•
2026 年 CES 舞台上，西門子 CEO Roland Busch 沒有講產品，而是先講了一個百年前的故事。
他說，當年電力出現，把黑夜變成白晝，讓機器放大人的能力，把速度變成效率。而今天，工業正迎來另一次通用技術的代際更替。
他給出了一個明確的判斷：
工業 AI 不再只是功能，而是將重塑下個世紀的力量。
這什麼叫“力量”？
不是在傳統流程末端裝個演算法外掛、加個攝影機識別，而是從設計源頭就開始重構整個工業的運轉方式。
所以這次發佈會，黃仁勳親自登台。
西門子聯手輝達，這套“工業AI作業系統（Industrial AI Operating System）”，進產線了。
過去十年，工業 AI 一直在做的事情，本質上是“外掛式最佳化”：在傳統流程末端加個視覺識別，在生產線上裝個預測性維護演算法，在質檢環節接入缺陷檢測模型。
這些都有用，但都沒有改變工業的運轉方式。設計還是用傳統軟體畫圖，模擬驗證還是要花好幾天，製造系統還是按照預設的剛性流程執行。AI 只是在最後幫你最佳化一下，而不是從一開始就參與進來。
這就是為什麼工業 AI一直停留在試點階段，很難真正規模化落地。
那怎麼破局？
Roland Busch 這次用一個案例來說明：如果要真正破局，該從那裡下手。
他選的不是工廠，不是機器人，而是晶片設計。
這個選擇很關鍵。因為晶片設計是整個工業鏈條裡最複雜、最依賴模擬、最吃算力的環節之一。如果工業 AI 連這個都能改，那它確實可能改所有東西。
拿 Nvidia 剛發佈的新一代 GPU Vera Rubin 來說：功率 240 千瓦，內含 220 兆個電晶體，由 6 種不同晶片、冷卻網路、互連模組組成，整整重兩噸，耗費 15 萬工程人年才設計出來。
這樣的硬體，傳統方式已經跑不動了。更關鍵的是，傳統方式是“設計完→驗證→發現問題→人工修改”，這個流程太慢了。
黃仁勳給出的答案是：
“工程師的目標不是寫 Verilog 程式碼，而是解決問題。未來會有 AI 設計師和人類設計師坐在一起，一起探索想法，一起迭代邊界。”
這就是為什麼他們要從設計軟體開始動手。
如果連圖紙怎麼畫都還是老方式，後面談工廠數字孿生、談AI製造，都是空中樓閣。
所謂“工業AI作業系統”，第一步就是要解決這個問題：讓 AI 從設計的第一步就參與進來，而不是在最後一步幫你最佳化。
如果工業 AI 要從單點工具變成作業系統，那它到底長什麼樣？
Roland Busch 和 黃仁勳在台上公佈的，不是某個新產品，而是一套完整的技術堆疊。
這套技術堆疊分三層：
最底層是 GPU 算力。
傳統工業軟體是在 CPU上 運行，速度已經成為瓶頸。黃仁勳舉了個例子：過去做風洞模擬，運行一次要好幾天，現在遷移到GPU上，速度能快1000倍。這不是小幅最佳化，而是從"跑幾十種方案"到"跑上萬種方案"的質變。
中間層是設計和模擬軟體。
這是西門子的核心能力。他們的EDA工具、Simcenter工程模擬套件，要全部用CUDA重寫。更重要的是，這些軟體不再只做驗證，而是開始創造。AI 可以在海量資料上訓練，主動提出新的設計方案，而不是等工程師畫完圖再去檢查。
應用層是製造控制和營運管理。
這是西門子 50 年工業積累的價值。全球每三台製造機器就有一台運行著西門子的控製器。他們知道工廠怎麼運轉，知道那些資料重要，知道什麼樣的決策應該留給人類，什麼可以交給AI。
三層合在一起，才是“作業系統”。缺任何一層，都只是工具拼湊。
那這套作業系統怎麼落地？
他們現場宣佈了 5 個深化合作方向：EDA軟體遷移GPU、工程模擬加速、自適應製造、AI工廠建設、相互使用技術。
但這不是5個獨立項目，而是一條完整的鏈路。
設計出來的晶片，能直接在數字孿生裡進行熱模擬；
整個流程不需要人工轉換格式、不需要資料重新錄入、不需要跨部門開會對齊。
而這套系統的第一個實體產品，叫Digital Twin Composer，數字孿生建構器。它能建立任何產品、工廠、流程的虛擬 3D 模型，連接即時資料。更關鍵的是，它不是孤立的模擬工具，而是能直接連到西門子的營運軟體和硬體。
也就是說，你可以從虛擬環境中直接對現實世界做出改變：調整機器速度、改變溫度參數、重新分配物料流轉路線。
數字世界和物理世界之間，不再有那道看得見摸不著的牆。
這個產品已經上線到西門子自己的Xcelerator平台，不是演示版本，而是真實商用。
工業 AI 不是誰都能做的。
西門子和輝達能做成，是因為各自拿出了關鍵能力。
Roland 在現場明確說：
“我們會在 2026 年，在德國啟動第一個完全AI驅動的自適應製造基地。我們自己的工廠，會用我們自己的技術。”
當一個做了 175 年工業的公司，把自己的工廠當作第一個試驗場，這就是最好的背書。
黃仁勳也說：我們要一起加速西門子的 EDA 軟體，這樣我們就能更快地設計晶片，然後用這些晶片更快地加速西門子的軟體。我們要一起最佳化 Simcenter 模擬工具，這樣我們就能更快地設計 AI 工廠，然後用這些工廠製造更強大的AI。
這是一個正向循環。
而正向循環的起點，是雙方都把對方的技術用在自己最核心的業務上。
完整技術堆疊、真實場景驗證、正向循環加速，這個“工業AI作業系統”就是這麼做成的。
很多 AI 項目都死在“能做”和“能用”之間。演示視訊裡效果很好，到了真實產線就不靈了。
西門子自己要用，一批客戶也已經在執行真實項目。
1、百事可樂是第一批客戶
他們拿一座營運了 50 年的老倉庫做測試。這個倉庫已經滿足不了高峰期需求，傳統做法是擴建或新建，動輒幾百萬美元。
他們選擇先在數字世界裡重新設計。
用數字孿生模擬不同的貨物流轉方式、叉車路線、機器人走位，AI自動推演出幾百上千種佈局方案，找出最有效率的那個。
結果：三個月內，吞吐效率提升20%。
更關鍵的是，他們內部估算，整個營運鏈條的資本支出可能因此減少10%到15%。
2、另一個案例是勞斯萊斯
他們用這套工具最佳化航空發動機裡的液壓泵設計。把零件和製造機器都建成數字孿生，用AI模擬整個加工過程。
結果：CAN程式設計時間縮短80%，工廠整體生產力提升30%。
3、還有一個更遠期的案例：聚變能源
Commonwealth Fusion Systems在用西門子的技術設計全球第一台商業聚變反應堆。目標是在弗吉尼亞州建造一台能產生 400 MW電力的商業聚變機組，Google已經簽了購電協議。
這個項目的意義在於：黃仁勳提過，一個 AI 工廠需要 1 吉瓦的電，成本 500 億美元。沒有清潔、穩定、充足的能源，這些 AI 工廠根本建不起來。
而聚變能源從設計到工廠控制，全程用西門子的數字孿生和自動化系統，本身就是工業 AI 作業系統的完整驗證。
4、再看更日常的場景：電網管理
西門子的 AI 能幫城市電網模擬：
他們現在已經能做到：在不需要新增基礎設施的情況下，將現有電網容量最大化 20 %。
從50年老倉庫到航空發動機，從聚變反應堆到城市電網，這些案例覆蓋的場景完全不同，但做法是一樣的：用數字孿生把物理世界複製一遍，用AI在虛擬環境裡找出最優方案，然後把結果同步回現實世界。
百事可樂的 20%，勞斯萊斯的 80%，電網的 20%。
這些數字背後，是工業 AI 從“功能”變成了“力量”。
不再是末端最佳化，而是源頭重構。
不再是試點項目，而是真實產線。
西門子和輝達，讓工業 AI 作業系統真正落地了。 (AI深度研究員)