洞见 | 人工智能的发展势头正迅猛增长 而数据基础建设却相对滞后

在制造业领域，人工智能已不再是可有可无的选择。整个行业内的领导者都在推动全企业范围的举措，旨在实现更明智的决策、更高的效率和长期的韧性——同时往往需要在雄心勃勃的新人工智能战略与根深蒂固的旧系统之间寻求平衡。各团队被要求利用人工智能创造更多价值，尽管关于从何处着手以及现有运营技术（OT）数据如何切实支持这些目标的问题依然存在。期望非常明确：AI 应当带来可衡量的优势，而不仅仅是实验。

然而，尽管 AI 的发展势头正迅猛增长，工业数据的现实却未能跟上步伐。

制造商正在产生海量的 OT 数据，但其中大部分仍被孤立在各个工厂、生产线和传统系统之中。数据上下文不一致，可见性支离破碎。本应推动洞察的数据，往往难以超越孤立的应用场景进行扩展。

在2026年汉诺威工业博览会上，数据就绪性是一个反复被提及的主题：   

这种脱节导致企业期望AI实现的功能与其数据基础实际能支持的功能之间，存在日益扩大的鸿沟。随着AI战略推进速度快于数据准备度，这一差距持续扩大，导致进展在尚未有机会实现规模化之前便陷入停滞。为何AI项目在规模化前便陷入停滞

AI项目很少是因为算法不成熟而失败——它们停滞不前，是因为支撑它们的数据尚未准备就绪。在大多数制造环境中，AI所依赖的数据仍被锁在自动化孤岛中，分散在那些从未被设计为协同工作的系统之中。信息或许存在，但在关键时刻往往不完整、不一致或无法获取。若缺乏一种可靠的方法来跨工厂和站点聚合、关联并交付数据，洞察力便会局限于局部，难以复 制。在某处行之有效的方法无法轻易移植到其他地方，这导致团队面临盲区而非全企业范围的智能——而人工智能项目也难以突破孤立试点的局限。

在推进人工智能计划的过程中，数据访问往往被视为次要考虑因素——一种等到成果开始显现后再解决的问题。但如果缺乏一种值得信赖且安全的工业数据访问方式，进展从一开始就可能充满风险。在缺乏明确治理或可视性的情况下扩大访问权限，会增加感知到的攻击面，从而引发对数据泄露和意外后果的担忧。当团队无法确信数据能够安全且一致地共享时，犹豫便随之而来。在许多情况下，无所作为似乎比继续推进更安全，这进一步减缓了发展势头，并拉大了人工智能愿景与实际执行之间的差距。随着时间的推移，这种犹豫不仅会拖慢进展，还会悄然增加停滞不前的代价。

这种矛盾在汉诺威工业博览会的讨论中屡屡显现。Kepware 高级副总裁兼总经理 Abby Eon 在其演讲中强调，许多企业逐渐意识到，AI 需要的并非更多数据，而是协同一致。这种协同体现在对关键成果的共识、对“良好”状态的定义，以及跨环境数据访问的治理方式上。若缺乏这一共同基础，更广泛的数据可用性往往被视为风险而非助力，从而强化了谨慎态度而非推动进展。

随着制造业加速采用人工智能，一种熟悉的矛盾正在浮现。企业深感需要加快步伐——以跟上竞争对手的步伐、满足管理层的期望，并避免被时代淘汰。但这种紧迫感往往揭示了一个残酷的现实：真正的挑战并非数据匮乏，而是缺乏能够切实支撑AI产生实质性成果的、可用的、具有上下文关联的数据。 尽管人工智能战略持续推进，但数据准备工作却滞后，导致企业期望人工智能实现的目标与当前数据实际能支持的能力之间的差距不断扩大。若缺乏坚实的基础，发展势头将超越执行能力——而人工智能的潜力也将始终遥不可及。

或许还有更好的方法……

随着人工智能在制造业中的应用日益普及，许多项目却因同一个原因陷入停滞：支撑它们的数据基础并未为支持企业级人工智能而构建。问题并不在于数据匮乏，而在于无法在不同工厂和系统之间可靠地协调、关联、治理和交付运营技术（OT）数据。

正因如此，践行工业数据运营（IDO）原则变得至关重要。IDO将关注点从孤立的集成和临时性修复，转向一种标准化、可扩展的工业数据管理方法。通过建立对OT数据的一致访问，并减少传统架构中的碎片化，企业能够构建一个值得信赖的基础，以支持全企业的AI和数字化项目。 

进步并非源于在脆弱的架构之上堆砌更多AI项目，而是源于建立支撑这些项目的工业数据基础。IDO为此提供了明确的框架——通过标准化OT数据在企业范围内的连接、上下文关联、治理和交付方式。当制造商优先解决架构问题时，AI 计划将不再受限于数据现状，反而会因数据而得到强化。

- THE END -

PTC整理发布，转载请注明出处