2026年，工业AI正在进入一个微妙的阶段。
过去两年，行业讨论更多集中在AI能做什么，AI能不能辅助设计、能不能做预测性维护、能不能自动生成代码、能不能帮助工程师分析数据。
一个又一个概念验证项目，让AI快速进入制造企业。但到了今天，AI已经进入工业企业，为什么真正形成规模化生产力的案例依然不够多？8月11日至12日，西门子大中华区Realize LIVE用户大会在深圳举行，我们认为这场会议提供了一个观察全球工业AI下一阶段走向的窗口。
我们总结下来，这次大会西门子反复强调了三个判断。AI应用很多，但真正创造工业价值的不多；企业数据很多，但背后的工程知识仍然碎片化；AI试点不少，但从单点应用走向规模化仍然困难。
在现场交流中，西门子工业软件中国董事长及总经理梁乃明也明确表示，中国企业对AI的接受度很高，创新和应用速度也非常快，但在推动工业AI落地过程中，仍然面临“工业价值难以真正释放、数据大量存在但仍然碎片化、试点能够成功但规模化仍然困难”三个普遍挑战。
西门子工业软件中国董事长及总经理 梁乃明
正是此次Realize LIVE，我们看到西门子正在将工业AI从一个个漂亮的Demo，真正变成企业日常工作的一部分。
一、工业AI真正的难题是如何产生“生产力”价值
中国制造业对AI的接受速度并不慢。
在此次交流中，针对中国企业与海外客户在AI落地方面是否存在差异的问题，梁乃明给出的判断并不是中国企业缺少AI能力，恰恰相反，他认为中国企业对AI的接受度很高，创新和应用速度也非常快。
但速度快并不意味着AI已经真正创造了价值。梁乃明表示，中国企业当前面临的第一个普遍挑战，就是“工业价值难以真正释放”。企业并不缺少AI工具或者应用构想，真正的挑战在于，如何让AI深入具体工业场景，解决实际问题，并创造可衡量的业务价值。
这其实是工业AI与消费级AI最大的区别之一。
一个通用AI回答得好不好，通常首先是效率问题；但当AI参与产品设计、工程仿真、生产制造或者设备运营时，它面对的是一个高度复杂、强约束、需要承担工程责任的现实世界。
一个模型能够生成答案，并不意味着这个答案可以直接进入生产流程。因此，工业AI的第一个门槛从来不是模型够不够聪明，而是企业有没有把AI真正放进有价值的工作流程里。这也是为什么西门子此次大会没有把AI单纯作为一个新的功能模块来讨论，而是不断强调数字孪生、数字主线、工业软件和AI之间的连接。
过去我们看到很多企业可能会问：“我们能不能用AI解决这个问题？”现在我们认为企业更应该问的是：“AI解决这个问题之后，能不能真正改变这项工作的方式？”这两者看起来只有一层区别，实际上对应的是工业AI从“试点”走向“生产力”的分水岭。
二、企业不是没有数据，而是AI还没有真正“理解”工业
工业AI遇到的第二个问题，是数据。但这里存在一个很容易被行业误解的地方，很多制造企业并不是没有数据。相反，大型制造企业往往拥有海量数据。PLM里面有设计、零件和BOM，ERP里面有物料、库存和订单，MES里面有生产数据，CRM里面有客户和服务信息，设备侧还有大量IoT数据。这些数据长期分散在不同系统和业务流程中。更麻烦的是，数据本身并不等于工业知识。
我们试想一下，AI看到零件A、物料B、设备C，并不意味着它理解三者之间是什么关系；即便知道关系，也不意味着它知道为什么这个零件必须使用某种材料、为什么某一道工艺不能调整，以及某个工程变更会影响后续哪些生产流程。
梁乃明将这一问题概括为“数据很多，但知识碎片化”。他表示，很多中国企业已经积累了丰富的研发、制造和运营数据，但这些数据分散在不同系统和业务流程中，背后的工程知识、行业经验和业务逻辑尚未得到充分连接和利用。
企业真正需要的不是更多Data，而是Context，也就是上下文。所以，西门子此次把“工业本体”放到了非常重要的位置。
西门子数字化工业软件PLM产品执行副总裁Joe Bohman表示，企业的业务流程并不局限在某一个系统内部，而是在不同系统之间流动，因此需要通过工业本体、知识图谱等能力，把不同系统中的数据和业务关系连接起来。
西门子数字化工业软件 PLM 产品执行副总裁 Joe Bohman
西门子希望通过Graph Studio构建知识图谱能力，再通过Industrial Ontologies将PLM、ERP、CRM等系统中的数据关系进一步组织起来。过去企业是在管理数据，现在开始进入组织知识的阶段。
而AI真正能够进入工业流程的前提，是它理解的不再是一张张孤立的数据表，而是一个完整的工业世界。
西门子数字化工业软件总裁兼首席执行官Tony Hemmelgarn进一步揭示了这一逻辑背后的数据战略。他强调，工业AI所依赖的可信数据，必须满足实时性与设计意图，在制造与工程领域，AI必须基于实时更新的配置数据，而非静态的历史快照。更重要的是，系统必须理解数据的“设计意图”，即这个零件为何这样设计、那道工艺为何不能调整。这些工程上下文是导入数据湖的普通快照所不具备的。
西门子数字化工业软件总裁兼首席执行官Tony Hemmelgarn
三、Intelligence Center X是能真正解决问题的“朋友”
我们认为，Intelligence Center X是此次Realize LIVE最值得关注的产品。
6月在底特律举行的Realize LIVE Americas大会上，西门子正式发布Intelligence Center X；此次深圳大会则进一步将这一产品带入中国市场，现场设置了专门的产品分会场和实训课堂。
如果只是把Intelligence Center X理解成又一个工业AI平台，其实低估了西门子的意图。
Joe Bohman在现场介绍时，将Intelligence Center X定位为企业级智能体开发平台。其核心并不是再做一个孤立的AI应用，而是让企业能够在统一环境中连接数据、模型、知识和业务流程，并根据自身工作环境进行定制化开发。
从架构上看，Intelligence Center X由多个能力共同构成：Mendix负责低代码开发，Graph Studio负责知识图谱和数据关系，AI Studio提供机器学习和预测能力，而工业本体则负责建立不同企业数据之间的语义关系。
更重要的是，它还可以进一步连接Teamcenter、Designcenter、Simcenter、Opcenter等西门子工业软件。如果工业AI仍然采用“一个项目对应一个场景”的方式交付，那么企业很容易陷入一个循环：一个工厂做成了AI项目，另一个工厂还要重新做一遍；一个部门做出了Agent，另一个部门仍然需要重新开发。
工业AI真正的规模化，不能靠无限增加项目数量实现，它必须拥有一个可以复用的底座。西门子试图做的，就是把数据、知识、模型、Agent和治理能力沉淀在这个底座上，让企业可以在同一平台上不断增加新的应用。
从这个角度看，Intelligence Center X真正解决的是一个成功的AI应用能不能复制到更多业务、更多部门乃至更多工厂。这也正好对应了西门子对于中国工业AI第三个挑战的判断“试点很多，但规模化很难”。
过去的软件，本质上是“人使用工具”。工程师打开CAD进行设计，打开PLM管理数据，再进入仿真软件进行验证，随后通过MES、ERP等系统完成制造和运营。
而Agent出现以后，这个变化会是颠覆性的。Joe Bohman在现场展示了智能体参与工程变更的场景，智能体可以在数字主线中识别任务、创建工程变更通知，并进一步进入设计环节，定位有问题的模块，调整设计并更新方案。
这意味着工业软件未来可能不再只是“被工程师操作”，而开始参与工程师的工作。人提出目标，AI理解上下文，调用软件和数据完成任务，再由人进行确认。
对于Agent进厂的安全性，西门子也是有所考量。Joe Bohman在谈到Agent安全问题时强调，西门子坚持Human-in-the-loop原则，在软件、流程和步骤中保留人工审核，同时允许客户使用自己的模型，并通过Intelligence Center X进行治理。
所以，工业系统最终需要的不是一个“敢做决定”的AI，而是一个可追溯、可验证、可控制的AI。工业AI的核心竞争力，也因此从单纯的模型能力，开始延伸到数据治理、权限、安全、工程知识以及执行能力。
四、完成闭环，AI工具到工业智能基础设施
如果把Realize LIVE上展示的产品一个个拆开看，会觉得西门子讲了很多东西，Designcenter、Teamcenter、Simcenter、Opcenter、Intelligence Center X，以及Xcelerator as a Service和IFS相关能力。但如果把这些产品放在一起观察，会发现西门子真正想做的，并不是简单地给工业软件增加几个AI功能，而是在重新组织一套覆盖全生命周期的工业智能基础设施。
对于制造业而言，大模型能够理解语言和知识，却不意味着它真正理解物理世界。一个AI可以告诉工程师汽车是什么，但如果要参与汽车设计，就必须进一步理解空气阻力、碰撞、安全、热管理、振动等工程约束。因此，工业AI最终不能只有“大模型智能”，还必须拥有“物理智能”。
这也是Simcenter PhysicsAI的价值所在。西门子利用历史仿真数据训练AI代理模型，将AI引入过去高度依赖传统求解器的工程仿真环节。据西门子介绍，在部分应用场景下，PhysicsAI的数据驱动洞察速度最高可达到传统求解器的1000倍；而新推出的PhysicsAI Generate则进一步将生成式AI引入工程设计，根据性能和尺寸要求快速生成物理一致的三维设计概念。
但理解产品只是第一步。工业企业真正复杂的地方在于，一项产品从设计走向量产，再进入运营和维护，中间涉及大量系统、数据和人员。设计产生数据，仿真验证设计，制造执行设计，设备运营产生现实数据，服务又将运营结果反馈到产品和工程体系。如果这些环节依然彼此割裂，AI再聪明，也只能成为一个个孤立的工具。
因此，西门子此次大会不断强调的其实是“闭环”。
Tony Hemmelgarn表示，西门子正在通过与IFS的合作，将设计、运营和服务连接起来，让现场运营数据能够反向进入产品和工程体系。这意味着传统工业软件的边界正在发生变化：过去的PLM、CAD、仿真、MES、服务软件分别解决不同环节的问题，而未来这些系统需要围绕一条数字主线形成连续的数据和知识流。
在这个过程中，Intelligence Center X承担的角色就更加清晰了，它并不是又一个孤立的AI应用，而更像是连接数据、工业知识、AI模型、Agent和具体工业软件的智能中枢。企业可以在这个平台上连接不同数据源、建立工业知识关系，再通过AI Studio、Mendix等能力构建自己的智能应用和Agent。
而这恰恰对应了中国工业AI当前最现实的问题。因此，西门子在中国并不是简单地把全球AI产品“搬过来”，而是试图通过数据梳理、数据标注、关系定义，再利用AI Studio训练模型，最后通过Mendix构建Agent，推动企业从“点”走向“线”，再从“线”走向“面”。
这也是“在中国、为中国”真正值得点赞的地方，不是产品本地化，而是工业AI落地路径的本地化。
除了这些，此次Realize LIVE，我们切实感受到西门子真正展示的不是几个AI产品，而是一种工业软件形态正在发生变化。过去，工业软件的核心任务是帮助企业把现实世界数字化；现在，它正在进一步让AI理解这个数字世界，并参与设计、仿真、制造、运营和维护。
当AI能够理解BOM、工艺、设备、订单和客户，当数字孪生能够连接设计与现实，当Agent能够调用工业软件完成具体任务，当一次试点能够复制到更多部门和工厂，AI才真正开始从一个工具变成生产力。
而这也意味着，工业AI下一阶段的竞争已经很难再单纯定义为“大模型之争”。
真正的竞争，将转向谁拥有更深的工业知识、更完整的数据上下文、更强的工程仿真能力、更完整的业务流程，以及更有能力把这些东西连接起来的工业软件平台。
这可能才是西门子此次Realize LIVE真正想传递给行业的信号。
2026年，工业AI正在进入一个微妙的阶段。
过去两年，行业讨论更多集中在AI能做什么，AI能不能辅助设计、能不能做预测性维护、能不能自动生成代码、能不能帮助工程师分析数据。
一个又一个概念验证项目，让AI快速进入制造企业。但到了今天，AI已经进入工业企业，为什么真正形成规模化生产力的案例依然不够多？8月11日至12日，西门子大中华区Realize LIVE用户大会在深圳举行，我们认为这场会议提供了一个观察全球工业AI下一阶段走向的窗口。
我们总结下来，这次大会西门子反复强调了三个判断。AI应用很多，但真正创造工业价值的不多；企业数据很多，但背后的工程知识仍然碎片化；AI试点不少，但从单点应用走向规模化仍然困难。
在现场交流中，西门子工业软件中国董事长及总经理梁乃明也明确表示，中国企业对AI的接受度很高，创新和应用速度也非常快，但在推动工业AI落地过程中，仍然面临“工业价值难以真正释放、数据大量存在但仍然碎片化、试点能够成功但规模化仍然困难”三个普遍挑战。
西门子工业软件中国董事长及总经理 梁乃明
正是此次Realize LIVE，我们看到西门子正在将工业AI从一个个漂亮的Demo，真正变成企业日常工作的一部分。
一、工业AI真正的难题是如何产生“生产力”价值
中国制造业对AI的接受速度并不慢。
在此次交流中，针对中国企业与海外客户在AI落地方面是否存在差异的问题，梁乃明给出的判断并不是中国企业缺少AI能力，恰恰相反，他认为中国企业对AI的接受度很高，创新和应用速度也非常快。
但速度快并不意味着AI已经真正创造了价值。梁乃明表示，中国企业当前面临的第一个普遍挑战，就是“工业价值难以真正释放”。企业并不缺少AI工具或者应用构想，真正的挑战在于，如何让AI深入具体工业场景，解决实际问题，并创造可衡量的业务价值。
这其实是工业AI与消费级AI最大的区别之一。
一个通用AI回答得好不好，通常首先是效率问题；但当AI参与产品设计、工程仿真、生产制造或者设备运营时，它面对的是一个高度复杂、强约束、需要承担工程责任的现实世界。
一个模型能够生成答案，并不意味着这个答案可以直接进入生产流程。因此，工业AI的第一个门槛从来不是模型够不够聪明，而是企业有没有把AI真正放进有价值的工作流程里。这也是为什么西门子此次大会没有把AI单纯作为一个新的功能模块来讨论，而是不断强调数字孪生、数字主线、工业软件和AI之间的连接。
过去我们看到很多企业可能会问：“我们能不能用AI解决这个问题？”现在我们认为企业更应该问的是：“AI解决这个问题之后，能不能真正改变这项工作的方式？”这两者看起来只有一层区别，实际上对应的是工业AI从“试点”走向“生产力”的分水岭。
二、企业不是没有数据，而是AI还没有真正“理解”工业
工业AI遇到的第二个问题，是数据。但这里存在一个很容易被行业误解的地方，很多制造企业并不是没有数据。相反，大型制造企业往往拥有海量数据。PLM里面有设计、零件和BOM，ERP里面有物料、库存和订单，MES里面有生产数据，CRM里面有客户和服务信息，设备侧还有大量IoT数据。这些数据长期分散在不同系统和业务流程中。更麻烦的是，数据本身并不等于工业知识。
我们试想一下，AI看到零件A、物料B、设备C，并不意味着它理解三者之间是什么关系；即便知道关系，也不意味着它知道为什么这个零件必须使用某种材料、为什么某一道工艺不能调整，以及某个工程变更会影响后续哪些生产流程。
梁乃明将这一问题概括为“数据很多，但知识碎片化”。他表示，很多中国企业已经积累了丰富的研发、制造和运营数据，但这些数据分散在不同系统和业务流程中，背后的工程知识、行业经验和业务逻辑尚未得到充分连接和利用。
企业真正需要的不是更多Data，而是Context，也就是上下文。所以，西门子此次把“工业本体”放到了非常重要的位置。
西门子数字化工业软件PLM产品执行副总裁Joe Bohman表示，企业的业务流程并不局限在某一个系统内部，而是在不同系统之间流动，因此需要通过工业本体、知识图谱等能力，把不同系统中的数据和业务关系连接起来。
西门子数字化工业软件 PLM 产品执行副总裁 Joe Bohman
西门子希望通过Graph Studio构建知识图谱能力，再通过Industrial Ontologies将PLM、ERP、CRM等系统中的数据关系进一步组织起来。过去企业是在管理数据，现在开始进入组织知识的阶段。
而AI真正能够进入工业流程的前提，是它理解的不再是一张张孤立的数据表，而是一个完整的工业世界。
西门子数字化工业软件总裁兼首席执行官Tony Hemmelgarn进一步揭示了这一逻辑背后的数据战略。他强调，工业AI所依赖的可信数据，必须满足实时性与设计意图，在制造与工程领域，AI必须基于实时更新的配置数据，而非静态的历史快照。更重要的是，系统必须理解数据的“设计意图”，即这个零件为何这样设计、那道工艺为何不能调整。这些工程上下文是导入数据湖的普通快照所不具备的。
西门子数字化工业软件总裁兼首席执行官Tony Hemmelgarn
三、Intelligence Center X是能真正解决问题的“朋友”
我们认为，Intelligence Center X是此次Realize LIVE最值得关注的产品。
6月在底特律举行的Realize LIVE Americas大会上，西门子正式发布Intelligence Center X；此次深圳大会则进一步将这一产品带入中国市场，现场设置了专门的产品分会场和实训课堂。
如果只是把Intelligence Center X理解成又一个工业AI平台，其实低估了西门子的意图。
Joe Bohman在现场介绍时，将Intelligence Center X定位为企业级智能体开发平台。其核心并不是再做一个孤立的AI应用，而是让企业能够在统一环境中连接数据、模型、知识和业务流程，并根据自身工作环境进行定制化开发。
从架构上看，Intelligence Center X由多个能力共同构成：Mendix负责低代码开发，Graph Studio负责知识图谱和数据关系，AI Studio提供机器学习和预测能力，而工业本体则负责建立不同企业数据之间的语义关系。
更重要的是，它还可以进一步连接Teamcenter、Designcenter、Simcenter、Opcenter等西门子工业软件。如果工业AI仍然采用“一个项目对应一个场景”的方式交付，那么企业很容易陷入一个循环：一个工厂做成了AI项目，另一个工厂还要重新做一遍；一个部门做出了Agent，另一个部门仍然需要重新开发。
工业AI真正的规模化，不能靠无限增加项目数量实现，它必须拥有一个可以复用的底座。西门子试图做的，就是把数据、知识、模型、Agent和治理能力沉淀在这个底座上，让企业可以在同一平台上不断增加新的应用。
从这个角度看，Intelligence Center X真正解决的是一个成功的AI应用能不能复制到更多业务、更多部门乃至更多工厂。这也正好对应了西门子对于中国工业AI第三个挑战的判断“试点很多，但规模化很难”。
过去的软件，本质上是“人使用工具”。工程师打开CAD进行设计，打开PLM管理数据，再进入仿真软件进行验证，随后通过MES、ERP等系统完成制造和运营。
而Agent出现以后，这个变化会是颠覆性的。Joe Bohman在现场展示了智能体参与工程变更的场景，智能体可以在数字主线中识别任务、创建工程变更通知，并进一步进入设计环节，定位有问题的模块，调整设计并更新方案。
这意味着工业软件未来可能不再只是“被工程师操作”，而开始参与工程师的工作。人提出目标，AI理解上下文，调用软件和数据完成任务，再由人进行确认。
对于Agent进厂的安全性，西门子也是有所考量。Joe Bohman在谈到Agent安全问题时强调，西门子坚持Human-in-the-loop原则，在软件、流程和步骤中保留人工审核，同时允许客户使用自己的模型，并通过Intelligence Center X进行治理。
所以，工业系统最终需要的不是一个“敢做决定”的AI，而是一个可追溯、可验证、可控制的AI。工业AI的核心竞争力，也因此从单纯的模型能力，开始延伸到数据治理、权限、安全、工程知识以及执行能力。
四、完成闭环，AI工具到工业智能基础设施
如果把Realize LIVE上展示的产品一个个拆开看，会觉得西门子讲了很多东西，Designcenter、Teamcenter、Simcenter、Opcenter、Intelligence Center X，以及Xcelerator as a Service和IFS相关能力。但如果把这些产品放在一起观察，会发现西门子真正想做的，并不是简单地给工业软件增加几个AI功能，而是在重新组织一套覆盖全生命周期的工业智能基础设施。
对于制造业而言，大模型能够理解语言和知识，却不意味着它真正理解物理世界。一个AI可以告诉工程师汽车是什么，但如果要参与汽车设计，就必须进一步理解空气阻力、碰撞、安全、热管理、振动等工程约束。因此，工业AI最终不能只有“大模型智能”，还必须拥有“物理智能”。
这也是Simcenter PhysicsAI的价值所在。西门子利用历史仿真数据训练AI代理模型，将AI引入过去高度依赖传统求解器的工程仿真环节。据西门子介绍，在部分应用场景下，PhysicsAI的数据驱动洞察速度最高可达到传统求解器的1000倍；而新推出的PhysicsAI Generate则进一步将生成式AI引入工程设计，根据性能和尺寸要求快速生成物理一致的三维设计概念。
但理解产品只是第一步。工业企业真正复杂的地方在于，一项产品从设计走向量产，再进入运营和维护，中间涉及大量系统、数据和人员。设计产生数据，仿真验证设计，制造执行设计，设备运营产生现实数据，服务又将运营结果反馈到产品和工程体系。如果这些环节依然彼此割裂，AI再聪明，也只能成为一个个孤立的工具。
因此，西门子此次大会不断强调的其实是“闭环”。
Tony Hemmelgarn表示，西门子正在通过与IFS的合作，将设计、运营和服务连接起来，让现场运营数据能够反向进入产品和工程体系。这意味着传统工业软件的边界正在发生变化：过去的PLM、CAD、仿真、MES、服务软件分别解决不同环节的问题，而未来这些系统需要围绕一条数字主线形成连续的数据和知识流。
在这个过程中，Intelligence Center X承担的角色就更加清晰了，它并不是又一个孤立的AI应用，而更像是连接数据、工业知识、AI模型、Agent和具体工业软件的智能中枢。企业可以在这个平台上连接不同数据源、建立工业知识关系，再通过AI Studio、Mendix等能力构建自己的智能应用和Agent。
而这恰恰对应了中国工业AI当前最现实的问题。因此，西门子在中国并不是简单地把全球AI产品“搬过来”，而是试图通过数据梳理、数据标注、关系定义，再利用AI Studio训练模型，最后通过Mendix构建Agent，推动企业从“点”走向“线”，再从“线”走向“面”。
这也是“在中国、为中国”真正值得点赞的地方，不是产品本地化，而是工业AI落地路径的本地化。
除了这些，此次Realize LIVE，我们切实感受到西门子真正展示的不是几个AI产品，而是一种工业软件形态正在发生变化。过去，工业软件的核心任务是帮助企业把现实世界数字化；现在，它正在进一步让AI理解这个数字世界，并参与设计、仿真、制造、运营和维护。
当AI能够理解BOM、工艺、设备、订单和客户，当数字孪生能够连接设计与现实，当Agent能够调用工业软件完成具体任务，当一次试点能够复制到更多部门和工厂，AI才真正开始从一个工具变成生产力。
而这也意味着，工业AI下一阶段的竞争已经很难再单纯定义为“大模型之争”。
真正的竞争，将转向谁拥有更深的工业知识、更完整的数据上下文、更强的工程仿真能力、更完整的业务流程，以及更有能力把这些东西连接起来的工业软件平台。
这可能才是西门子此次Realize LIVE真正想传递给行业的信号。
