厂商，推出工程 / 报价 / 供应链类工业智能体，形成差异化赛道。
（一）海外工控巨头（西门子、施耐德、三菱电机、罗克韦尔、菲尼克斯、欧姆龙）
统一核心战略：硬件底座为本，AI 作为增值插件；优先保证确定性、安全性、可解释性，谨慎使用黑盒深度模型，不允许 AI 接管安全相关的实时控制回路。
海外厂商的底层逻辑：PLC、DCS、驱动器、工业软件是核心基本盘，AI 不是独立产品，而是叠加在自动化底座之上的增强能力。产品依托原有硬件生态打包销售，不独立打造通用工业垂类基础大模型。
- 西门子：主打数字孪生 + 物理 AI，本次工博会核心展品为钻耀之心 3.0、人形机器人具身智能方案、Eigen 工程智能体（Eigen Engineering Agent）、Industrial Copilot。
- Eigen 工程智能体是西门子全球首款面向工业自动化工程的 AI 智能体，深度集成 TIA 博途平台，突破传统 AI 仅提供建议的模式，可端到端完成自动化工程任务规划、执行、自校验。能够接收自然语言需求，自动编写 PLC 程序、生成 HMI 画面、完成设备配置，并且新增 ECAD 电气设计集成能力，打通电气设计与自动化软件开发流程；实测工程效率相比人工提升 50%，已经在国内外上百家制造企业试点落地，覆盖机械、电气、化工等行业。
- 时序分析以 LSTM 搭配机理模型为主，时序 Transformer 仅在少数场景试点。Copilot 智能体更多是调用各类分析工具（Skill），做设备运维辅助。优势是全栈工业软硬件一体化；短板在于电气成套图纸、一次二次回路深度解析能力薄弱。
- 施耐德电气：以 EAE 开放自动化平台为核心，将 AI 嵌入边缘控制器。AI 落地场景集中在能耗优化、电能质量诊断、设备运维预警；以单点 AI 模型为主，未推出面向工程场景的智能体。核心方向聚焦配电、能源管理。
- 三菱电机：MELSOFT AI 边缘 AI 套件，面向汽车、半导体离散制造。主打轻量化边缘 AI，采用 LSTM+CNN 做主轴、机器人设备 PHM 与外观质检；严控模型复杂度，优先保障边缘控制器稳定运行。
罗克韦尔：FactoryTalk Analytics、GuardianAI，依托 Allen‑Bradley PLC 生态。以传统统计机器学习为主体，LSTM 作为高阶可选模块；利用变频器采集原生电流时序信号做电机预测维护，主打 AI 原生嵌入控制器。
菲尼克斯：PLCnext 开放自动化平台，定位 AI 运行载体底座。提供边缘算力与模型部署环境，支持第三方模型、Skill 接入；自身不自研行业大模型与时序基础模型。
欧姆龙：现场反射式边缘 AI，实现控制周期与时序信号高精度同步采集，主打 3C 精密产线微小异常识别；采用轻量化时序模型，追求现场实时低延迟检测。
海外厂商共性：不投入资源构建独立工业时序预训练基座；AI 能力集中在设备运维、能耗、质检；安全控制回路依然依靠传统机理与规则。
（二）国内工控龙头（中控技术、和利时、汇川技术）
统一核心战略：场景优先，敢于自研垂类基础模型，将 AI 平台化、产品化。分为两大路线：流程工业阵营主攻世界模型、时序预训练基座；离散制造阵营深耕硬件内嵌轻量化 AI。
中控技术：核心产品 TPT 时序预训练 Transformer 模型，国内为数不多的工业时序预训练基座。面向化工、热电流程工业，用于工艺软测量、装置异常预警、关键部件寿命预测；采用 Transformer MoE 架构，可作为底层 Skill 搭配大模型，搭建流程工业智能体，已在大型化工项目落地。
和利时：XMagital®2.0 工业世界模型智能系统，本次展会重点展品。时序模块以时序 Transformer 为主，搭配机理模型做约束，实现工况推演、设备预警、安全仿真；支持上层智能体编排，对流程工厂的工况进行模拟推演，目前在能源、化工项目试点落地。
汇川技术：PHM 时序引擎，面向新能源、锂电离散产线，聚焦伺服、变频器、电机健康管理。主力采用 LSTM/RNN 轻量化时序模型，少量 Transformer 做对照测试；模型直接下沉部署在驱动器、边缘网关，硬件内嵌 AI，产线已经规模化落地。
国内厂商共性：愿意投入资源自研垂类基础模型，但同样受限于工业数据孤岛、故障样本稀缺，AI 输出仅作为辅助决策建议，无法直接接管实时控制。
（三）国内垂直赛道工业智能体新玩家（工程图纸、报价、供应链方向，与时序 AI 形成差异化）
本次工博会可以明显看到，除传统工控厂商的时序、设备运维 AI 外，多家厂商推出面向图纸解析、BOM、报价、供应链履约的工程类工业智能体，赛道与时序 PHM 完全不同，不涉及实时设备控制，聚焦工程设计与商务流程。
- 利驰，电晓晓电气工程行业大模型 + 电气工程智能体：以电气图纸多模态识图为核心，依托图纸标注对多模态行业大模型做微调，搭配回路推电小模型、布局算法，采用大模型 + 多 Skill 智能体调度架构。核心能力：电气图纸识别、符号坐标提取、柜用途识别、回路归属解析、元器件选型，面向电气成套工程设计场景。
京东工业，JoyIndustrial 工业大模型 + 供应链智能体：依托海量工业品 SKU，打造工品查、识图报价等多模态供应链智能体矩阵，支持图纸识图识别、物料解析、同品匹配、BOM 寻源、工业品报价，聚焦工业供应链物料治理、采购寻源、商品标准化，覆盖工业品电商供应链场景。
黑湖智造，Factory Agent 工业智能体矩阵：面向工厂订单全流程，包含报价 Agent、拆单 Agent、排程 Agent、履约 Agent、质检 Agent。能够读取图纸、工单、产能数据，完成图纸拆单、成本核算、生产排程、交期风险预警，服务多品种小批量柔性制造工厂，打通订单到生产执行链路。
米思米，meviy（莫比）非标报价智能体：基于 3D 模型理解的非标零部件 AI 报价智能体。用户上传零件三维模型，AI 自动识别几何特征、加工工艺，自动评估加工可行性、成本，最快 1 分钟输出报价与交期，覆盖机加工、钣金非标零件采购场景。
这一类垂直智能体的共性：以图纸 / 三维模型、订单、物料文本为输入，而非传感器时序数据；目标是工程设计、拆单、报价、供应链匹配，不是设备预测性维护，不存在 OT 实时控制安全红线。
二、时序 AI 赛道：产品特点、三大主流技术路线
时序 AI 是当前工业 AI 落地最成熟的赛道，输入为传感器采集的温度、压力、振动、电流等连续时序数值，用于设备预测性维护、工艺参数预测、工况异常识别。行业主流有三类神经网络技术路线：RNN、LSTM、时序 Transformer。
1. RNN（循环神经网络）
原理：串行逐时间步读取时序数据，当前时刻输出依赖当前输入 + 上一时刻记忆。
- 特点：结构最简单、参数量少；致命缺陷为长序列梯度消失，长时间历史信息丢失。
- 算力：极低，极易部署在边缘网关、驱动器。
- 可解释性：中下，仅能看出近期数据的影响，难以追溯久远历史信号的影响。
- 工业现状：商用产品极少单独使用，多用于基线对照、简单短时序场景。
2. LSTM（长短期记忆网络，RNN 改进版本）
原理：保留循环串行结构，新增门控机制（遗忘门、输入门、输出门），增加独立细胞状态 “记忆传送带”，选择性保留长期有效信息，解决原生 RNN 长序列遗忘问题。
- 特点：时序工业场景落地主力方案；训练稳定、工况漂移相对可控；短板依旧是串行计算，序列越长计算耗时越高；对多变量远距离耦合关联捕捉能力弱于 Transformer。
- 算力：中等，远低于时序 Transformer，适合部署在控制器、驱动器边缘端。
- 可解释性：中等，可以可视化门控的记忆 / 遗忘逻辑；但多传感器耦合场景，难以清晰定位哪一条信号触发预警。
- 适用企业：汇川、三菱、罗克韦尔，多用于单设备 PHM，离散制造设备预测维护。
3. 时序 Transformer（PatchTST、TimesNet、TPT 这类时序专用 Transformer）
原理：不再串行读取，一次性送入完整时序片段，依靠自注意力机制，直接计算任意两个时间点之间的关联关系；工业常用 PatchTST，将长时序分段（Patch）降低算力开销。注意：时序 Transformer 不等同于通用大语言模型，只处理数值时序，不处理文本、图像。
- 特点：长距离、多变量耦合工况能力最强；支持海量无标注工业时序数据做预训练基座，少量标注数据即可微调；短板：算力开销高、对现场噪声敏感，黑盒属性更强。
- 算力：高；即使轻量化版本，推理算力仍高于 LSTM，大多部署在云端或高性能边缘节点，难以下放到普通 PLC。
- 可解释性：偏低；可以绘制注意力热力图，但是多变量互相纠缠，很难向工艺工程师清晰解释预警根因，也是海外厂商谨慎采用该技术的核心原因。
- 适用企业：中控 TPT、和利时 XWorld 时序模块；多用于流程工业，长周期多耦合工艺推演、装置预警。
各家时序产品汇总简表
赛道小结：时序 AI 整体局限于传感器一维数值序列处理，不具备图纸、原理图、工程回路理解能力。国内外巨头的研发重心集中于此，也是当前工业 AI 投入最多的方向。与之形成对比，工程图纸 / 三维模型类智能体，属于另一条独立赛道，输入为图形几何信息，不依靠传感器时序信号。
三、工业 AI 与智能驾驶 AI 对比：技术路线差异与发展差距根源
自动驾驶已经实现大规模 L2 量产、L3 限定场景试点落地；而工业 AI 整体最多达到 L2 辅助层级，无法进入自主控制，二者差距巨大，下面从技术架构、场景、数据、安全约束、商业闭环多角度分析。
1. 两者技术架构差异
自动驾驶 AI：多模块混合架构
- 感知层（道路、障碍物识别）：BEV、Occupancy 占用网络，基于 Transformer+CNN 融合图像、激光点云，属于空间多模态模型；
- 预测层（行人、车辆轨迹预判）：时序 Transformer、LSTM，属于时序模型；
- 规划层：大模型做行为决策，数值优化算法做轨迹规划；
- 控制层：PID、MPC 经典控制理论，神经网络不直接接管底层控制。
简言之：自动驾驶是空间感知模型 + 时序预测模型 + 传统控制的融合系统，Transformer 大量用于空间感知，时序模型只是配套模块。
工业时序 AI：聚焦一维传感器时序数据
当前主流工业 AI（时序 PHM），只处理温度、压力、振动这类一维时序数值，没有空间图像感知能力；模型目标是设备状态监测、工艺预警，仅做事前 / 事后辅助分析，不做实时端到端自主决策。
补充：工程图纸类工业智能体（电晓晓、米思米 meviy、黑湖拆单 Agent），在输入形态上更接近自动驾驶感知模块，属于多模态图形理解，但目标不是物理空间实时感知，而是工程图纸 / 三维模型的设计、工艺解析，没有实时物理世界控制任务。
2. 造成巨大发展差距的核心原因
（1）场景标准化程度差异
自动驾驶物理场景规则统一，道路、红绿灯、车辆、行人属于有限对象集合；一套基础模型，跨城市只需要少量微调。
工业场景高度碎片化，典型特征一厂一工况，一套装置一套特性。化工 A 装置和化工 B 装置、不同产线工艺负载差异巨大；模型在 A 厂训练完成，迁移至 B 厂容易出现分布偏移，很难训练通用基础模型。
即使是工程图纸赛道，不同设计院绘图习惯、图纸规范差异，同样会带来域迁移问题，但相比流程工业装置时序场景，标准化程度更高。
（2）数据获取与数据闭环能力
自动驾驶：百万级车辆持续在路上采集图像、点云、时序轨迹；危险、极端工况可以通过仿真大规模合成；形成 “车端采集→标注→模型迭代→OTA 下发” 完整数据飞轮。
工业时序 AI：正常工况数据海量，故障样本极其稀缺，一台设备数年才发生一次故障；故障发生后数据经常丢失；工厂数据孤岛严重，工艺标注需要资深工艺工程师，标注成本极高；项目交付完成，数据闭环直接中断。
工程图纸赛道相对好一些：图纸文件可以批量沉淀，但高质量标注同样依赖资深工程师，数据闭环难度仍然高于自动驾驶。
（3）安全与容错约束（最关键差异）
L3 自动驾驶是限定场景下系统接管，事故属于交通事故，只要事故率低于人类驾驶员，就具备商业化落地价值，保留人兜底。
工业控制容错空间极小。AI 一旦误判，会引发爆炸、有毒介质泄漏、重大停产损失。行业规范与安全体系不允许黑盒 AI 直接接入实时控制回路，AI 只能输出预警、建议，最终决策必须由人工确认。工业 AI 天然无法放开自主执行权限。
（4）研发投入规模与商业模式
自动驾驶全球累计投入数千亿，市场体量巨大；硬件销售之后，车辆持续采集数据，软件订阅带来持续收入，正向飞轮清晰。
工业 AI 属于工控软件增值模块，客户付费意愿偏弱，整体市场盘子远小于汽车行业；项目制交付模式，很难持续投入海量算力、人力迭代基础模型。
结语
本届工博会可以看出，全球工控巨头工业 AI 主战场集中在时序设备运维赛道，国内外厂商在技术路线上形成分化：海外稳健优先，国内在垂类基础模型上更加激进。同时，市场涌现出一批面向图纸解析、报价、供应链协同的工程智能体，开辟了与时序 PHM 并行的赛道。但无论哪一类，受场景碎片化、数据稀缺、安全红线约束，时序 AI 很难实现颠覆性突破，长期定位仍为人类辅助决策工具。
与之对比，智能驾驶依托标准化场景、海量闭环数据、巨大资本投入实现快速迭代；场景标准化程度、数据闭环、安全边界是两类 AI 发展速度差异的根本决定因素。
本文为电天下 · 行业技术观察首发，转载需注明出处。
本文配图来自工博会现场，所有商业 logo 与图片版权归属原公司所有，电天下仅在技术洞察和签约快报编辑场景下做引用与编辑性使用。
