北京的这场西门子RXD大会，如果只用“发布26款新品”来概括，其实有点轻描淡写了。
更接近事实的说法是，这是一次带有强烈“宣言意味”的产业表达——西门子不只是发布产品，而是在试图重新定义一个问题：当AI真正进入工业世界，什么才是它的基础结构？
2026年3月中，首届西门子RXD大会（Real Meets Digital）在北京召开。与西门子股份公司董事会主席、总裁兼首席执行官博乐仁和西门子中国董事长、总裁兼首席执行官肖松同台的，不只是工业企业高管，而是来自阿里巴巴、宇树科技、宁德时代等企业的代表。这个阵容本身已经说明一件事：西门子想讨论的，不是某个行业的问题，而是一个跨越工业、AI与基础设施的系统性命题。
如果说过去两年AI的叙事属于模型公司，那么这场大会更像是一次“工业公司的反击”。因为当AI进入工业体系，问题迅速变得不一样：工业不是内容生成，而是现实运行；不是“看起来聪明”，而是“必须正确”。模型可以出错一次，工厂却不能停一次。
也正是在这样的背景下，西门子提出“工业AI操作系统”这一概念。博乐仁在主题演讲中给出了一个非常关键的判断：AI像当年的电力一样，是一项通用技术，但“强大的 AI 模型是一回事；而真正使用它、集成它，用其解决现实世界的问题，并规模化应用到物理世界中 —— 则完全是另外一回事。”。
这句话的分量在于，它把工业AI的核心问题，从“模型能力”直接转向了“系统能力”。
进一步来看，他对“工业AI操作系统”的定义，其实更接近一个“智能层”：贯穿工业价值链，连接硬件、软件与数据，改变设备、系统乃至整个基础设施的运行方式。
这不是一句技术描述，而是一种路径选择。它意味着西门子已经放弃了“AI作为工具”的思路，转而将AI视为工业系统的底层能力——也就是说，在西门子看来，AI不再是插件，而是操作逻辑本身。如果顺着这个逻辑去看这次大会，就会发现那些看似分散的发布内容，其实构成了一条非常清晰的主线：西门子在做的，不是单点突破，而是系统重构。这条主线，可以拆解为三个层面：工程、执行、基础设施。
先看工程层。西门子与阿里云的合作，看似是一次“仿真上云”的延续，但其真正意义在于改变工程能力的获取方式：通过IaaS模式提供CAE能力，并引入高性能计算集群，西门子实际上在把仿真从“重资产能力”变成“可调用服务”。这背后的变化是深层的：传统工程体系中，仿真只是流程中的一个环节，而现在，它正在成为一个可以被AI反复调用、持续迭代的能力单元。
更关键的，是AI开始进入工程语义本身：西门子明确提出，将基于行业数据对大模型进行微调，使其能够理解设计数据、仿真数据、产线时序数据等工业数据。这实际上也是工业AI与通用AI的本质差异：不是模型不够强，而是语义不匹配。
与此同时，仿真与AI的结合，也在改变工程节奏。在实际应用中，西门子通过数字孪生与AI的融合，企业可以在虚拟环境中完成从设计到运营的全流程优化，甚至在建设工厂之前就完成整体仿真。这意味着，工业创新的“试错成本”正在被系统性降低。但真正困难的，从来不是设计，而是执行。
工业世界的复杂性，很大程度上体现在“最后一公里”——从数字决策到物理动作之间的转化。这一过程长期依赖人工经验，而这正是效率与稳定性的最大不确定来源。
西门子这次发布的26款新品，其核心作用可以用一句话概括：让AI有能力“真正动手”。
新一代PLC S7-200 SMART G2，不只是性能提升，它的意义在于成为AI决策的执行入口；S200紧凑型伺服系统，不只是降低复杂度，而是在缩短决策到动作的时间路径；预测性维护软件SiePA Pro，则让AI开始介入生产稳定性的核心变量——停机风险。 更值得注意的是，西门子在演讲中已经明确提出一个更进一步的方向：AI不仅提供建议，还可以“直接操作设备”。 这意味着一个关键变化——AI从“辅助决策”走向“参与执行”。
当这些能力组合在一起，一个此前并不存在的能力即将出现：工业系统具备了闭环——数据被采集，模型进行分析，系统生成决策，设备执行动作，再反馈新的数据。这已经不再是传统自动化，而更接近一种“可自我优化的系统”。
如果说工程层和执行层解决的是“AI如何进入工业流程”，那么基础设施层则回答了另一个问题：AI如何长期运行。这一点，在当前AI讨论中几乎被忽略：算力成为焦点，但支撑算力的能源与物理系统，却很少被纳入讨论框架。
西门子显然并不这么看。
无论是面向数据中心的直流配电系统，还是通过AI优化运行的制冷方案，其本质都是在解决一个问题：当AI成为生产力，如何让它可持续运行。
这一点，在与宁德时代的对话中被进一步放大。宁德时代首席制造官、工程与研发体系联席总裁倪军明确指出，如果没有可持续的能源方案，AI 的发展就会受限，因为它消耗的电力巨大。现有的能源体系不足以支撑 AI 数据中心的负荷，它需要不同类型的电力性能。。这意味着，工业AI的竞争，不只是算法与软件的竞争，也将是能源与基础设施的竞争。
也就是说，西门子在做的，不只是工业AI应用，而是在构建一个“AI工业体系”。但如果把视角再往深一层推进，会发现真正决定这套体系成败的，并不是技术栈本身，而是“语义”。
工业世界与互联网世界最大的差异，不在技术，而在语义结构。一个模型可以理解语言，却未必理解机床的加工逻辑；可以生成代码，却未必理解工艺约束。工业AI的核心，不是让模型更聪明，而是让它“理解正确”。
这一点，在机器人领域表现得尤为明显。宇树科技创始人、董事长兼首席执行官王兴兴提到，机器人并不是不会操作物体，针对训练过的物品，只要训练到位，抓取成功率基本能达到 100%；可一旦物品稍有变化，成功率就会急剧下滑。而银河通用机器人联合创始人、大模型负责人张直政的观点则更进一步：高价值数据应该区别于传统方案，传统AI解决的是结构化、重复性问题，高价值数据要能支撑新技术解决更复杂的工业任务。这实际上揭示了工业AI的下一道门槛：数据不再只是“量”，而是“结构与语义”。
也正是在这里，生态的重要性被放大。
肖松所说的那句话——“唯有强大的生态才能真正释放AI的无限潜能”，其实指向一个现实：工业AI无法由单一厂商完成。从数据到模型，从软件到设备，从设计到制造，每一个环节都需要不同参与者。
西门子通过Xcelerator平台，将这些参与者连接起来，目前已形成一个覆盖数十万用户和数百家合作伙伴的生态体系。这意味着，工业AI的竞争，已经从产品竞争，转向生态竞争。
在这个过程中，中国市场的意义被进一步放大，不是因为规模，而是因为复杂性。中国占全球工业产出的约30%，拥有最完整的产业体系与最丰富的工业数据。这使中国成为工业AI最真实的试验场。西门子在中国推进本土研发、发布面向本地的创新产品，本质上是在利用这一环境，加速技术从“可行”走向“可规模化”。
如果把时间线拉长，会发现这场变化并非孤立事件，而是工业技术演进的自然延续：从CAD到PLM，再到数字孪生，工业系统逐步实现“可见”；而AI的引入，则让系统开始“可决策、可执行”。这不仅是效率提升，而是系统能力的质变。
西门子提出“工业AI操作系统”，本质上是在尝试定义这一新阶段的基础结构。它试图把数据、软件、硬件与AI整合为一个统一体系，让工业系统从“可控”走向“可进化”。这条路径是否会成为行业共识，还需要时间。但可以确定的是，工业AI的竞争，已经从“谁的模型更强”，转向“谁的系统更完整”。
当AI真正进入工厂、设备、能源系统乃至整个供应链之后，工业世界的运行逻辑正在被重写。未来的工厂，不再只是执行命令的机器集合，而更像是一个持续学习、不断优化的复杂系统。而在这样的系统中，真正稀缺的，从来不是算力，也不是模型，而是谁能够理解现实，并让AI在现实中持续有效地运转。
京公网安备 11010202008829号