摘要：工业智能正在从通用问答工具进入控制流程、工程求解器、数字船厂、企业数据主线和机器人边缘端。Emerson、NVIDIA、西门子、SAP、Google Cloud、MulticoreWare和AMD的最新进展显示，工业AI竞争正在转向原生嵌入、可追溯数据和现场推理。
工业智能正在从通用问答工具进入控制流程、工程求解器、数字船厂、企业数据主线和机器人边缘端。Emerson为Ovation 4.0发布五类电力与水务AI智能体，把告警分析、预测维护和根因定位嵌入操作员原有工作流。NVIDIA扩展工程智能体工具包，将PhysicsNeMo和CUDA-X求解器封装为可调用技能。西门子与HD现代推进AI数字船厂，建设可复制的数字线程模型。SAP与Google Cloud上线BigQuery零复制连接，让智能体在实时业务语义上运行。MulticoreWare则展示VLA模型在AMD嵌入式平台上的现场推理，Physical AI继续向更多边缘计算生态扩展。
Emerson 7月27日发布面向电力和水务行业的Ovation AI Agents，并与Ovation Automation Platform 4.0集成。首批五类智能体分别负责顺序控制辅助、告警洞察、预测性维护、根因分析和控制回路性能监测。
这些智能体不是独立的聊天窗口，而是直接嵌入控制、告警和维护工作流，持续分析设备状态、历史故障和实时过程数据。Emerson称，系统能够把部分诊断任务由数小时或数天压缩到数分钟。例如顺序控制智能体可以发现汽轮机启动流程中未满足的许可条件，根因智能体则关联报警、跳闸和实时设备状态。
产品采用人在回路设计，智能体在后台分析和提出建议，操作员保留最终控制权。首批产品计划在今年秋季推出，后续路线图还包括28个覆盖运行、维护、优化、仪控和管理的智能体。对于高风险流程工业，这种“原生嵌入+人工批准”比让通用智能体直接控制设备更现实。
NVIDIA 7月27日扩展NVIDIA Agent Toolkit for engineering，将PhysicsNeMo和CUDA-X库加入智能体可调用工具。PhysicsNeMo被重构为更适合智能体调用的物理AI库，CUDA-X则提供稀疏求解、量子化学和工程计算能力。
这意味着工程智能体不再只是写报告或整理仿真输入，而是可以按任务调用物理模型、求解器、工程数据和专业库。对于芯片设计、系统工程、工业装备和流体仿真，智能体的核心价值会从“生成代码”转向“组织工程计算流程”。
但工程求解器接入智能体也提高了验证要求。仿真边界条件、网格、材料参数、收敛标准和结果解释都需要记录，不能只看智能体给出的结论。企业部署这类工具时，应把模型轨迹、求解参数、版本依赖和专家复核纳入同一条工程审计链。
西门子与HD现代围绕AI驱动数字船厂展开合作，目标是用西门子Xcelerator和船舶制造数字平台改造美国及全球船厂。此前HD现代已选择西门子Xcelerator构建集成数字造船平台，后续将把设计、制造、供应链和船厂执行连接为统一模型。
船厂是离散制造中最复杂的场景之一。船舶项目周期长，包含设计图纸、工程BOM、制造BOM、生产BOM、采购、分段建造、舾装和试航等多层对象。如果这些数据仍分散在CAD、PLM、ERP和现场表格中，智能体很难做出可靠判断。
数字船厂的趋势价值在于可复制。西门子和HD现代不只是做单点软件部署，而是希望形成评估、路线图、试点和标准配置，帮助不同船厂复用数字线程能力。对中国制造业而言，这类案例说明工业AI落地首先要解决对象建模和流程贯通，而不是先做一个入口聊天机器人。
SAP与Google Cloud发布SAP Business Data Cloud Connect for BigQuery。该能力通过零复制、双向连接，让BigQuery访问SAP业务数据、元数据和业务语义，也让SAP Business Data Cloud接入Google Cloud的数据与AI生态。
这类连接的意义不是又多一个数据接口，而是降低企业AI项目里的数据搬运、复制、同步和口径失真。供应链、生产、销售、库存和财务数据通常有严格业务语义，智能体如果只读到脱离上下文的字段，很容易产生错误建议。
零复制连接让智能体更接近实时业务现实。未来企业运营智能体需要的底座，是有权限控制的语义数据层，而不是把ERP数据离线导入一个孤立向量库。数据治理、权限继承、审计和成本控制会成为智能体能否进入核心流程的前提。
MulticoreWare与AMD合作推进Physical AI和自主机器人，在AMD Advancing AI 2026展示了基于AMD Ryzen AI Embedded平台的视觉、语言与行动模型现场推理。相关方案强调通过ROCm和Python在嵌入式GPU上运行多模态机器人模型。
Physical AI的竞争正在从云端大模型扩展到边缘部署。机器人、移动设备和工业现场不能总依赖云端低延迟连接，视觉理解、语言指令解析和动作规划需要在本地完成一部分推理。
对工业场景而言，边缘端VLA模型仍要解决三件事：一是算力、功耗和实时性之间的平衡；二是现场安全边界和异常停机机制；三是从实验演示到连续生产运行的数据闭环。只有模型、控制系统、传感器和维护流程同时打通，Physical AI才会真正进入工厂。
Emerson：《Emerson Expands Ovation AI Portfolio with New Intelligent Agents》，2026-07-27。 用于核验Ovation AI Agents类别、上线节奏和人在回路设计。
NVIDIA：《NVIDIA Expands NVIDIA Agent Toolkit With NVIDIA PhysicsNeMo And CUDA-X Libraries》，2026-07-27。 用于核验PhysicsNeMo和CUDA-X进入工程智能体工具包。
NVIDIA PhysicsNeMo：物理AI和工程模型开发资料。
https://developer.nvidia.com/physicsnemo
Siemens：《Siemens and HD Hyundai to establish AI-powered digital shipyard to modernize U.S. shipbuilding》，2026-07-23。 用于核验数字船厂合作和船厂现代化方向。
https://news.siemens.com/en-us/siemens-hd-hyundai-ai-digital-shipyard-us-shipbuilding/
Google Cloud：《SAP Business Data Cloud Connect for BigQuery》，2026-07-27。 用于核验零复制连接、业务语义和企业AI数据底座。
Engineering.com：《MulticoreWare advances physical AI on AMD platforms》，2026-07-27。 用于核验VLA模型和AMD嵌入式平台演示。
https://www.engineering.com/multicoreware-advances-physical-ai-on-amd-platforms/
