2026年7月18日，西门子在WAIC 2026期间举行“工业AI迈进现实——西门子Eigen工程智能体发布会”，正式面向中国市场发售Eigen Engineering Agent（Eigen工程智能体）。西门子全球执行副总裁、西门子中国董事长、总裁兼首席执行官肖松从厂长视角谈起。

他举的是一台具身智能设备准备进厂的例子。厂长通常不会追问它采用哪一种模型架构，也很少关心模型有多少参数。他想知道的是，设备能否稳定完成任务，部署需要多久，要投入多少人，失误率多高，以及原有系统要为它做多大改造。

这些问题都指向新技术进入工厂后的实际后果。一次聊天回答可以重来，产线上的错误会变成返工、停机和安全风险；一款消费软件几个月便可换代，工厂里的机器却可能连续运行十年。已有设备仍要运行，生产节拍不能被轻易打断，企业标准必须继续有效，出现异常时还要有人负责。模型可以变，工厂赖以运转的这些条件不能一起漂移。

肖松借具身设备说明的是工业AI要接受怎样的审视。Eigen工程智能体工作的环节非常靠前，它参与自动化工程师为整套机器所做的设计、配置和调试。它生成的PLC代码、HMI内容和设备配置，最终也会进入真实生产系统。设备进厂与代码进入产线，由此自然会遇到相同的约束。

西门子把这个工作过程称为“automating automation”——过去，人用自动化系统控制机器；现在，自动化系统的建造过程也开始由AI参与。

为什么先从自动化工程下手

一条产线投入运行之前，硬件到位只是长途跋涉的第一步。工程师还要把设备、传感器、电机和生产工艺组织成可以执行的系统。

PLC，也就是可编程逻辑控制器，负责把生产步骤变成机器能够执行的控制逻辑；HMI是操作人员查看状态、调整参数的人机界面。设备怎样连接，动作按什么顺序发生，异常时在哪里停下来，都要写进工程项目。

TIA Portal是西门子为这类工作提供的集成工程平台。自动化工程师在其中配置硬件、编写PLC程序、设计HMI画面，并管理项目里的数据块、参数和组件关系。Eigen进入以后，智能体也能在同一套项目环境里读取设备关系、调用企业标准，并与工程师共同完成配置、编程和检查。

当用户提出“修改三号工位的控制逻辑”，进入TIA Portal项目的Eigen工程智能体可以继续向下读取：三号工位由哪些设备组成，哪些程序块控制它，客户采用什么标准，这次修改又会碰到哪些已有配置。

这些项目上下文决定了一段代码能否使用。相同的要求放进不同工厂、不同设备型号和不同企业规范里，答案可能完全不同。Eigen工程智能体会理解并拆解任务，生成PLC逻辑、HMI内容或设备配置，再按照项目要求检查结果并迭代，工程师在关键节点审核。

西门子公布的试点数据称，部分工作流的执行速度达到人工方式的2至5倍，工程效率最高提升50%，整体解决方案质量最高提升80%。这些数字来自100多家企业、19个国家的试点，实际效果仍会随任务和工况变化。

自动化工程还有一个适合智能体早期落地的特点：错误可以在进入物理世界之前暴露。程序可以编译，配置可以对照标准，改动可以留痕，一部分结果还可以先在仿真或测试环境中运行。AI生成的内容已经接近真实生产，工程师仍能在下发之前拒绝它。

编码智能体的发展提供了一个参照。互联网上的大量代码为模型训练提供了条件，软件行业现成的检查机制同样关键。代码被放进独立分支，编译器和自动化测试寻找错误，人工审核通过后才能合并，出现问题还可以回滚版本。模型写代码的能力与这条验证链一起发展，机器才逐渐承担起更多编码任务。

Eigen工程智能体也被放进了一条类似的验证链。TIA Portal保存项目事实，设备关系、项目结构和客户标准构成它执行任务时的约束；编译、测试和工程师审核决定结果能否继续向前。企业可以先审核一次修改，再逐步交出更多任务。对智能体的信任，不必等到它在真实产线上犯错之后才建立。

同一套Eigen工程智能体，不同的效益账本

论坛上，西门子的合作伙伴也给出了它们的视角。

中科摩通讲的是交付账。这是一家新能源汽车智能装备集成商，接受车企订单，为特定车型和工艺设计生产设备，再把机械、电气、控制程序和现场调试组合成一条能够交付的线。客户产品一变，设备配置和程序往往也要跟着调整，因此被称为“非标”项目。

中科摩通创始人赵丹介绍，一条产线仅组态和工程配置就可能需要两三周。客户修改产品或工艺后，工程师还要重新调整大量程序。重复劳动拖慢整个项目的交付，影响远远大于某一个人的编码速度：自动化工程师要理解机械设计，软件团队要确认设备关系，资深人员要复核标准，修改又会沿着这些环节重新走一遍。

在双方合作的一套电动汽车电子机械制动系统设备中，西门子披露，Eigen工程智能体使程序开发时间和现场调试周期分别缩短30%，人工与物料损耗降低10%。如果这些效率能够在更多项目中稳定复现，它们会逐渐反映在交付能力和项目成本上；对于按照里程碑结算的项目，也可能影响回款速度。同样数量的资深工程师便可能同时照看更多项目，新成员也可以直接询问已有工程结构，少花一些时间摸清程序块和设备的关系。

系统集成商很难只靠增加工程师扩大业务。团队越大，培训、交接、监督和版本管理占用的高手时间越多，不同工程师对同一标准的理解也可能出现偏差。Eigen工程智能体把成熟模板、客户规则和项目关系变成可查询、可执行的工作流，省下来的便不止编程时间，还包括组织内部反复解释和复核的成本。

中科摩通交付的设备，最终会进入车企的生产线，比如长安汽车。到了主机厂一端，衡量Eigen工程智能体的尺度随之改变。车企既是生产线的使用者，也是停机后直接承担损失的一方。消费者要求更多车型和个性化配置，汽车企业需要加快产品迭代，却不可能为每款新产品重建一条生产线。制造系统要在较长的设备寿命中吸收产品变化，大量工艺调整和自动化工程工作由此产生。

长安汽车制造中心智能制造所所长陈浩明给Eigen工程智能体的定义是“稳定伙伴”。他划出的能力边界很清楚：AI的加入不能影响现有节拍，更不能造成停机停线。长安会分阶段实施，先在非关键工位试点，确认效果后再扩大范围，理想状态接近即插即用。对车企而言，换型速度、产线柔性和设备利用率共同决定Eigen工程智能体的价值；一项修改能否在不中断生产的条件下完成，往往比生成代码快了多少更重要。

同一项工程效率，沿着产业链被记入了不同的账本。系统集成商关心交付周期、项目成本和回款速度，主机厂关心换型速度、设备利用率和生产连续性。前一笔账已经出现程序开发和调试周期缩短的结果，后一笔账仍要经过非关键工位、生产节拍和长期运行的检验。

中科摩通希望Eigen工程智能体省去的编程和配置，也恰好是年轻工程师熟悉项目、认识设备、积累异常经验的过程。效率继续向前推进，人才培养的问题随之来到眼前。

工程师的位置变了，经验也在换一种传法

AI Coding爆火之后，编码智能体取代人类工程师的讨论不绝于耳。到了工业现场，岗位数量会怎样变化尚无统一答案，工作内容的变化却已经可以看见。

Eigen工程智能体接手一部分编程和配置后，工程师的时间开始转向定义目标、检查结果、处理异常，以及判断一项修改能否进入生产。工作从“逐行完成”转向“对整个结果负责”，所需经验反而更接近资深工程师。

工业界对这种分工并不陌生。丰田生产方式中的“自働化”（jidoka）常被解释为带有人类智慧的自动化：机器发现异常便停下来，质量检查直接发生在生产过程中。人无需持续盯住每一个正常动作，主要精力转向设定标准、处理例外和改善系统。自主系统也因此需要明确的停机条件和升级路径。

Eigen工程智能体保留了工程师审核。模型可以提出方案和执行步骤，企业仍要定义什么叫合格、哪些偏差可以接受、谁有权批准下发。工程师确认属于质量体系和生产责任的一部分。未来模型能力继续提高，人工介入的位置和频率可能变化，审批责任仍会留在生产体系里。

年轻工程师面对的则是一条正在改变的成长路径。阅读项目、修改程序、跟着故障一步步排查，包含大量重复劳动，也是新人理解设备关系和工艺约束的过程。Eigen工程智能体省去了其中一部分工作，也使企业有机会重新安排经验怎样传给下一代工程师。

工业经验有相当一部分无法完整写进手册。老工程师听到设备异响会怀疑某个部件，看到工艺波动会联想到上游条件，这些判断来自多年操作、排故和复盘。上海电气中央研究院高级工程师谭宏志在讨论预测性维护时介绍，他的团队招来数据分析和AI人员后，会先让他们进入工厂，有人待三个月，有人待半年甚至一年。看懂设备怎样运行、物理约束从哪里来以后，工程师才知道数据代表什么，模型又必须遵守哪些边界。

人因工程学者Lisanne Bainbridge早在1983年就概括过“自动化的讽刺”：系统承担了大部分正常操作以后，人依然要处理最少见、最困难的异常；而当人不再持续参与日常操作，维持手工和认知技能会变得更加困难。

Eigen工程智能体反而提供了一种缓解这种讽刺的可能。传统自动化主要接手正常操作，异常怎样判断、为什么这样处理，往往仍留在老师傅的记忆和零散文档里。Eigen工程智能体本来就要读取项目关系、企业标准和历史配置；如果故障复盘、审核意见和项目修改记录也能进入它的工作上下文，那些曾经遇到过的边界情况，就不必每次都从头摸索。

相似问题再次出现时，工程师可以追溯过去改了什么、为什么这样改，以及哪一条企业标准由此形成。新人也可以审查Eigen工程智能体的改动，参与故障复盘和现场轮岗，在仿真环境里训练异常接管。过去，自动化拿走了大量日常操作；智能体则有机会把处理例外的过程留在系统里，变成下一次工程任务可以调用的经验。

西门子在此次中国发布中表示，正在建设AI与自动化人才培训和能力认证体系。工具使用只是其中一部分，工程师还要获得审核和接管所需要的经验。

工厂里的变化发生在积累之上

Eigen工程智能体进入历史项目后，一类过去常被视作负担的东西，有了重新利用的可能。

中国不少工厂经历过多轮建设和改造，设备、程序和工程文件来自不同年代。它们一面构成维护新系统时绕不开的历史负担，另一面也保存着工厂过去怎样配置设备、修改程序和处理问题的记录。只是这些知识往往分散在项目文件、控制程序和老师傅的经验里，很难查询，更难在新项目中直接复用。

西门子称，Eigen工程智能体能够处理部分遗留或文档不完整的项目。如果它可以读懂这些项目之间的关系，把过去的程序、配置和企业标准重新变得可查询、可调用，企业得到的就不只是一次编程提速，而是让多年积累的工程知识重新参与今天的生产。

这类积累并不限于自动化程序。展台的另一处，西门子展示了用于奶粉喷雾干燥的工艺数字孪生。飞鹤一座38米高的干燥塔里，进料量、风量和温湿度不断变化，过去要等成品出来，操作人员才知道奶粉含水量是否偏离目标。gPROMS把工艺知识、实时数据和过程模型放在一起，在成品出塔之前预测含水量的变化，并把计算结果用于参数调整。

这套系统最后衡量的，仍是奶粉含水量、干燥塔能耗和产量。西门子长期做的事情，是先理解一个物理过程，再把这种理解变成可以设计、执行和调整的工程系统。Eigen工程智能体改变了完成工程任务的人机分工，起点仍然是设备、工艺和项目之间已经存在的关系。

当一家企业里的模型、应用和智能体继续增加，问题还会从单个工程项目延伸到彼此之间怎样协同。西门子在WAIC展出的工业AI编排软件Intelligence Center X，处理数据、工作流、权限和决策记录之间的关系。智能体可以越来越多，企业仍要知道它们调用了什么、修改了什么，出了问题又该从哪里查起。

从工艺模型到自动化工程，再到多个智能系统的管理，产品形态一直在变化，工业处理技术的次序却没有因此颠倒：先看清现场发生了什么，再决定系统可以做什么，最后让每一次改变都能接受检查并进入长期运行。这种方法形成于AI之前，也构成西门子把AI带入工业现场的基础。

对西门子而言，模型之外还有一项更难复制的基础。客户的项目文件、工艺知识和企业标准仍然属于客户，TIA Portal等工程环境却长期处在这些知识被使用、修改和验证的位置。模型可以采购和替换，多年形成的设备关系、程序结构和工程习惯却很难整体迁移。谁更接近这些日常工作，谁就更有机会成为AI进入工业系统的入口。

目前，Eigen工程智能体的能力主要建立在TIA Portal等西门子已有的工程环境中。中国工厂里的设备和软件来自不同年代、不同供应商，工艺数据还散落在彼此隔离的系统里。这也留下了下一步：继续连接这些异构资产，在处理权限与工艺保密的同时，让更多年代的项目和异常经验能够被重新调用。

旧设备也很少同时退场。一台机器在电子行业可能使用两年，在其他行业可能运行十年甚至十五年，期间生产的产品会变，控制它的模型和软件也会多次更新。企业每引入一项新能力，都要保证旧资产还能继续运行，历史项目仍能维护，下一次异常仍有人接管。

工厂不会为一个新模型重新开始。下一次修改，仍要接着十年前的设备、上一轮留下的程序和今天正在运行的生产节拍往下做。有了Eigen工程智能体，这些过去不必只留在旧文件和老师傅的记忆里。