关于西门子Siemens，每个人都有自己的印象。

家住北京朝阳区的陈先生，给出的第一印象是家电，冰箱、洗衣机、烘干机……家里的西门子应有尽有。

清华毕业的孙芃，马上想到的是工作。博士毕业之后的数年里，她在中国研究院研发技术、应用至项目，最后作用在中国的城市和工业项目。

而如果你问华润电力研究院，他们会给出更不一样的答案。

这个答案可以概括为数据分析，可以称之为产业互联网，若是更符合当前的潮向，我们或许要以产业AI认知西门子。

这是一个大众没那么熟悉的西门子另一面，但影响日盛，声势愈猛，它深入产业数字化进程中，一手抓效率，一手降成本。

没错，靠AI。

AI优化电厂运营

华润电力将与西门子合作，后者通过技术能力，帮助华润电力实现发电机组的数字化连接、提高机群透明度，进行资产诊断和运营优化，从而帮助提高电厂的运营效益。

这也会是中国首个数字化电力远程运营中心项目。

整个方案中，共接入了19台发电机组（总装机容量9.6吉瓦），其中发电机涵盖小则含30万机组，大则60万机组，还有特殊达上百万，发电量能满足1500万个家庭日常所用。

其中，大数据、人工智能、云计算等技术均会被应用其中，所以华润电力与西门子的联手，将会是一次数字化的真正落地，也是未来智能能源技术的一次代表性试水。

西门子产业AI

但华润电力，只是西门子产业AI的众多落地案例和客户之一。

在制造、能源、城市、楼宇等诸多领域，西门子的数字化方案都在开花结果。

西门子中国研究院大数据分析研发部总监田鹏伟说，如果从传统机器学习算起，西门子开启AI领域的研究和方案落地，已有30多年历史。

早在90年代，西门子就开始在全球30多家钢铁厂部署基于自学习的质量控制方案，帮助客户更好利用设备。

即便当时神经网络的方法方兴未艾，但出于需求驱动，西门子就已经尝试将其带入方案中帮助解决问题。

从传统的数据分析、机器学习，到近几年大火的神经网络和深度学习，对于西门子永远都是工具，只要对解决问题有帮助，都会尝试。

西门子的风格，往往不是提供一个方案，而是提供一系列方案。

典型的解决方案则可以归为三类领域。

第一个领域，预测和预测性维护。目前在空气质量预测、故障设备检测和设备健康状态预测等方面，都有应用。

第二大领域是适应和优化。与通常喜闻乐见的人机交互不同，西门子方案的交互对象是大自然一样的无边界对手。

比如优化风力发电的发电效率案例中，他们就需要在特定环境和气候条件下，给出如何布置风机、优化发电效率的方案。

第三大领域则是自然语言处理和推理，主要应用在文本数据分析和知识管理，在推理基础上实现智能化交互，并融合传感器数据和多媒体数据，进一步发挥作用。

而在这些行业和领域的推进中，还有一些典型的经验和解决方案得到总结。

例如，西门子内部将某典型方案命名为设备医生，Equipment Doctor，帮设备去诊断，帮设备去治病，并且还总结出“中西医结合”的方法。

所谓中西医结合，不光只是好记好听，还在于更形象地对传统领域合作方解释技术原理。

在西门子产业AI落地中，这样的形象化比喻比比皆是，比如在解释GAN——生成对抗网络作用原理中，他们还有“用豆腐做素肉”的比喻，AI背景的人自然都知道GAN如何发挥作用，但诸多传统企业客户并不清楚。

于是西门子科学家们对GAN有了上述阐释。为了让素肉的口感更接近于真正的肉制品，GAN可以通过厨师手艺和食客口味的反复交锋，使得不断精进的厨师能够做出令最挑剔的食客也难以辨别真伪的素肉。

所以这实际也是产业AI落地中必不可缺的一部分，西门子的博士们，不光要当AI方案打造者，还要承担AI前沿技术概念的布道师。

而在这“中西医结合”的方法中，就包含了诸多原本解释起来很困难的AI概念。

所谓“中”，一方面是基于历史文本数据、专家知识经验建立知识库，进而将AI能力贯穿其中，形成推理引擎，可以针对问题的现象或症状给出方案。

而所谓“西”，利用传感器数据和神经网络模型相配合，一旦设备发生问题，在精确量化的指标监测下，可以及时反馈，并依靠背后的知识图谱给出方法建议，甚至能做到问题预判，大大降低突然宕机带来的危害。

当然，熟悉AI或机器学习方案的人都知道，这套“中西医结合”的方法，大道至简，就是AI方案落地具体领域和行业的解法。

比如生产优化的例子。

在基于数控机床的精加工过程中，客户都希望更好实现生产质量优化，提升加工的良率。

于是就是按照上述“中西医结合”的方法，西门子方案能够自动给出客户建议：哪些参数能提升良率，什么样的参数值可以运用其中，最后良率可以提升至怎样的效果。

值得一提的是，西门子内部，其实也有自己的“AlphaGo”。

但不是用来下围棋，而是运用AlphaGo背后的多层神经网络、强化学习等技术，将其运用至燃气轮机的氮氧化合物排放优化以及风力发电效率提升问题上。

而且相比围棋，这些领域的规则都不算清晰，问题的边界也不算明确，比如氮氧化合物排放是完全在燃气轮机的燃烧室里进行的，完全动态。

但就在这样的情况下，西门子运用AI还是实现了15%的效能优化。

不过AI落地也好，打造行业解决方案也罢，究竟有无标准可筛选先后，有没有“首先、其次”的路径可走？

可能没有。

需求驱动，业务驱动

因为从西门子的经验来说，都是需求驱动、业务驱动。

西门子产业AI解决方案出炉，都是从客户的痛点、数据情况和目标价值出发。

在工业领域，起初的需求是设备和系统预测。

西门子创立百年，打造了众多著称全球的设备，进入数据驱动、AI加持阶段，对设备和系统的预测、检测，自然可以形成AI方案。

于是从业务出发，以需求驱动，西门子的产业AI一点点起步。

并从最初的设备检测和维护，慢慢进入更多精细化服务和市场。

而且在产业领域的数字化升级中，有太多降低成本、提升效率的事情，可以通过数据和AI发挥作用。

所以AI也在给西门子带来变革，过去他们只是设备制造和提供商，但现在，将会是全链条服务的方案打造者。

这个过程中，西门子的软硬件装机量也侧面发挥作用，因为只有设备拥有联网、数据采集等能力，才能利用AI发挥作用。

不过产业领域搞AI，依然还有数据本身方面的挑战。

比如通常不缺数据的工业，其实对于能满足要求的数据很紧缺。

另外数据样本也是难题，比起专门的AI领域有数据标注公司，工业领域还没有类似产业链服务，毕竟只有专家才能完成工业数据的标注，而且很多工业设备不允许现场出问题，导致异常数据极其有限，想要进行故障检测就变得更富挑战。

最后，还有迁移性方面的问题。目前AI垂直纵深的领域，模型迁移并非难事，但在产业领域，即便同一个客户，在做完一套解决方案后，进行一次检修，更换一次零件，就可能需要基于新的传感器数据重新训练，进而优化模型。

有时候，同样设备的解决方案从客户A拓展至客户B，或者同一客户希望拓展至所有类似设备，都会让迁移性经受大挑战。

但这种挑战换个角度，也成为了这家数字化设备巨头深耕产业AI的优势所在。

因为针对产业领域的这些挑战，不停迭代、不断适应新情况，最初的难关越过之后，就成了壁垒。

不一样的产学研和创新

当前谈论AI，无法不谈论产学研。

产业领域应用也一样，都要吃透最新技术，解决现实难题，推出产品化方案。

田鹏伟自述，跟其他公司研发模式略有不同，他们的研究院不仅需要学习更新最新技术和研究，也要思考和实践如何把这些技术研究落地到客户方案中。

这种需求，推动了他们的创新模式形成。

在西门子内部，AI落地可以归结为两大方向：一是从AI引擎往下落地的AI+，二是从场景和领域向上结合的+AI。

从创新模式来看，研究院更侧重于“AI+”，会着重思考如何把最新技术应用进方案，而各业务集团（Division），则从“+AI”角度，思考场景问题可以利用什么样方案解决。

最后研究院和业务集团联动，真正让技术发挥价值。

西门子的诸多科班出身博士们，虽然隶属研究院，但出差和“下乡”时间很多，因为西门子研究院的工作不是埋头实验室，还需要一线了解客户需求和场景。

但这可能也正是西门子及其研究院留得住人才的原因之一。

田鹏伟毕业就加入西门子，至今已将近10年，他很享受技术从实验室到真实场景中落地后发挥价值的成就感。

还有开头提及的孙芃，清华毕业后也来到西门子，至今司龄8年，她参与的智慧城市解决方案方案目前已经落地香港、无锡、苏州等智慧城市项目中。

而且这还不是孤例特例，西门子的研究院仿佛别有魔力。

在AI狂飙激进的年代里，它仿佛天降防护罩，保证这些科学家沉心静气，源源不断往传统领域输出技术价值。

桃李不言，下自成蹊。

现在是时候从中国更新印象，认识西门子的另一面——产业AI的那一面。