我看到的不是单一的产品，而是一个完整的生态系统，它让人工智能技术加速融入每一个工厂、设备和生产线，推动真实世界中的智能转型。
物理AI的“中国时刻”
春晚舞台上表演的宇树机器人不仅仅是一种技术奇观，它们已经开始在西门子的德国工厂里学习搬运任务。从CES2026到GTC大会，黄仁勋多次强调“物理AI”的重要性。就连Jeff Bezos也在洽谈筹集资金，以支持制造领域的转型。
西门子首席执行官博乐仁表示，该公司正在测试SIMOVE ANS+导航软件，用于人形机器人。
大会展区中，与AGV互动的宇树机器人。
同时，另一条路径也在加速推进——让人工智能真正理解和适应物理世界。DeepSeek在三维建模方面取得突破，李飞飞创立的World Labs获得了10亿美元的融资。
在西门子的主场——讨论“人工智能如何进入物理世界”——谁更有资格发言呢？这位深嵌于现实世界运行体系中的工业玩家无疑最有发言权。
相比普通人可以直接使用的Seedance 2.0和“小龙虾”，西门子的技术虽然没有直观的“体感”，却无处不在，几乎涵盖了现代工业与城市运行的每一个关键环节，包括手机的生产过程。
3月23日，北京，西门子Siemens RXD大会（Reality meets Digital）开幕。主论坛、分论坛、开放舞台演讲以及3000平方米的展区，都被用来探讨一个亟待解决的问题——人工智能如何进入现实世界，并在那里扎根，成为变革的核心力量，而不是短暂的奇观。
一套技术体系，模糊了虚拟与现实的界限
在西门子首席执行官博乐仁的主旨演讲中，一个关键的观点被反复强调——人工智能不仅仅是技术迭代，而是一种通用型技术，其影响可与电力之于工业时代相提并论，甚至更为深远。
当人工智能进入物理系统，它不再只是一个功能，而是成为影响现实的力量。它将改变人们的工作与生活方式，重塑生产与消费模式，并使整个系统更加高效、自主且具有适应性。
博乐仁称，我们已经进入工业人工智能革命。然而，强大的人工智能模型是一回事，将它们应用于现实世界的问题并实现规模化，又是另一回事。西门子正在构建的，是一套能够持续生成工业AI应用的基础设施。
此次大会命名为Siemens RXD（Reality meets Digital），几乎可以视为对工业AI本质的高度概括：AI不再停留在数字世界，而是进入物理现实并产生实际影响。
当工业AI从试验走向规模化，现实与数字的融合需要跨区域的协同联动，在实体经济中完成硬核着陆。这一转变需要密集的制造场景、真实的工业数据，以及能够快速验证与迭代的产业环境。
因此，首届大会落地北京，几乎是一种必然。正如阿里巴巴集团主席蔡崇信在大会现场所说：“作为全球最大的制造业经济体，我深信中国是工业人工智能最佳的试验场。”
随着这一逻辑的深入，更深层次的线索也随之浮现。这家“百年字号”之所以能够穿越多个技术周期，关键或许不在规模或历史本身，而在于其一贯的策略选择：不断进入变化最剧烈的区域。
170多年来，西门子持续进入新领域，也不断退出旧业务；在多轮技术浪潮与产业迁移中，其业务结构数次被重塑。但在这些变化之中，始终存在一条稳定的主线——持续的自我重构。
正如其管理层所强调的，西门子的历史，从来不是线性延续，而是一系列主动调整的叠加。而当前这一轮以工业AI为核心的转型，在博乐仁看来，是其170年历史中最迅速、也最深刻的一次。
技术浪潮总在更替。新的公司不断涌现，旧的领先者被替代，"顶流"的更迭几乎成为常态。然而，在这一循环之中，西门子始终在场。
北京这场RXD大会，既是一次阶段性的展示，也是一种延续性的表达：在最复杂、最活跃的现实环境中，让AI与现实相遇，并完成新一轮进化。
从单台设备、传送带到托盘路径与操作员动线，均被纳入一个持续更新的数字环境之中。
在这一环境中，AI Agent 得以对系统变更进行模拟、测试与优化。这并非单一智能体的作用，而是一套由编排型 Agent 统筹、由设备、机器、产品与流程等多类 Agent 协同构成的系统。
文中视频链接：https://mp.weixin.qq.com/s/Tk4TaItYzS4J6U8tRPD0Og
大会展区现场展示的百事可乐公司的案例
但物理世界的维修与更换仍需人来完成，人工智能通过智能眼镜等方式为一线人员提供即时指导，实现人机协同。
其收效颇为可观。在任何实体改造前，人工智能已经识别出高达90%的潜在问题。初步部署已将吞吐量提升约 20%，设计周期也随之缩短，许多方案能够在首次部署时就完成验证。
同时，通过在虚拟环境中发掘潜在产能并前置投资决策，资本支出可降低约 10% 至 15% 。
这套以数字孪生为核心、数据驱动并通过 AI Agent 实现闭环控制的系统带来的不只是效率提升，更是生产逻辑的重构：
从过去仅服务于设计阶段的仿真工具，到贯穿「设计—制造—运营」全生命周期的系统，数字世界不再是映射，而是驱动现实的引擎。
生产制造也由此迈向一个持续自适应、不断优化的人机协同体系，并最终推动生产力的跃迁。
工业AI的分水岭：数据「炼金」
按照博乐仁说法，西门子的全栈能力，不只是软硬件整合，更关键在于其长期沉淀的工业数据资产。因为，在工业人工智能领域，数据不是附属资源，而是决定模型能否落地的前提。
他分享过一个颇具说服力的案例：仅有 LLM 本身，还远远不够。
如果只依赖通用模型或其衍生的 Agent，或许已经接近工业所需的水平，但始终达不到真正可用的精度。关键在于，我们用自己的工业数据对模型进行再训练——包括专有数据、产品数据、设备数据以及运行数据。
更重要的是，还叠加了历史问题与解决方案的经验。就像工厂车间里那块写满故障与处理记录的白板，这些隐性的经验，如今都被系统性地输入模型之中。于是，当类似问题再次出现时，系统能够识别其模式，并直接给出对应解法。
这就是我们所说的工业 AI 模型：不是通用能力的简单延伸，而是经由工业数据训练后形成的专用能力。它既具备跨场景的适用性，又能深入到具体设备与工艺层面实现高精度判断，使问题解决的命中率从 60%-70% 提升至接近 95% 。只有达到这一水平，AI 才真正具备工业应用的价值。
在随后的圆桌讨论中，西门子中国董事长、总裁兼首席执行官肖松与嘉宾也深入探讨了数据与场景的重要性。
西门子中国董事长、总裁兼首席执行官肖松与嘉宾也深入探讨了数据与场景的重要性。
一方面，工业 AI 不同于通用 AI，它高度依赖具体场景中的多模态数据（设备、流程、环境等）。硬件提供感知与执行能力，软件提供算法与模型，但如果缺乏长期积累的真实工业数据，模型就无法有效训练，也无法理解复杂的工业场景，最终难以落地。
另一方面，工业数据本身获取难、分散且非标准化，很多企业「有数据但用不好」，甚至存在数据与业务脱节的问题。这使得数据不仅是资源，更是门槛——谁掌握了高质量、可用的数据，谁才能真正释放 AI 价值。因此，必须以高价值场景为牵引，推动多模态模型与产业知识融合，实现「看得懂、用得上、算得清」的闭环。
当然，要实现规模化突破，最终还要依赖制度与生态的协同演进，包括数据产权界定、流通机制完善以及「数据工厂」等新型基础设施建设。
170 年 Know-how 护城河：
行业「肌理」的理解力
如果说，一个连接数据、软件与智能硬件的技术栈，是 AI 融入物理现实的基础，那么，其成效最终取决于行业知识。这正构成西门子最难被复制的能力。
这一点在工业 AI 的实际应用中尤为明显。正如肖松所言，工业 AI 的竞争，关键不在模型参数，而在具体应用，几十个垂直行业，每个行业的工艺都不同。
例如，展区中一款基于 AI 的程序转换 Agent，能够将其他厂商数控机床的「语言」，自动转译为西门子数控系统可识别的 SINUMERIK 代码。表面上是代码转换，实则是对两套加工「语系」的重新对齐，需要对加工机理有深刻理解。
类似的，新应用 SiePA Pro 3.0 通过预测性维护，将设备管理从周期性检修转向数据驱动的主动决策，提前预警。背后比拼的是对设备机理、故障模式与工程经验的深刻沉淀。
大会展区里新应用 SiePA Pro 3.0 的demo展示
然而，这些知识并不存在于公开互联网之中，完全沉淀于西门子逾 170 年的行业实践之上：1500 名 AI 专家、数以万计的工程师，以及覆盖 40 多个行业的积累，共同构成一套理解复杂工业场景的认知体系。
其渗透之深，也外化于广泛而深入的系统嵌入。例如，几乎所有汽车都会与西门子的技术产生关联。它们要么由西门子的技术设计，要么由西门子技术制造。全球每三条制造产线中，就有一条运行在西门子的控制系统之上。全球约 70% 的电力流经由西门子软件规划或优化的电网。
此时，我不禁想起西门子 AI 技术负责人 Robert Lohmeyer 曾直言，这种能力，并非成立仅 20 余年的数字公司或互联网企业所能比肩，未来 25 年也难以复制。
生态引力，从能力到规模
然而，能力并不自动转化为规模。工业 AI 的本质是高度碎片化，单一厂商难以覆盖所有场景。要实现从个案突破到系统性落地，必须依赖生态。
一个细节颇具象征意义：展区中超过六成合作伙伴已带来 AI 相关产品，覆盖数据中心、钢铁、生物医药、食品饮料等关键行业。这意味着，工业 AI 正从概念验证走向规模应用。而西门子所扮演的角色，不仅是「做应用」，还「授人以渔」。
例如，通过西门子 Xcelerator 平台，其底层模型能力、工程工具与行业 know-how 被模块化开放，企业可以在统一基座上构建自身解决方案。
而更大生态的运转，依赖两个关键节点的支撑。
在物理世界中，所有优化都依赖高精度仿真，而英伟达的加入，让这一能力实现数量级跃迁。博乐仁将双方合作称为「战略加速器」，主要体现在三点。
其一，仿真能力大幅提升，算力加持下相关软件性能可达百倍甚至千倍，在电动车开发中可显著减少风洞测试；
其二，芯片设计效率最高提升十倍；
其三，在新一代数据中心与 AI 工厂中，通过数字孪生完成前期设计，并在运行后由AI接管系统控制。
与阿里云的战略协作侧重基础设施与生态连接，解决的是 AI 在中国复杂环境中的规模化部署问题。例如，借助阿里云的生态连接能力，工业解决方案得以更顺畅嵌入企业既有生产体系。
由此可见，西门子所构建的，其实是一套能够持续生成工业 AI 应用的基础设施——也是其试图规模化重塑工业形态的关键所在。
在「最卷」的测试场穿越技术周期
西门子将本次大会命名为 Siemens RXD（Reality meets Digital），几乎可以视为对工业 AI 本质的高度概括：AI 不再停留在数字世界，而是进入物理现实并产生实际影响。当工业 AI 从试验走向规模化，现实与数字的融合需要跨区域的协同联动，在实体经济中完成硬核着陆。
这一转变，并不会在任何地方均匀发生。它需要密集的制造场景、真实的工业数据，以及能够快速验证与迭代的产业环境。
因此，首届大会落地北京，几乎是一种必然。正如阿里巴巴集团主席蔡崇信在大会现场所说：「作为全球最大的制造业经济体，我深信中国是工业人工智能最佳的试验场。」
阿里巴巴集团主席蔡崇信在大会上与博乐仁对话
顺着这一逻辑，更深一层的线索随之浮现。
这家「百年字号」之所以能够穿越多个技术周期，关键或许不在规模或历史本身，而在其一贯的策略选择：不断进入变化最剧烈的区域。
170 多年来，它持续进入新领域，也不断退出旧业务；在多轮技术浪潮与产业迁移中，其业务结构数次被重塑。但在这些变化之中，始终存在一条稳定的主线——持续的自我重构。
正如其管理层所强调的，西门子的历史，从来不是线性延续，而是一系列主动调整的叠加。而当前这一轮以工业 AI 为核心的转型，在博乐仁看来，是其 170 年历史中最迅速、也最深刻的一次。
技术浪潮总在更替。新的公司不断涌现，旧的领先者被替代，「顶流」的更迭几乎成为常态。
然而，在这一循环之中，西门子始终在场。
北京这场 RXD 大会，既是一次阶段性的展示，也是一种延续性的表达：在最复杂、最活跃的现实环境中，让 AI 与现实相遇，并完成新一轮进化。