当前，工业AI正处于从单点试点迈向规模化复制的关键窗口期。尽管多数制造企业已经启动AI布局与智能制造升级，但大量项目仍受制于数据孤岛、组织协同效率不足、开发门槛偏高以及应用场景难以复制等现实挑战。

研华物联网自动化事业群副总经理林清波

作为工业AI落地实践的先行企业，研华的战略演进始终与产业发展节奏高度同步。从早期的硬件供应商，到软硬件一体化方案提供者，再到工业AI落地赋能者，研华的发展路径也映射出工业智能化升级的清晰脉络。那么，研华将如何推动工业AI从单点试点真正走向规模化复制？围绕这一问题，工控网与研华物联网自动化事业群副总经理林清波展开了一次深度对话。

01破解转型难题，夯实数据基础

企业在推进数字化转型和工业智能化过程中，普遍会遇到数据与应用层面的多重问题，痛点主要集中在数据采集、数据分析利用、技术适配以及组织管理等多个维度。对此，林清波表示：“在所有转型挑战中，组织管理层面的协同矛盾，往往比技术问题更难解决。”

传统自动化项目通常以提升产线效率为核心目标，往往只需自动化部门主导即可顺利推进。但当企业进一步向智能化、自主化运营升级时，IT、供应链、生产运营等多个部门都会深度参与，原本以人为中心的管理逻辑也随之转变为以数据为核心。这种变化使得各部门目标更难统一，内部容易形成不同方向的“拉力”，企业转型的核心难点也因此从技术落地，转向跨部门共识建立与协同管理。

从数据层面来看，林清波提到，现场数据采集本身其实已经不再是主要瓶颈，研华也已经面向不同行业推出了相应的数据采集解决方案。当前真正影响项目推进速度的，反而是IT数据整合。原因很明确：只有将IT侧数据统一汇聚到数字化平台中，才能真正释放自主运营与工业AI应用的价值。但现实问题在于，IT数据的标准化水平普遍不高，这也导致IT与OT融合虽然没有本质性的技术障碍，却依然需要投入大量时间和精力。

针对这一问题，研华通过EdgeLink实现多协议工业数据采集，覆盖各类现场设备的通信需求，并借助IoTEdge软件平台对接主流IT数据库，为客户构建数据治理的底层架构，进一步解决数据整合与数据互通难题。

02软硬协同

全栈底座筑牢智能应用根基

当多数企业完成基础数据采集与整合之后，如何充分释放数据价值，打通从边缘AI推理到现场执行的完整闭环，便成为企业智能化深化阶段面临的核心课题。

在边缘AI应用层，研华推出了WEDA（WISE-Edge Developer Architecture）边缘智能开发者架构，其核心价值在于为开发者建立一套统一的边缘AI开发与部署体系。无论底层硬件采用的是X86、ARM，还是NVIDIA GPU架构，都可以通过WEDA完成统一适配。这样一来，开发AI Agent、数字孪生以及各类边缘AI应用时，整体效率会更高，项目落地也会更加顺畅。

林清波强调，WEDA本身并不包含具体的工业应用或行业模型，它的定位是开发平台与生态构建工具，主要目的是降低AI应用开发门槛。开发者只需聚焦于自身行业专属的小模型与AI推理逻辑，无需再耗费大量精力去处理GPU资源调用与底层适配问题。

换句话说，WEDA的核心作用是解决硬件、软件与AI之间的适配问题，把边缘AI应用的创新空间更多留给合作伙伴和客户。同时，研华也在打造WEDA生态市集，未来合作伙伴基于WEDA开发的AI应用，都可以在市集中进行展示、整合与共享，通过生态协同进一步加速工业AI产业发展。

在边缘平台层，研华则以WISE软件平台作为支撑。除了传统的数据采集与数据规整能力外，WISE还提供AI应用开发套件，支持对接外部大模型，并承载行业小模型推理。这也是研华WISE平台的核心升级方向：在保留原有数据平台能力的基础上，进一步升级为AI应用开发平台，让更多客户都能基于WISE平台开发适合自身业务的AI智能体应用。

针对行业普遍关注的大模型与小模型技术路线选择，林清波也给出了明确判断。他认为，通用大模型并不需要企业自行研发，借助外部成熟资源即可，真正决定行业落地效果的关键始终在工业小模型。但他同时强调：“没有大模型的框架支撑，小模型就只能停留在项目制开发阶段，很难实现规模化复制。大模型负责搭建框架，小模型负责落地场景，二者结合才能打破定制化项目的局限，真正解决工业AI落地复用难的问题。”

正是基于这样的技术路线与平台能力，研华对于工业智能体落地形成了清晰的实践逻辑。在林清波看来，智能体是工业智能化的重要落地方向，但其实现绝非简单部署服务器即可完成。完整的工业智能体包含三大核心要素，分别是思考（Thinking）、连接（Connect）、技能（Skill）。

思考（Thinking）

思考需要依托外部成熟的大语言模型，增强语义理解、知识调用与逻辑推理能力。

连接（Connect）

连接建立在设备联网与数据采集基础之上，是工业现场实现信息互通的关键能力。

技能（Skill）

技能对应各垂直行业的专业知识与业务能力，需要联合产业伙伴持续沉淀和开发。

三大要素的深度融合，才能形成从感知、分析、决策到执行的完整业务闭环。林清波同时强调，工厂智能化升级并不适合建设大而全的统一平台，更合理的路径是构建多个独立的AI智能体，再通过统一框架实现协同调度，避免系统过于复杂而影响最终落地效果。

林清波认为，一个完整的工业智能体需要具备Thinking（思考）、Connect（连接）与Skill（技能）三大能力。其中，Thinking依托大模型完成理解与推理，Connect实现设备接入与数据连接，Skill则沉淀行业Know-how。三者协同，才能真正实现工业AI从感知到执行的完整闭环。

03锚定核心赛道深耕

以开放平台释放场景价值

工业场景天然具有多样化与碎片化特征，任何单一厂商都难以覆盖全部应用需求，因此生态共建已经成为行业共识。在这一背景下，研华的角色也从软硬件产品供应商，逐步升级为平台生态共建者，通过开放的技术体系与完善的赋能机制，联合合作伙伴共同挖掘工业场景的更深层价值。

在场景布局方面，研华重点聚焦制造与能源两大核心赛道，将技术能力与行业痛点深度融合，推动工业AI解决方案落地为可量化的业务价值。

制造领域

制造业的核心诉求，已经从单纯的数据展示转向实际价值创造，主要体现在效率提升与竞争力增强两个维度。品质提升、交付稳定、成本优化，都是制造业智能化升级的核心价值目标。而这些价值的实现，都离不开边缘端应用的有效支撑。

视觉是当前制造业中增长最快的AI落地方向之一，主要分为传统机器视觉检测与行为判别两类。前者聚焦产品缺陷识别、尺寸公差检测等质量管理场景，后者则用于识别生产行为是否规范，提升现场管理水平。

这两类视觉检测结果都可以接入AI智能体，实现从异常识别到决策处置的完整闭环。相比传统只记录告警信息的模式，新的工业AI应用能够主动输出处置建议，并对潜在风险进行提前预警。

能源领域

研华在能源领域的落地路径主要围绕节能与减碳两大方向展开。林清波指出，真正显著的节能效果必须结合设备改造与储能系统，通过峰谷调配来实现。目前，研华的布局已经从传统的能源监控分析，逐步延伸到能源、新能源以及储能协同调度等应用场景。同时，面向欧美市场对碳排放管理的迫切需求，研华也在重点布局从设备到产品的精准碳足迹核算能力。

“传统套装软件模式很难适应不同行业、不同应用场景的差异化需求，不仅定制化改造成本高，而且难以实现跨场景复制。为此，研华正在推动软件产品从套装模式向开放平台模式转型。”林清波说道。研华将复杂的工业应用拆解为思考、连接、技能三个可自由组合的维度，并通过MCP开放协议实现统一调用与整合。“我们会先构建通用基础技能库，客户可以基于标准接口，自由组合所需技能，搭建专属智能体。针对细分行业的专业技能，则会联合行业伙伴共同拓展技能库的覆盖范围。”林清波解释道。

在林清波看来，这种开放平台模式最大的优势就在于更强的可复制性。他向工控网介绍：“基于研华即将推出的IWS（Integrated WISE Solution & Station）软硬整合产品平台，客户不再需要针对每一个不同场景单独进行定制开发，而是可以依托开放平台与技能模块，快速构建适配自身需求的AI智能体。即使业务需求发生变化，也能够快速完成迭代与调整。最终形成的是一套可持续进化的系统，而不是功能固化的套装软件。”

当前，工业AI的发展已经进入价值落地的深水区，技术路线与商业模式都在经历深度重构。研华凭借长期积累的行业经验，以开放的技术架构与生态协同策略，为产业搭建了可复用的智能化底座，也为行业探索出一条更具可复制性的协同落地路径。随着更多行业伙伴加入以及技术持续迭代，工业AI的应用价值将在更多细分场景中得到释放，持续推动工业向自主化、智能化方向演进。