彭瑜｜开放自动化与工业AI融合共生齐头并进

开放自动化是近十年来美国ARC论坛的重要热点方向。而当工业AI落地寻求突破之际，开放自动化正在迎来它的最好时光。开放自动化的推手——ARC论坛，在2026年2月至7月期间，先后在美国奥兰多、西班牙锡切斯、印度班加罗尔等全球多地巡回举办，其中美国奥兰多峰会为该系列的旗舰活动。本届论坛的核心主题聚焦“工业AI的规模化落地”，并将开放自动化视为支撑工业AI落地的关键底层技术基石。

围绕AI应用、开放自动化两大技术方向，论坛基于制造行业的差异化特性，对离散制造与流程工业两大领域形成了针对性的落地建议与行业共识。核心要点梳理如下：

（1）落地阶段共识：两大行业的AI技术均已从实验室试点验证阶段，正式迈入生产级规模化应用阶段；其中流程工业的规模化落地进度显著领先于离散制造，造成这一差异的根本原因在于两类行业底层的数据成熟度不同。

（2）技术支撑逻辑：开放自动化是支撑工业AI规模化落地的底层架构，无论离散制造还是流程工业，都需依托基于开放标准（如ISA95企业-控制系统集成标准、OPC UA通信协议等）构建的工业数据层，实现数据与硬件资产的解耦，才能保障AI模型精准、可靠运行。

（3）行业场景差异：AI与开放自动化的融合路径，需完全适配两类行业的关键生产特性的差异。流程工业以连续性工艺优化和资产可靠性提升为核心目标；离散制造则聚焦多品种小批量场景下的柔性调度及全流程供应链协同等。

（4）核心基础共识：行业数据的语义标准化与高质量治理，是AI与开放自动化融合落地的前置必要条件；缺少这一基础，再先进的AI算法也无法产出可靠的业务价值。

本届奥兰多峰会论坛的另一显著特点，是对工业AI的技术定义首次形成明确的行业边界，论坛中所有行业头部企业分享的落地案例均区别于泛消费类AI，技术落地的核心目标是服务工业生产场景的专属约束条件：包括生产过程平稳性、产品质量一致性、人员操作安全保障、设备运行可靠性、生产环境合规性等，而非单纯追求技术指标的提升。这一界定也标志着工业AI从概念炒作期正式进入行业化落地成熟期。

工业AI赋能（AI Empowerment）的统一定义

根据ARC论坛的统一定义，工业AI技术并非单一算法工具，而是覆盖工业生产全流程的技术综合体。它包括机器学习、深度学习、强化学习、数字孪生、计算机视觉、语音/图像识别、自然语言处理等多类技术。这些技术与行业工艺知识、生产场景深度融合，就可以实现对生产过程的感知、分析、预测、决策和闭环优化，最终形成自感知、自组织、自优化的智能化生产能力。

工业AI的价值落地，绝不是将通用的 AI技术强行嫁接到生产场景上，而是要求技术架构完全适配工业生产特有的稳定性、可靠性、实时性约束条件。工业AI并非单纯提升技术指标，而是要覆盖制造企业从底层生产设备到上层业务管理的全链路场景，关键价值方向可归纳为四大类：

（1）资产性能管理（APM）：通过分析设备的实时运行数据，提前识别故障风险，将传统的被动设备维修模式转为预测性维护、视情维护模式（CBM，Condition-Based Maintenance），进而将设备的整体有效运维时间延长，提升资产全生命周期的价值；这类场景也是当前工业AI落地效果最显著的方向。

（2）生产工艺优化：通过对实时工艺数据、历史生产数据的多维度联合分析，对工艺参数进行实时调整和精准优化，提升产品质量的一致性，降低生产过程的能耗、料耗，实现生产端的降本增效；这类场景在流程工业的落地效果最显著。

（3）质量检测与管控：通过计算机视觉、多变量统计过程控制等技术，在生产环节进行实时质量缺陷检测，在制品生产过程中及时发现质量偏差，将下游的无效加工流程彻底阻断；并通过分析全流程工艺参数与质量结果的关联关系，精准定位质量波动的工艺诱因。

（4）柔性生产与协同调度：通过AI的自主感知、决策、执行能力，响应多品种小批量的生产场景需求，自动调整生产线的工艺参数、物流配送路径、生产排产计划，实现整条生产线的快速换产、柔性生产适配；这类场景是离散制造当前最核心的AI落地方向。

从技术演进趋势来看论坛还提出了一个明确的技术判断：工业AI的技术应用重心，已经从早期的感知类辅助应用，快速向基于环境实时感知的闭环自主决策应用迁移；这也意味着对底层数据的完整性、精准度、标准化程度的要求，越来越严苛。

开放自动化的全新定义和落地

在今年的论坛中，进一步明确了有别于以往的定义：“基于厂商中立的标准化技术架构体系，通过解耦现场底层硬件资源与上层软件应用能力，让不同厂商的生产设备、软件应用、通信网络，能够实现高效协同、无缝交互。”这是一条颠覆传统自动化，打破传统自动化孤岛、厂商技术绑定困境的技术路径。经过十年的探索，已经形成了以下共识：开放自动化不是由单一厂商主导的新的专属技术架构，而是一套基于现有成熟工业标准的“标准的标准” 集合；其核心逻辑并非替代现有工业标准，而是以 OPC UA、ISA-95、ISA-88、O-PAS 等现有标准体系为基础，实现不同标准之间的兼容协同，最终形成一套稳定的、语义标准明确的技术架构，支撑全流程数据的安全、高效交互。

当前开放自动化领域的核心标准与技术框架，主要包括三类方向：

（1）O-PAS标准家族：由the Open Group旗下的开放流程自动化论坛（OPAF）            负责制定和维护，是开放自动化领域最核心的落地标准框架，也是一个融合现有多种工业标准的“标准集合体”；该标准整合了ISA95、ISA88、OPC UA、IEC611313以及IEC61499等多项现有工业标准的技术要点，而非完全替代现有标准，通过统一的语义规范实现不同标准间的无缝交互。其技术架构，已经过埃克森美孚、洛克希德·马丁等头部行业用户的试点验证，进入商业部署阶段。

（2） OPC UA标准：OPC UA（开放平台通信统一架构）已经成为工业自动化领域安全、平台无关的数据交换事实标准，是开放自动化架构体系中最基础的通信标准，提供了安全、可靠、标准化的工业数据传输机制，能够明确定义数据的语义格式，保证不同厂商设备之间的标准化数据交互，是实现从底层现场设备到上层边缘侧、企业端云平台之间数据高效贯通的基础，也是实现IT与OT融合的技术前提。多年来，它已在制造业、流程自动化、能源、基础设施等众多工业领域，成功实现机器、设备与软件系统之间的安全数据交互。

（3）行业标准组织的联合支撑：除上述标准外，开放自动化的落地架构，还需要由OPC Foundation、the Open Group、UniversalAutomation.org、VDMA、NEMA 等行业标准组织，从不同技术维度提供配套支撑。比如共享运行时技术、行业标准信息模型、行业配套测试验证标准等，以保障开放自动化架构的多厂商环境下的互操作性。

与此同时，行业用户和供应商还普遍认识到，开放自动化不仅仅是一次单纯的技术架构迭代，而是整个工业自动化行业的一次技术生态重构——将传统的供应商绑定依赖模式重新定义为用户基于标准的最优技术组合模式，这一转变将彻底释放工业AI的落地价值空间。工业自动化业界越来越清楚这一技术变革并非单点技术突破，而是一场涉及技术架构、行业生态、项目实施和商业模式的系统性重构。开放自动化体系的核心特征可概括为三个维度：一是供应商中立，即通过统一的开放标准接口，实现不同厂商设备间的无缝互换、集成与协同；二是软件定义化，即控制层软件与底层硬件资源彻底解耦，软件不再绑定特定供应商的专属硬件平台；三是安全内生化，即严格依据 IEC 62443 等国际工业网络安全标准设计安全防护体系，将风险防护机制内嵌于架构的所有分层级中，而非在既有架构上叠加安全防护方案。

从行业验证进展来看，不同行业的技术接受程度与落地深度存在明显差异，这一差异与行业对技术壁垒、安全防护、运维成本的耐受度直接相关，其中石化行业作为传统封闭系统痛点最突出的典型领域，是当前技术落地最成熟的领域。这是因为石化行业是典型的资本密集型流程工业，生产场景具有高温高压、易燃易爆、生产流程连续不间断的核心特征，对自动化系统的实时控制精度、运行稳定性、安全防护能力要求极高。而且石化行业的生产装置生命周期普遍长达30至50年，后续技术升级、改造扩容的需求频繁，这一行业特性恰好击中了传统封闭自动化系统的重要技术痛点。在离散制造业，工业自动化开放架构已从概念验证阶段转向行业规模化落地期，正在将传统专属化的自动化控制能力进行软件解耦，通过标准协议打通多源设备与高层系统的数据链路，最终支撑离散制造企业将柔性生产、快速换线、全域设备互联与数据驱动优化四大核心价值，从工程构想转化为可量化的生产实效。食品饮料行业和制药行业对生产合规性、数据可追溯性有严苛要求，目前也已进入了实质性部署阶段。而电力行业的公开验证案例相对较少，仍处于技术方案论证和局部场景试点阶段。

从行业落地进展来看，O-PAS的开放流程自动化架构已进入行业级规模化验证阶段。由埃克森美孚牵头、洛克希德·马丁参与系统集成的全球首个商业级灯塔项目已在埃克森美孚的树脂精炼厂成功稳定运行；截至2026年7月该系统已连续稳定运行超过18个月，未出现任何因系统架构或多厂商设备适配问题导致的非计划停机；现场运维人员的反馈数据显示，该系统的日常运维工作量，相比原有的传统DCS系统大幅降低，这也直接验证了开放架构在简化运维、降低故障处理时长方面的优势。食品饮料行业的天堂山波本威士忌酒厂、制药行业的西班牙Rovi制药厂，也先后基于开放自动化标准完成了新系统部署或旧系统升级。这两个项目都是采用罗克韦尔自动化面向流程工业数字化转型推出的分布式控制系统PlantPAx 5.1，系统架构理念契合O-PAS的发展方向，但尚未完整实现OPAS参考架构全部要求。其平台核心工艺控制逻辑依托Logix控制器生态，采用IEC 61131-3编程体系；组态与控制应用移植不依赖IEC 61499标准，控制应用无法脱离罗克韦尔硬件环境自由迁移；第三方硬件仅可作为现场设备接入，不能作为分布式控制节点DCN（Distributed Control Node）承载实时工艺控制；此外，系统缺少O-PAS定义的厂商中立独立编排层，批次调度、系统协同能力绑定FactoryTalk软件套件。

截至2026年7月，全球范围内已有超过 10 个跨行业的开放自动化标杆项目完成部署或验收，充分验证了该技术架构的行业适配性、商业落地价值与可推广性。

开放自动化赋能工业AI落地的价值重构

工业AI技术正快速从概念验证向规模化落地渗透，但行业内的实际落地情况低于预期，大部分工业AI项目仍集中在头部企业的样板级场景；很多企业的工业AI项目在完成实验室验证或试点场景验证后，无法在全厂级或多厂级场景内快速推广。导致这一结果的技术瓶颈是工业行业中普遍存在的 “数据壁垒”，即自动化系统的“封闭性”问题。传统封闭架构下不同厂商的设备采用不同的通信协议、数据格式和命令行逻辑，数据被封闭在各个独立的子系统中，无法被统一采集和解析；这意味着工业AI应用很难获取高质量的、符合统一标准的训练数据，没有这类高质量数据支撑，AI模型再先进也无法在实际生产场景中落地。

而开放自动化技术的一个核心价值，在于它通过标准化的技术接口，打通了从现场设备层到上层业务层的所有数据流通环节，构建了一条“开放、标准、统一” 的数据大动脉；这一能力恰好击中了工业AI落地的核心痛点，是破解数据壁垒，实现工业AI技术大规模、规模化落地的关键技术支撑。（见图1）

图1 开放自动化与工业AI的双轮驱动

从实际落地情况来看，开放自动化在工业 AI 落地中的技术价值，主要集中在三个方面：

（1）破解数据孤岛：实现统一数据互操作性，这是开放自动化技术对工业AI落地的最基础、最核心的价值。工业AI应用的训练数据来源于生产现场的不同厂商、不同类型的设备；这类设备的通信协议、数据格式往往各不相同；如果无法将这类设备的数据，以统一标准采集、解析，后续的工业AI用就无法得到高质量的训练数据支撑，更谈不上落地应用。而开放自动化技术的核心技术之一是基于OPC UA的统一标准化通信框架，这一框架相当于给所有设备提供了一套统一的“数据交互翻译机制”；它可以在不改变现有设备运行状态的前提下，将来自不同厂商、不同通信协议和不同数据格式的现场设备数据，统一封装成符合OPC UA标准的格式，实现从现场设备层到上层业务层的全链路数据无缝贯通。这一能力恰好解决了工业AI落地的核心数据瓶颈。从实际落地案例来看，这一技术价值的支撑效果，已经在多个行业级项目中得到了充分验证。这些实际项目的验证结果，充分证明了开放自动化技术在实现数据互联互通、支撑工业AI落地方面的价值，有了开放架构的标准数据支撑，工业AI的应用部署周期可以大幅缩短；没有这一数据底座，工业AI的规模化落地将无从谈起。

（2）一次开发，多次运行：开放自动化架构是破解工业AI落地瓶颈、实现模型规模化复用推广的工程化支撑。需首先明确该“一次开发、多次运行” 的跨场景复用能力，当前最成熟的验证主要集中于流程工业。

在工业AI产业化落地进程中，模型可移植性不足是行业共性的技术难题，极大制约了AI技术从单点试点走向全域规模化应用。在传统工业自动化封闭架构体系下，不同制造场景、工厂体系的自动化设备品牌型号、底层通信协议、数据采集格式与数据接口规范均存在显著差异化，形成了碎片化的技术壁垒，这是导致工业AI难以跨场景复用的底层根因。基于封闭架构开发训练的工业AI模型，具备极强的场景专属绑定属性。模型在单条生产线、单个工厂完成验证落地后，若需复用至同行业、同工艺的其他生产场景，往往需要针对目标场景的设备体系、协议标准、数据规范进行全方位适配改造。多数场景下，不仅需要迭代调整模型数据接入逻辑与算法预处理规则，甚至需要重新开展现场数据采集、数据集清洗、模型训练与参数调优工作。该适配流程技术复杂度高、人力与时间成本高昂、落地周期长达数月，大幅降低了工业AI项目的复用效率与产业化落地速度，是阻碍工业 AI 规模化普及的关键痛点（见图2）。

依托O-PAS开放自动化标准体系构建的分层开放架构，搭配统一标准化接口能力，彻底重构了工业AI模型的开发与部署逻辑，真正实现了工业AI模型一次开发、多次运行的可移植能力，为工业AI规模化落地提供了可落地的技术底座。但需明确，该架构对工业AI模型的复用支撑，目前仅适用于流程工业内同工艺但采用不同控制系统的生产场景，复用前提为工艺设备的底层工作原理一致，允许单场地产能、设计产出存在差异；跨场景复用的核心前提数据语义一致性，由开放自动化架构的标准规范层提供刚性保障。其技术逻辑在于，开放自动化架构可对现场各类异构自动化设备的底层通信协议、私有数据格式进行统一封装与标准化转换，全域适配为通用、统一的OPC UA标准数据格式，实现AI 应用层与设备底层技术细节的完全解耦，即模型不直接对接设备，仅对接架构的标准数据接口层，底层设备差异被完全隔离在模型逻辑之外。基于该架构，工业AI模型开发阶段无需适配各类场景的设备参数与私有协议，仅需对接统一的OPC UA标准化数据接口与规范语义范式，即可完成模型训练、迭代与效果验证。

图2 传统封闭架构与开放自动化架构下工业AI规模化落地比较

在模型部署复用阶段，只要目标生产场景的自动化系统符合O-PAS开放架构标准、且属于流程工业下同工艺范畴，训练完成的成熟工业AI模型即可直接接入场景统一编排层，通过架构的标准数据适配能力，实时读取目标场景的标准化工艺数据、设备运行数据，完成智能分析、工艺优化、推理决策等预设核心功能。全过程无需对模型算法逻辑、推理决策规则进行修改适配，无需重新采集现场数据、训练模型，仅需在架构侧完成基础数据映射配置，即可实现快速落地。该技术特性将传统封闭架构下长时间的模型跨场景适配周期，大大缩短，极大降低了工业AI模型的跨场景迁移成本，显著提升了流程工业下多场景、多工厂、多基地的规模化部署效率。

从行业技术验证成果来看，全球开放自动化生态已充分验证该架构的落地可行性与技术价值。依托O-PAS标准构建的开放自动化体系，行业头部自动化企业联合产业链核心终端用户，开展了多轮开放架构适配与AI模型移植验证工作。实践证明，基于标准化开放架构开发的工艺优化、设备预测性维护、生产质量检测类工业AI模型，能够有效屏蔽不同厂商自动化设备、差异化现场运行环境的技术差异，实现流程工业内同工艺、异控制系统场景下的跨场景无差异化复用，且模型落地后的工艺优化幅度、决策响应速度、运维支撑效果均与原验证场景保持稳定一致，充分佐证了开放自动化架构是工业AI突破场景壁垒、实现流程工业领域规模化产业化落地的核心技术支撑。

（3）打通最后一公里，支撑闭环实时决策  这是开放自动化技术对工业AI落地的核心业务价值。工业AI应用的业务价值体现在 “闭环实时决策”，即AI系统根据现场实时采集的设备运行数据、工艺参数，进行实时分析、推理决策，并将决策结果，实时下发给现场的自动化控制设备，完成自动工艺调整。这一“数据采集-分析决策-执行调整” 的闭环流程，必须在极短的时间内完成；否则，生产场景的实时状态变化，就会导致决策结果失效，甚至引发安全事故。在传统封闭架构下这一技术需求很难被满足，由于设备通信协议不统一、数据格式不统一，上层业务系统下发的控制指令，需要经过多层协议转换，才能到达现场设备；这一过程的延迟时间无法满足实时控制的要求；很多时候工业AI的决策结果只能以 “参考建议” 的方式呈现给运维人员，由运维人员手动执行，没有将“数据决策”和“实际执行”进行真正闭环。而开放自动化技术通过全链路标准的OPC UA通信架构，以及分布式控制层的本地化计算支撑，为工业AI应用，提供了闭环实时决策的核心支撑。这一能力是工业AI实现业务价值的关键前提。（见图3）

图3 从数据基础到智能决策支持的闭环赋能系统

具体而言开放架构支撑闭环实时决策的技术逻辑分为两个层次：全链路标准通信的低延迟支撑和分布式控制层的本地计算支撑。开放架构下从现场设备层到上层编排层的所有通信都采用了标准的OPC UA协议；基于OPC UA FX等扩展规范，配合DCN分布式控制节点本地计算，可将控制指令端到端延迟压缩至毫秒级，满足工业闭环控制的实时性需求。而开放架构下分布式控制节点DCN具备边缘计算能力，可以在生产现场对采集到的工艺数据进行实时分析；将推理决策的任务下沉到靠近现场设备的边缘侧完成；只有复杂的、需要长期数据支撑的工艺优化任务才会上传至上层的云端业务系统完成。这一分层级的计算架构进一步压缩了数据传输的延迟，让决策指令可以被更快地下发至现场设备，完成实时调整。这一技术价值，已经在多个行业级项目中得到了充分验证。

融合与共生

开放自动化与工业AI之间的融合共生逻辑是需要清晰定义的。开放自动化是工业AI规模化落地的基础支撑；而工业AI是实现开放自动化架构后提高业务高阶价值的核心出口，两者必须组合落地，无法单独实现价值转化（见图4）。这一融合逻辑也可以总结为：无开放自动化的工业AI难成体系，无AI的开放自动化缺乏增量价值。当然这也不排斥大量AI作用于非标准数据（如振动波形、声纹、红外热图等）并取得成功的应用。开放自动化所能提供的数据治理标准化，是工业AI成功的充分条件，不是必要条件。总之，开放自动化是工业AI实现可复制、可扩展的规模化落地的最优工程路径。

具体来看两者的融合逻辑体现在两个维度：

（1）开放自动化是AI规模化落地的基础：开放自动化通过标准化的语义模型、通信协议，将底层设备之间的多源异构数据，统一为具备上下文业务语义的标准数据格式；尤其是ISA-95标准层级架构和信息流的规范，以及由ISA 88（批处理）或MES/MOM 本体模型承载的语义标准化，还有OPC UA的配套信息模型，为AI模型提供了高质量、高一致性的标准化数据支撑，这是AI技术落地的基础条件。没有开放自动化带来的标准化数据，AI 模型就必须基于非标准的异构数据进行训练和推理，极大概率会输出不可靠的结果。

（2）AI是开放自动化的核心价值场景：开放自动化带来的标准化数据，只有通过AI技术的分析、优化、决策能力，才能转化为提升生产效率、提升产品质量、降低生产成本的实际业务价值；如果缺少AI技术的价值转化支撑，开放自动化架构本身只会产生基础的系统集成效率提升，无法释放更大的业务价值。

图4 开放自动化和工业AI相互支撑的技术组合

在2026年ARC行业论坛期间经过包括来自终端用户、技术供应商、行业标准机构的所有相关方的深入讨论，形成了关于流程行业和离散制造行业AI赋能的完整落地共识：开放自动化是AI规模化落地的前提条件，必须优先搭建稳固的开放数据基础，AI技术才能交付可量化、可扩展的业务价值。

其核心逻辑是工业场景的AI技术落地和互联网类AI技术的最大区别，是工业场景对结果的可靠性有着极致要求，不能出现偏差；如果支撑AI模型的数据是片面、断续、格式不统一、缺少语义关联的，再先进的AI模型也无法输出符合工业生产约束的可靠结果，甚至会产生严重的负面效果。据悉已经在规模化落地 AI技术的企业中，有超过80%的企业在落地AI技术前，都先搭建了基于开放自动化标准的工业数据治理体系；而仍在AI试点阶段的企业，超过70%都将精力集中在模型算法的优化上，而非数据基础的治理，这也是导致他们的试点无法规模化复制的核心原因。这一事实揭露了开放自动化架构的一个关键价值是提供一套标准的数据治理体系，将来自不同设备、不同系统的多源异构数据，统一为具备完整业务语义的标准数据；没有这一基础数据的支撑，工业AI技术的落地结果，就无法满足工业级的可靠性要求。

AI与开放自动化的融合路径必须适配行业的生产特性，不存在通用的 “万能” 融合方案；两类技术的组合落地，必须锚定不同行业的实际业务痛点，完全适配生产场景的特殊约束条件，技术方案要由业务痛点来定义，而非由技术供应商的产品来定义。根据流程和离散制造两类行业的落地场景特性，明确可见这两类行业的技术优先级对比存在显著差异，必须适配行业场景进行差异化落地（详见表1）。

表1：适配离散制造和流程工业场景的落地差异化

开放自动化架构落地必须依靠标准和与供应商无关（vendor-agnostic）的适配，包括标准适配、供应商中立，以及对现有的老系统进行渐进式改造。

标准适配：开放自动化架构必须适配的标准组合有：OPC UA是核心的统一通信标准，ISA-95是工业数据层级建模、确立数据语义和上下文一致性的核心标准，O-PAS标准是流程工业的整体架构落地依据；所有标准的语义定义必须在企业内部实现统一，不能出现不同系统对同一数据的语义定义不一致的情况。

供应商中立：开放自动化架构的落地，必须完全遵循“厂商中立” 的核心原则，架构设计中，不能对某一供应商的技术或产品有任何绑定依赖性；而是要基于行业标准接口，实现不同厂商设备间的无缝协同，给后续的系统升级、扩展保留充足的灵活空间。

现有老系统的渐进式改造：企业不应采取“推倒重来” 的方式，直接替换仍在稳定运行的现有老系统；而是应该在“不影响现有系统运行” 的前提下，采用标准接口服务器、边缘采集单元等设备，将原有系统数据接入到新架构中，实现新旧系统的长期协同共存；后续新上线的控制系统，必须优先选择支持开放标准的设备，逐步完成全工厂架构的标准化改造。

应用落地顺序共识：从基础到高阶价值

根据一些头部企业积累的落地实践经验，逐步形成了AI技术规模化落地的优先级顺序；即AI落地需遵循由基础到复杂、由辅助到核心的提升路径，分阶段、循序渐进地推进，不能直接从核心的工艺优化这类高阶价值场景切入（见图5）。

图5 工业AI落地路径：从基础到高阶价值

具体落地顺序分为四个层级（见图6）：

L1 级（基础可视化） 先通过开放自动化架构，完成底层设备数据的标准化采集与整合，搭建完整的工业数据可视化监控平台，让生产、运维人员通过监控平台，实时获取现场设备的运行状态、工艺参数、生产环境等感知信息，实现生产现场的透明化管理。这是所有AI落地的基础前置条件。

L2 级（辅助分析） 基于标准化的历史数据，开展描述性分析工作，通过AI模型对历史数据进行挖掘，定位生产过程中各类问题发生的根因，找到优化的关键方向；将分析结果以可视化的方式呈现给生产运维人员，辅助他们进行生产决策，这一阶段的落地风险极低，价值可以量化，同时能验证数据基础的完整性和标准性。

L3 级（预测性运维） 在数据基础的成熟度进一步提升后，再将AI技术从分析类应用，进一步延伸到关键资产的预测性维护场景。通过AI模型对设备运行数据的实时分析，提前识别设备的隐性故障风险，这是当前行业内验证最成熟、价值产出最明确的AI落地场景。

L4 级（闭环自主决策） 在完成前三个阶段的场景验证，且数据基础的成熟度完全稳定之后，最后再落地最复杂的工艺参数优化、全局资源调度类闭环自主决策场景。AI模型将分析结果转化为调整决策，直接下发给底层的控制系统，实现生产工艺的实时调整、生产资源的动态调度；这类场景的业务价值最大，落地难度也最高，需要完整的标准数据基础支撑。

图6 工业AI规模化落地的四个阶段

这一阶段化落地顺序，是行业头部企业的成功实践总结；企业必须遵循从基础到高阶价值的循序渐进路径，AI 技术的规模化落地才能取得实效。

小记

工业AI技术的发展阶段已完成质变。流程工业和离散制造两大行业的AI技术均已从实验室试点探索阶段实质性迈入规模化生产级落地阶段；但价值释放的核心约束条件，是是否具备完整、准确、语义标准化、高质量的治理过的行业数据支撑，这是决定AI落地成效的最关键前提。

而开放自动化则是工业AI赋能的优先工程路径。要支撑AI技术的工业规模化落地，通过开放自动化架构可以彻底打破传统自动化系统的信息孤岛，实现数据的标准化采集、整合与治理；没有这一基础支撑，工业 AI 的落地效果将被大幅压缩，甚至直接失败。

在这个技术融合的过程，一定要适配行业特性。不存在通用的AI与开放自动化融合方案，落地策略必须锚定行业的核心生产痛点，完全适配行业场景的特殊约束条件。对流程工业而言，其连续生产的特性决定了开放自动化的落地优先级更高；必须先通过O-PAS 标准架构整合现有老系统的工艺数据，再在标准数据基础上，部署AI工艺优化、预测性维护、全流程多变量约束控制类应用。对离散制造而言，其多品种、小批量生产痛点决定了要以柔性生产场景为核心主线，循序渐进推进开放自动化和AI落地，先在核心生产线试点，通过OPC UA标准架构实现数据标准化，再逐步扩展到全工厂；AI技术优先落地在视觉检测、资产运维、供应链调度类场景，再延伸到柔性生产换产、工艺参数优化场景。

（全文完）

作者简介

彭瑜：上海工业自动化仪表研究院，PLCopen中国组织