CII
ControlledIndustrialIntelligence
创刊号n2t.net/ark:66356/c100010
工业 AI
从智能走向执行.
cii.network
Published byCII NETWORK
CIICII № 01 · 落差 · 工业智能基座 · 执行权限
序言
CII № 01
创刊号
序言
人工智能正飞速发展。
工业 AI 的应用却相对滞后。
学术界与产业界的 AI 研究不断取得突破，许多成果在基准测试和实际应用中均表现出色。
工业实践者希望借助 AI 提升生产力，却必须面对复杂的工业数据、结果的不确定性和潜在风险。
工业 AI 从技术突破走向实际部署，可解释、可验证与可控变得尤为重要。
这正是
可控工业智能（Controlled Industrial Intelligence）
的起点。
本期内容
CII № 01
目录
现状与挑战
落差
构建基础
工业智能基座
安全与治理
执行权限
CII Atlas
出版方
CII NETWORK
CII NETWORK 是一个注册于瑞士的国际协会，致力于探索和推动可控工业智能（Controlled Industrial Intelligence）的发展，连接全球产业界与学术界的实践者，促进智能技术在工业领域的实际应用。
Network Members · 协会成员
- Quality and Data Analytics Lab · HKUST
- AI & Mobility Lab · TUM
- Chinese Academy of Intelligent Decisions & Control · Taipei
- ASCETEX INTERNATIONAL LIMITED · Hong Kong
第一篇 · 现状与挑战
01
落差
从智能到执行
01 · 落差
工业 AI 为何
难以规模化应用？
AI 技术快速发展，
但要让智能真正走向工业现场的执行环节，
仍面临诸多挑战。
AI 正在加速普及
AI 已能理解和生成文字、图像、视频及代码，完成复杂的推理任务，并逐步具备调用工具和操作软件的能力。
88%的受访者表示，其所在组织已在至少一项业务中使用 AI。
75%的受访企业 AI 用户表示，AI 已帮助他们完成过去无法完成的任务。
Stanford AI Index 2026 · OpenAI, The State of Enterprise AI 2025
工业 AI 的规模化应用
仍进展缓慢
AI 已用于制造业的检测、预测性维护、生产优化和工程设计，但应用规模有限，许多项目尚处于技术验证或试点阶段。
29%的受访制造企业已在工厂或生产网络层面使用 AI/ML。
23%的受访制造企业正在试点 AI/ML 技术。
工业 AI 的全球版图，
由 AI 能力与产业基础共同塑造
AI 能力体现技术与人才优势，产业基础反映工业积累与发展潜力。两者交汇的地区，值得重点关注。
- AI 能力
- 研究 · 人才 · 模型 · 算力
- 产业基础
- 制造业 · 自动化 · 机器人 · 半导体 · 流程工业
图 1工业 AI 的全球版图
01 · 落差
CII № 01 · Controlled Industrial Intelligence
工业 AI 的全球版图，
由 AI 能力与产业基础共同塑造
AI 能力体现技术与人才优势，产业基础反映工业积累与发展潜力。两者交汇的地区，值得重点关注。
- AI 能力
- 研究 · 人才 · 模型 · 算力
- 产业基础
- 制造业 · 自动化 · 机器人 · 半导体 · 流程工业
图 1工业 AI 的全球版图
01 · 落差
从智能到执行
工业 AI 应用全景
工业 AI 已在多个生产环节展现价值，
但不同场景的应用广度与深度仍有差异。
大小潜在产业影响（相对值）
颜色应用普及程度较高应用普及程度较低
参考资料有案例或调查数据
感知
感知物理世界
理解
挖掘和分析数据
建议
生成并评估方案
优化
改善生产运营效果
执行
在物理世界中执行
视觉检测缺陷检测与分类
精密测量与尺寸检测
在线测试
环境监测
预测性维护设备健康状态与剩余寿命
过程质量分析
异常检测
根因分析
故障诊断
设备效能管理
工程 AI 助手设计、编程与故障排查
工业知识助手
工业代码生成
仿真与虚拟验证工艺、产线与工厂仿真
设计优化
安全与风险分析
合规与文档管理
生产优化产出、生产周期与 OEE
能耗优化
良率优化
物料流优化
生产排程
库存优化
工艺参数优化
质量预测
自主运行自主生产与运行
闭环干预直接调整物理过程
学习驱动的自适应控制
实时优化
具身任务执行（VLA）
自适应操作
厂内自主物流
01价值已验证
已在许多工业场景中
广泛部署。
02应用边界不断拓展
技术快速发展，
应用正向更多行业和场景延伸。
03潜力尚待释放
潜在价值巨大，
但实际应用仍然有限。
图 2工业 AI 应用全景
01 · 落差
CII № 01 · Controlled Industrial Intelligence
工业 AI 应用全景
工业 AI 已在多个生产环节展现价值，
但不同场景的应用广度与深度仍有差异。
大小潜在产业影响（相对值）
颜色应用普及程度较高应用普及程度较低
参考资料有案例或调查数据
感知
感知物理世界
理解
挖掘和分析数据
建议
生成并评估方案
优化
改善生产运营效果
执行
在物理世界中执行
视觉检测缺陷检测与分类
精密测量与尺寸检测
在线测试
环境监测
预测性维护设备健康状态与剩余寿命
过程质量分析
异常检测
根因分析
故障诊断
设备效能管理
工程 AI 助手设计、编程与故障排查
工业知识助手
工业代码生成
仿真与虚拟验证工艺、产线与工厂仿真
设计优化
安全与风险分析
合规与文档管理
生产优化产出、生产周期与 OEE
能耗优化
良率优化
物料流优化
生产排程
库存优化
工艺参数优化
质量预测
自主运行自主生产与运行
闭环干预直接调整物理过程
学习驱动的自适应控制
实时优化
具身任务执行（VLA）
自适应操作
厂内自主物流
01价值已验证
已在许多工业场景中
广泛部署。
02应用边界不断拓展
技术快速发展，
应用正向更多行业和场景延伸。
03潜力尚待释放
潜在价值巨大，
但实际应用仍然有限。
图 2工业 AI 应用全景
01 · 落差
从智能到执行
工业 AI 越接近实际执行，部署难度就越大
让我们共同拓展边界。
— CII NETWORK
01 · 落差
CII № 01 · Controlled Industrial Intelligence
工业 AI 越接近实际执行，部署难度就越大
让我们共同拓展边界。
— CII NETWORK
01 · 落差
从智能到执行
工业控制仍存在碎片化问题，
涉及不同的控制器、协议和系统层级。
第二篇 · 构建基础
02
工业智能基座
软件定义的控制系统
02 · 工业智能基座
是什么让智能真正付诸执行？
控制系统连接计算与物理世界，软件定义的控制系统让这一连接更加紧密。
AI 作用于应用领域实现方式对控制系统的依赖
数字系统
信息与交易
金融、采购、规划
API 与工作流
—
现场作业
物理过程与运营
能源、物流、建筑、流程工业
OT 与监控系统
视应用而定
机器控制
机器与运动
工业装备、机器人、自动化系统
控制器与实时控制
高度依赖
我们的关注点智能与物理世界的交汇处。
表 1工业 AI 在数字系统与物理系统中的应用
智能建议如何
变成机器动作？
AI 分析数据，提出操作建议。控制系统实时监测机器状态，并将相应指令转化为机器动作。
软件定义
控制系统的兴起
控制系统与专用硬件逐步解耦，从而能够融合更多数据，支持更复杂的计算。
图 3控制基座
图 4从硬件定义到软件定义控制
硬 PLC、软 PLC 和虚拟 PLC 未来很可能并存。
Automation.com, 2025
01算力
通用计算平台已具备支持实时、确定性控制的能力。
02集成
分散在不同控制器中的功能，可以整合到同一平台。
03灵活性
控制功能可以通过软件更新不断完善，减少对硬件更换的依赖。
02 · 工业智能基座
CII № 01 · Controlled Industrial Intelligence
智能建议如何
变成机器动作？
AI 分析数据，提出操作建议。控制系统实时监测机器状态，并将相应指令转化为机器动作。
软件定义
控制系统的兴起
控制系统与专用硬件逐步解耦，从而能够融合更多数据，支持更复杂的计算。
图 3控制基座
图 4从硬件定义到软件定义控制
硬 PLC、软 PLC 和虚拟 PLC 未来很可能并存。
Automation.com, 2025
01算力
通用计算平台已具备支持实时、确定性控制的能力。
02集成
分散在不同控制器中的功能，可以整合到同一平台。
03灵活性
控制功能可以通过软件更新不断完善，减少对硬件更换的依赖。
02 · 工业智能基座
软件定义的控制系统
AI 与控制系统运行在不同的时间尺度上，
却必须协同工作
01DeloitteTech Trends 2026
语言和视觉模型以“人类的时间尺度”运行，Ayanna Howard 向德勤表示。但对于行走中的机器人来说，“一两秒的延迟就可能导致物品掉落、机器人发生碰撞，甚至造成人员受伤”。
02NVIDIAIGX ThorJetson ThorHoloscan
实时 Linux 内核与独立 GPU 分区相结合，为实时任务提供“严格的性能保障”，同时支持 AI 运行。Holoscan 将“AI 推理”转化为“现实世界中具有确定性的实时动作”。
异步
可变延迟
实时
确定性
软件定义的
控制架构
计算、内存与控制，统一于同一平台。
运行时指令 ↓实时数据 ↑
图 5AI 与控制系统的时间尺度
图 6一台工业 PC 上的 AI 与控制系统
01让计算、控制与内存更紧密地结合
类似的趋势也出现在计算架构中。存内计算（IMC）让计算更接近内存，共封装光学（CPO）让光学 I/O 更接近计算。对于工业 AI，计算、控制与内存（CCM）也可以遵循这一思路，让 AI、机器数据与实时控制在同一台设备上更加紧密地结合。
02独立运行，共享数据
AI 在 GPU/NPU 上异步运行，控制系统则在 CPU 实时核心上运行，保证执行的确定性。两者各有自己的运行循环，通过共享内存直接交换机器数据与 AI 指令。
异步 · 可变延迟~10–200 Hz约 1 kHz 至数 kHz
02 · 工业智能基座
CII № 01 · Controlled Industrial Intelligence
AI 与控制系统运行在不同的时间尺度上，
却必须协同工作
01DeloitteTech Trends 2026
语言和视觉模型以“人类的时间尺度”运行，Ayanna Howard 向德勤表示。但对于行走中的机器人来说，“一两秒的延迟就可能导致物品掉落、机器人发生碰撞，甚至造成人员受伤”。
02NVIDIAIGX ThorJetson ThorHoloscan
实时 Linux 内核与独立 GPU 分区相结合，为实时任务提供“严格的性能保障”，同时支持 AI 运行。Holoscan 将“AI 推理”转化为“现实世界中具有确定性的实时动作”。
异步
可变延迟
实时
确定性
软件定义的
控制架构
计算、内存与控制，统一于同一平台。
运行时指令 ↓实时数据 ↑
图 5AI 与控制系统的时间尺度
图 6一台工业 PC 上的 AI 与控制系统
01让计算、控制与内存更紧密地结合
类似的趋势也出现在计算架构中。存内计算（IMC）让计算更接近内存，共封装光学（CPO）让光学 I/O 更接近计算。对于工业 AI，计算、控制与内存（CCM）也可以遵循这一思路，让 AI、机器数据与实时控制在同一台设备上更加紧密地结合。
02独立运行，共享数据
AI 在 GPU/NPU 上异步运行，控制系统则在 CPU 实时核心上运行，保证执行的确定性。两者各有自己的运行循环，通过共享内存直接交换机器数据与 AI 指令。
异步 · 可变延迟~10–200 Hz约 1 kHz 至数 kHz
02 · 工业智能基座
软件定义的控制系统
软件定义控制系统
的生态
从底层硬件、操作系统，到控制软件与上层应用。
应用
软件定义控制
操作系统
硬件
机器、系统与工业应用
可复用的运动与逻辑控制软件
实时执行平台
x86 与 Arm 计算平台
如需了解更多见解与实际应用，欢迎联系我们。
contact@cii.network
02 · 工业智能基座
CII № 01 · Controlled Industrial Intelligence
软件定义控制系统
的生态
从底层硬件、操作系统，到控制软件与上层应用。
应用
软件定义控制
操作系统
硬件
机器、系统与工业应用
可复用的运动与逻辑控制软件
实时执行平台
x86 与 Arm 计算平台
如需了解更多见解与实际应用，欢迎联系我们。
contact@cii.network
02 · 工业智能基座
软件定义的控制系统
第三篇 · 安全与治理
03
执行权限
证据、风险与人的参与
03 · 执行权限
如何赋予 AI 执行权限？
有能力，不等于有权限。明确的授权机制，让 AI 在规定的条件与边界内自主执行。
03 · 执行权限
CII № 01 · Controlled Industrial Intelligence
自主 AI 已投入应用
Yokogawa × Aramco2025
10%–15%
的“胺液和蒸汽用量降幅”，来自沙特阿美 Fadhili 天然气处理厂。该厂现已部署多个自主控制 AI 智能体，用于酸性气体脱除工艺。
Fadhili Gas Plant · Aramco, via Yokogawa
Caterpillar2026
近700
辆“卡特彼勒自动驾驶矿用卡车已在全球投入运营，累计安全运输超过 110 亿吨物料”。
Cat 自动驾驶卡车 · RobSimmons223311，CC BY-SA 4.0
Figure × BMW2025
90,000+
个零部件由 Figure 02 在宝马集团斯帕坦堡工厂的一条实际运行的装配线上完成“装载”。在为期 11 个月的部署中，“累计运行时间超过 1,250 小时”。
Figure 02 at BMW Spartanburg · Figure AI
智能体 AI 的发展现状
WEF × Capgemini2026
ACAP
WEF 在提出智能体能力与授权档案（ACAP）时指出，企业“在界定智能体获准行动的条件，并确保这种授权随系统演进持续得到执行方面，面临新的挑战”。
Gartner2025
超过40%
的智能体 AI 项目预计将“在 2027 年底前被取消，原因包括成本不断上升、商业价值不明确或风险控制不足”。
Dynatrace2026
仅13%
的组织“使用完全自主运行的智能体”，而“69% 由智能体 AI 驱动的决策仍需人工核验”。
03 · 执行权限
证据、风险与人的参与
但执行权限仍有待明确
自主运行已成现实，但应用程度不一
沙特阿美表示，Fadhili 系统 “现已正式投入长期使用”。该系统分阶段部署：先在仿真环境中完成训练和验证，再接入工厂现有的控制系统。自主运输、过程控制和通用 AI 智能体面临的问题各不相同。自主运行往往率先在任务明确、环境可控、边界可验证的场景中取得成功。
2%的组织已实现 AI 智能体的规模化部署，12% 实现了部分规模化部署。在一项针对 1,500 名高管的调查中，大多数组织仍处于试点（23%）或探索（61%）阶段。Capgemini，2025年7月
授权成为共同关切
世界经济论坛（WEF）的 ACAP 明确了智能体的权限、检查点、责任人及相关证据；美国国家标准与技术研究院（NIST）则提出，应采取“适当的身份识别与授权控制措施”。从传统自动化到如今的 AI 智能体，如何管理自主行为，始终是一个重要课题。
人工审批并非最终答案
Claude Code 用户最初批准了 93% 的权限请求，后来这一比例升至 97%。这反映了审批疲劳：“人们逐渐不再仔细关注自己批准的每一项操作”。开发者并不是工厂操作员，但如果每个低风险操作都需要点击确认，真正重要的审批就容易被淹没。授权机制还应该让那些适合自主执行的任务不必一直等待人工批准。
13.6%的危险指令在一项受控实验中被人工审查发现，而自动模式的检出率达到 89%。Anthropic, 2026
03 · 执行权限
CII № 01 · Controlled Industrial Intelligence
五种方法
的探索
从自动化到 AI，产业界与学术界一直在探索如何引导和约束机器的行为。
03 · 执行权限
证据、风险与人的参与
五个关键问题
尚未解决的挑战
当 AI 从推理走向实际执行，一些关键问题仍有待回答。
- 准确到什么程度才算足够？
- 还有哪些衡量标准？
- AI 的执行边界在哪里？由谁决定？
- 审批、监督还是介入？人应扮演什么角色？
- AI 执行任务后，谁为结果负责？
这些问题的背后
为什么从智能走向执行如此困难？
原因之一，或许在于
执行权限。
03 · 执行权限
证据、风险与人的参与
实际案例
基于授权门控的故障管理
半导体制造中的通信故障
01 挑战
在半导体制造中，AI 能够快速诊断通信故障，并提出相应的修复建议。但由于设备昂贵、停机损失较大，工程师对于是否允许 AI 自主执行操作仍持谨慎态度。
02 方法
工程师与数据科学家共同制定了一套 3×3 授权矩阵，以证据强度和执行风险为依据，决定 AI 可以采取何种操作：从监测、提出修复建议，到自主执行或提交人工审批。
在证据充分且完成必要验证后，AI 可以自主执行低风险和中风险的故障恢复操作。高风险操作仍需人工审批。
| 证据 强度 | 执行风险 | ||
|---|---|---|---|
| 低 | 中 | 高 | |
| 强 | 执行＋事后检查 | 验证后执行 | 人工审批 |
| 中 | 建议 | 建议＋验证 | 人工审批 |
| 弱 | 监测 | 监测 | 人工关注 |
- AI 执行
- AI 建议
- AI 监测
- 人工决策
更多案例与实践经验，欢迎联系我们。
阿特拉斯雕塑，纽约洛克菲勒中心（李·劳里，1937年）。雕像肩负天球，呼应了洛克菲勒中心的艺术主题：探索新领域与推动文明进步。
n2t.net/ark:66356/c100062交流
CII Atlas
连接产业需求与技术方案
CII Atlas
连接
- 需求真实的产业挑战
- 匹配连接需求与专业能力
- 方案研究与技术方案
- 验证在真实环境中测试
- 应用让智能落地
测试 · 改进 · 重复
访客分布