引言

2024 到 2025，生成式 AI 以前所未有的速度，从消费端涌入工业现场。但从“试点惊艳”到“规模化落地”，中间隔着一道真实的鸿沟。拥有三十余年经验、身兼物联网与实时智能双料 Microsoft MVP 的 Sander van de Velde，分享了他在海上船舶与工厂一线的实战观察。

我们今天看到的最重大变化，是生成式 AI 与物联网的融合——它把实时数据转化为预测性与处方式洞察；但要做到规模化落地，仍是真正的挑战。

这道“规模化”的鸿沟，中国工业界同样深有体会。2024 至 2025 年，以国产大模型为代表的生成式 AI 加速向工业场景渗透，卡奥斯、树根互联等工业互联网平台持续做大；但“试点很惊艳、推广很骨感”几乎是普遍写照。如何让大模型在真实、嘈杂的工业数据中依然可靠，正是从“能用”迈向“敢用”的分水岭。

当今物联网最重大的变化是什么？行业仍在何处面临困境？

物联网领域最具变革性的转变，是将生成式 AI 融入运营工作流。我们已经超越了基础的远程监控，迈向预测性与处方式维护——由 AI 分析实时数据，预判设备故障或优化工艺流程。然而，行业仍在“规模化落地”这道难题上苦苦求索。

处理海量数据集会带来风险，比如“AI 幻觉”——模型生成不准确的预测。此外，在算力有限的本地网络上、在边缘端部署生成式 AI，也增添了复杂性。我们需要稳健的框架来确保可靠性，在海上船舶、制造工厂等关键场景中尤为如此。

哪些技术对你们的项目影响最大？

有两个平台尤为突出：Databricks 与 Microsoft Fabric。它们实现了无缝的实时数据接入，取代了传统的批处理方式。客户由此得以从静态报表，转向动态的、AI 驱动的洞察。

例如，我们正在使用“运营智能体（Operations Agents）”作为 AI 驱动的虚拟助手，用于监控遥测数据并执行预设动作，如向工程师告警或调整参数。这些智能体如同“虚拟初级工程师”，依据操作手册（Playbook）行事，以确保一致性。它在减少人工干预的同时，依然牢牢掌控着运营。

能否分享一个用这些技术解决关键难题的近期项目？

我们最近为一家海上作业客户开发了一套数字孪生系统，他们需要对船舶运营拥有实时可视化的掌握。此前，他们只能依赖滞后的邮件与人工报表。我们的方案，将实时船舶定位、设备遥测与环境数据汇聚到一个统一的模型之中。

挑战在于设计一套灵活的规则引擎，以应对天气突变、设备不可用等难以预料的变化。通过对规则进行解耦、并借助边缘 AI，我们打造出一套能够动态更新的系统。如今，客户可以实时洞察各项作业的耗时，从而优化项目排期与资源调配。

这套“实时数字孪生”的思路，与中国正在发生的实践不谋而合。以洋山港四期、青岛港等为代表的自动化码头，已是全球智慧港口的标杆——把船舶、设备、环境与作业流汇入统一的实时模型，让“凭经验、靠邮件”的传统调度，升级为“看数据、可预判”的智能运营。海工与港航，正是数字孪生与边缘 AI 价值最为凸显的舞台之一。

企业在规模化部署物联网中的生成式 AI 时，最大的障碍是什么？

把生成式 AI 从概念验证推向企业级部署，是首要障碍。小规模试点凭借精心整理的数据集往往能够成功，但真实场景面对的是大规模的原始、非结构化数据，这会带来幻觉、安全漏洞与性能瓶颈等风险。

为化解这些风险，我们重点关注三个方面：

• 更完善的操作手册与护栏机制：用以引导 AI 智能体的行为；
• 混合数据策略：将实时遥测数据与上下文数据集（例如用于表达设备层级的本体）相结合；
• 边缘优化：确保 AI 模型在本地硬件上高效运行。

过去五年，欧立腾的物联网思路发生了怎样的演进？

最初，我们聚焦于把数据从设备搬上云端——这是一项技术挑战，需要工业协议与云集成方面的专业能力。如今，我们已转向借助“奖章架构（Medallion Model）”等方法，把原始遥测数据转化为实时洞察。

现在，我们正进一步迈向预测性与处方式维护，帮助客户在故障发生之前就提前预判。这一演进，正体现了欧立腾致力于无缝打通 OT（运营技术）与 IT 的承诺，让各行各业得以更智能、更敏捷、更具韧性地运营。

结语

大模型走进工厂，不是要取代经验丰富的工程师，而是要成为他们身边那位“永不疲倦的虚拟同事”。对中国工业企业而言，谁能率先跨越“规模化”这道坎，把生成式 AI 真正嵌入一线运营，谁就握住了下一轮工业升级的主动权。