Industrial AI in Action | Roland Busch Keynote | VivaTech 2026 Paris
三句話摘要
Siemens 在 VivaTech 展示工業 AI 如何從設計、製造到運營全面重塑產業，並以數位孿生、自主工程代理、AI 工廠等具體工具與案例說明落地路徑。 --- 工業 AI 的成敗不在試點數量，而在數據基礎是否打通、工具是否從工程流程源頭嵌入，以及是否找到能補足轉型能力缺口的夥伴。 工業 AI 的核心要求是「零幻覺」可靠性。 消費端 AI 允許偶爾出錯，但控制生產線、電網、物流的 AI 一旦產生幻覺即造成真實損失，因此 Siemens 強調工業 AI 必須從一開始就內嵌於工程系統，而非事後疊加。
重點整理
重點- 1
工業 AI 的核心要求是「零幻覺」可靠性。 消費端 AI 允許偶爾出錯，但控制生產線、電網、物流的 AI 一旦產生幻覺即造成真實損失，因此 Siemens 強調工業 AI 必須從一開始就內嵌於工程系統，而非事後疊加。
- 2
數位孿生是工業 AI 的起點與驗證機制。 透過物理仿真建立機器、工廠乃至整個物流網絡的虛擬複本，企業可在花費任何實體成本之前完整壓力測試設計，Digital Twin Composer 更可將多個孿生體串接為一套整合模擬。
- 3
Eigen Engineering Agent 代表自主工程的新典範。 它不是提供建議的聊天機器人，而是在 TIA Portal 內自主規劃、蒐集文件、撰寫並驗證可執行控制碼，直到編譯無誤為止，同時能讀懂電氣設計圖紙並遵循企業自有的工程規範框架。
- 4
成功規模化的關鍵是「聚焦、建立基礎、找夥伴」三原則。 Capgemini CEO Aiman Ezzat 以 GravitHy 和 Sanofi 為例說明：兩家公司皆非廣撒試點，而是先打通數據基礎，再以 AI 代理重塑核心業務流程，並借助外部夥伴的行業轉型能力加速落地。
- 5
--
實用技巧與重點
乾貨- 技術轉型時間軸
- 蒸汽革命：60 年；電力：30 年；電腦：15 年；AI：7 年（已過 3.5 年）
- 仿真加速數據
- NVIDIA 加速運算：風洞仿真快 10×、100×、最高 1,000×
- Simcenter 3D 新功能：省去網格劃分（meshing），直接從設計進入物理計算，結構計算快 30×
- Siemens 為 GPU 重寫仿真工具代碼：快 100,000×
- Eigen Engineering Agent 客戶回饋
- 生產力提升 50%
- 開發速度快 2.5×
- 品質提升 80%
- Erlangen AI 工廠（全球首座全 AI 驅動生產基地）
- 100 套 AI 演算法運行於產線
- 上市時間縮短 40%
- 能耗降低 42%
- 生產力提升 69%
- Audi 焊接品質檢測
- 每具車身 2,000 個焊點
- 邊緣端 Industrial PC + NVIDIA GPU + 雲端訓練模型即時檢測
- 新創優惠
- 設計、工程與仿真軟體套件最高 95% 折扣
- 法國新創 Latitude（3D 列印火箭引擎）：換用 Siemens 套件後，交付速度提前 6 個月，工程效率提升 15%
- GravitHy 綠鋼廠案例
- 投資金額：22 億歐元
- 地點：法國馬賽附近
- 年產能：200 萬噸鋼鐵（約每天一座艾菲爾鐵塔）
- 以氫取代煤；鋼鐵佔全球 CO₂ 排放 8%
- 無試點廠，完全依賴數位孿生驗證設計與運營模型
- 建置即時學習型 AI 控制系統：優化氫氣消耗、預測性維護
- Sanofi Smart Operations 案例
- 涵蓋 50+ 製造基地、100 條生產線
- 成果：偏差減少 80%、（整體效率）減少 70%
- 以製造執行系統（MES）取代紙本批次記錄
- 藥物研發 Eroom's Law
- 新藥開發成本每 9 個月翻倍
- 從研發到上市平均 15 年 + 3 年量產導入
- ASML 機台數據
- 單機零件數：超過 20,000 個
- 機台稼動率目標：95%
- 使用 Siemens Teamcenter 管理全生命週期 BOM
- AI 工廠架構
- 全程直流電（DC）：太陽能板、電池、GPU 晶片均原生 DC，避免 AC/DC 轉換損耗
- 新型直流斷路器：故障中斷速度比傳統機械系統快 1,000×，以毫秒級保護數百萬美元設備
- 工業 AI 三大失敗症候群
- Spray-and-Pray（亂槍打鳥）：廣設 AI 長官、跑百個試點、陷入試點泥淖
- Missing Foundation（缺乏基礎）：數據孤島、CRM/PLM/ERP 未整合，無法規模化
- Lonesome Cowboy（單打獨鬥）：拒絕夥伴、自力推進，難以突破瓶頸
- --
結論
結論“工業 AI 的成敗不在試點數量，而在數據基礎是否打通、工具是否從工程流程源頭嵌入，以及是否找到能補足轉型能力缺口的夥伴。”
完整解析
詳細Roland Busch 以電力革命開場，將 AI 定位為本世紀的通用目的技術（GPT）。他指出，從蒸汽到電力到電腦，技術普及所需時間持續縮短，而 AI 的轉型週期僅需 7 年，且已過半。這個速度意味著企業沒有時間慢慢觀望——AI 一旦進入物理系統，便不再是功能附加，而是直接影響現實的力量。然而，工業 AI 與消費端 AI 的最大差異在於：生產線和電網不容許幻覺（hallucination），因此 Siemens 的策略是將 AI 從一開始就嵌入工程工具本身，而非事後疊加。
在「設計」環節，Siemens 主打數位孿生技術。其 Digital Twin Composer 可將機器、廠房乃至整個物流網絡的孿生體整合為單一模擬環境，讓企業在建造任何實體之前先虛擬壓測。搭配 NVIDIA 加速運算，BMW 等車廠的空氣動力學仿真可加速 10 至 1,000 倍；新推出的 Simcenter 3D 功能更直接省略網格建模步驟，使振動、熱傳、疲勞等結構計算整體快上 30 倍。為降低新創進入門檻，Siemens 在 VivaTech 宣布提供高達 95% 的軟體折扣，法國火箭新創 Latitude 即因此縮短六個月交付週期並提升 15% 工程效率。
進入「製造」環節，Siemens 的 Eigen Engineering Agent 是核心亮點。它在 TIA Portal 工程平台內自主執行完整的自動化控制碼生成流程——從讀取電氣圖紙、蒐集文件、撰寫程式，到反覆編譯驗證直至無錯誤為止。客戶回饋顯示生產力提升 50%、開發速度快 2.5 倍、品質提升 80%。更進一步，位於德國 Erlangen 的 Siemens 自有工廠已部署 100 套 AI 演算法，成為全球首座全 AI 驅動生產基地，實現上市縮短 40%、能耗降低 42%、生產力提升 69% 的成果。Audi 車身焊接線上，單具車身 2,000 個焊點由邊緣端工業電腦搭載 NVIDIA GPU 進行即時 AI 品質檢測，展示了雲端訓練模型部署至車間的完整鏈路。
Cedrik Neike 接著點出工業 AI 規模化失敗的三大症候群：廣灑試點、缺乏數據基礎、以及拒絕合作的單打獨鬥。Capgemini CEO Aiman Ezzat 隨後以 GravitHy 與 Sanofi 為反例。GravitHy 以 22 億歐元建造法國首座綠色鋼鐵廠，由於沒有試點廠可供參考，完全仰賴數位孿生驗證所有設計決策，並在此之上建立即時 AI 學習控制系統；Sanofi 則透過 Smart Operations 製造執行系統，整合 50 座工廠的電子批次記錄，將偏差減少 80%，同時應對藥物研發成本每九個月翻倍的 Eroom's Law 壓力。兩個案例的共同點在於：先打通基礎數據架構，聚焦核心流程，並與外部夥伴協力，而非分散資源跑百個孤立試點。
最後，Roland Busch 與 ASML CEO Christophe Fouquet 共同討論半導體製造與歐洲競爭力議題。ASML 的極紫外光刻機擁有超過 20,000 個零件，稼動率須達 95%，Teamcenter 是管理其全生命週期 BOM 的核心工具。Siemens 也揭示了 AI 工廠的下一代藍圖：採用全程直流電架構以消除轉換損耗，並配備可在毫秒內切斷故障的新型直流斷路器，保護造價數百萬美元的 GPU 叢集。雙方亦以 Tech Creators 倡議呼籲歐洲監管機構區分工業數據與個人數據，避免過度管制拖慢技術採用速度。
---
關鍵時刻
Pipeline v2帶時間戳的重點，會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。
事實查核
Pipeline v2說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。
