中经记者 郑瑜 大连报道

工业AI从单点试点走向规模复制，算法和数据起关键作用，高质量、可治理的数据是AI发挥作用的重要前提。

近期举行的第十七届夏季达沃斯论坛以“规模化创新”为主题，寻求为企业解决规模化难题。

在本届达沃斯论坛期间，霍尼韦尔智能工业科技集团副总裁兼大中华区总经理林育麟接受《中国经营报》记者专访时表示，工业AI能否实现规模化，关键在于数据的采集、治理与安全使用，同时也依赖算法能力与行业经验的协同支撑。“工业智能化真正稀缺的，未必是算力，而是能否把散落各处的数据采得到、理得清、用得安全，从而为AI在复杂工业环境中的应用打下基础。‘地基’夯实之前，规模化无从谈起。”

精准用好工业数据

重视工业智能化发展已经成为行业普遍共识，但是，规模化落地仍是难点。

林育麟认为，工业现场对智能化信息有着近乎苛刻的要求。“像石油化工这类重大场景，如果决策信息不准确，错误决定会导致严重后果。这与通用AI‘错了可以重新提问’截然不同，‘不容有失’的工业场景没有二次机会。正因如此，数据与智能信息的使用必须格外谨慎，标准最终要落在数据质量与可靠性上。”

“现在很多AI软件的准确率不及100%，给出的答案未必精准。但在生产运营环境下，需要实现尽可能接近100%的可靠性。”林育麟特别提到，满足精准要求，单靠算力远远不够，还要把高质量数据、硬件系统与生产工艺的理解能力结合起来。

他举例，目前相对成熟的方向是预测性维护：依托传感器大量采集数据，结合行业长期积累的经验，叠加算法分析能力，提前预判哪些关键产线需要检修。另一个成熟应用是质量提升。两者的实现，建立在数据、算力以及对工业运行逻辑的深度理解三者的协同基础之上。

记者注意到，目前，诸多工厂存在数据积攒了几十年，却始终用不起来的局面。

面对数据孤岛、数据质量、数据归属与安全等问题，林育麟表示，这些问题不容忽视，但数据采集的前端环节尤为关键。“数据如何采集，是整个智能化体系的源头，也是最基础的一环；数据采集完成之后，如何完成治理、整合和理解，同样决定着后续应用效果。运营环境中的数据壁垒林立，需要借助一个良好的平台对多源数据进行无缝连接与高效整合，才能生成更准确的信息。”

数据从成本变资产

“很多企业都在投入AI，但真正用得好、能带来经济红利的，目前仍然较少。”林育麟直言，不少单点采样看似成功，一旦迁移到其他场景，需求完全不同，会出现“水土不服”。对此，他给出两个抓手：一是打破数据孤岛，让数据能够从生产运营场景中被有效获取；二是构建安全可信的空间，让数据与控制系统深度融合、共同参与决策。

林育麟用三招解决数据治理难题：一是提高数据“产量”，把同一场景下更多渠道的数据采集上来，否则各自成岛、价值有限；二是提高数据质量，使其能真正支撑最终决策；三是提高安全属性，确保数据在安全空间内完成分析与决策。他提出，这“三招”并非并列的选择题，而是层层递进的前置条件。

在林育麟看来，多年积累、可跨场景调用的行业数据，已成为企业的部分竞争力。“按照上述模式治理数据，数据不再是一项成本，而是变成反复调用的资产。例如，全球很多石油化工企业是我们的合作伙伴，他们对控制、安全、生产质量的要求都非常高，怎么用大数据做出最精准的决策，是客户最主要的诉求。”

“我们在南京有一家工厂，是霍尼韦尔在华最大的传感器生产制造基地，年产量约3亿件。我们目前正基于对生产的深入理解，进行采样方案设计，通过数据分析，让一线操作者获得更精准甚至具有预测性的信息，从而做出更好的判断。同时，硬件层面的自动化由软件统一调度控制，与数据分析能力协同运行，有效规避了诸多安全与生产隐患。”林育麟举例说。

在林育麟看来，中国加速推进新型工业化，对霍尼韦尔这类智能工业企业是难得的机遇。

他认为，未来机遇集中在两端。“一端是安全。石油、化工、船舶海工、半导体等规模化行业对安全性要求极高，智能化的价值在于调用历史积累的大数据，并结合对工艺与设备运行逻辑的理解，帮助企业做更精准的分析与决策，预防事故发生；另一端是质量与效率。以新能源汽车为例，10年前还未成规模的赛道，如今引入了大量新的产品与技术方案，对生产体系提出更高要求。‌霍尼韦尔智能工业科技集团主要提供传感器等产品，帮助车辆更精准地判断续航、管理充电，并通过侦测电流与温度提前规避安全隐患。”

（编辑：石健 审核：何莎莎 校对：张国刚）