工业智能体案例：ABB和Krones

Agentic AI在企业中发展迅速，但最引人注目的故事并非来自办公生产力工具。它们来自工厂车间、采矿作业、运输船队和灌装线。

我最近深入研究了两家大型工业公司ABB和Krones如何与Microsoft Azure合作大规模部署agentic AI。本文剖析了他们的架构、成果以及你可以学习的模式。无论你是构建工业系统、设计云解决方案，还是只是想了解AI今天在哪里真正赚钱，这篇文章都适合你。

1、工业AI信心差距正在缩小

这里有一个值得关注的数字：87%的工业领导者现在相信AI智能体将帮助他们扩大产能。对于处于采用周期如此早期阶段的技术来说，这是一个异常高的信心水平。使其可信的是背后的证据。

考虑20多家已经部署工业AI公司的实证数据：

Continental将规格分析工作量减少了80%
Gerdau将成本削减了65%
KUKA将编程时间削减了80%
Rolls-Royce将机器利用率提高了30%
ABB在运营和维护方面实现了35%的节省
Toshiba每位员工每月节省了5.6小时
Hexagon将设施入职培训减少了90%

这些不是预测或试点结果。它们是产生可衡量ROI的生产部署。它们背后的架构遵循值得仔细研究的模式。

2、重新定义企业架构的三个理念

在深入研究案例研究之前，有必要了解领先工业组织如何思考AI的概念框架。三个基础转变正在推动新架构：

智能作为一种商品。 从历史上看，智能是稀缺的、人类的、脆弱的。人们会生病、需要培训、只能在有限时间内保持高效。有了AI，智能成为一种数字资源，可在每个流程和每个系统中全天候使用。这改变了工作分配的基本架构。当你可以在运营图中的任何节点附加一个智能单元时，瓶颈从"我们有懂的人吗？"转移到"我们连接了数据吗？"

人类-智能体团队。 第二个转变是组织性的。企业现在可以组建包括人和自主智能体的团队。这不仅仅是基于聊天的问答。而是积极参与，智能体可以检测到你订购了2,000单位而历史平均是200,000，并在它进入采购之前标记异常。智能体不是在等待你的问题。它与你并肩工作。

结果胜过组织架构。 当丰富的智能可以压缩多步骤流程时，按部门边界组织就不再有意义。最先进的工业组织正在围绕产品里程碑、质量目标和客户承诺进行重组，而不是严格的部门孤岛。智能体推动吞吐量和问责制，团队保持一致以交付结果，而不是遵循流程步骤。

这三个理念构成了后续一切的架构支柱。

3、通往智能体运营的三阶段旅程

一个成熟度模型正在工业AI部署中出现，每个架构师都应该内化：

第一阶段：助手。 每个人都得到AI支持，AI了解他们的角色。这是问答阶段。你问一个关于你流程的问题，AI基于可用数据返回答案。有用，但被动。大多数组织今天都在这里。

第二阶段：协作者。 每个团队管理自主完成任务的智能体。在这里，AI不是在等待你的问题。它积极参与你的工作流程，检测异常、纠正订单，并指出你不知道要问的问题。智能体嵌入在团队的运营循环中。

第三阶段：编排者。 每个组织指挥推动企业活动的智能体。在这个阶段，AI编排端到端流程。需要人类在每次交接时监督的多步骤工作流被压缩。智能体管理流程；人类管理结果。

接下来的两个案例研究展示了第二阶段和第三阶段在生产中的样子。

4、案例1：ABB从自动化到自主运营的十年之路

ABB是一家拥有140年历史的全球技术领导者，在100多个国家拥有超过100,000名员工。他们的核心业务涵盖能源、采矿、海运、化工、制造和运输领域的电气化和自动化。他们有超过6,000艘船只连接到他们的GenX云平台。

ABB的故事引人注目的地方在于，他们的AI之旅并不新鲜。他们构建工业AI模型已有十多年。变化的是从分析AI（预测故障、检测异常）到生成AI（对话界面、知识检索）再到智能体AI（自主多智能体编排）的飞跃。每一层都建立在前一层之上。

4.1 自主级别框架

ABB使用一个工业自主模型，它模仿汽车自主级别，但适用于工业运营：

Level 0： 人类完全控制。没有AI参与。
Level 1： 人类指定设定点；AI协助子任务。
Level 2： 人类指定意图；偶尔自主。必须建立法律和伦理框架，自动化系统监控环境。
Level 3： 人类确认或作为后备；系统有有限自主并生成警报。
Level 4： 人类监督；系统大部分处于完全控制。
Level 5： 人类缺席；完全自主运营。

ABB的立场是，Level 5对于大多数行业来说不是现实的最终状态。目标是Level 4到4.5：系统自主运营，但人类保留监督权并可以干预。这是一个务实和诚实的评估，反映了工业运营的安全关键性质。

4.2 架构：GenX平台

ABB的GenX平台是架构支柱，构建在Microsoft Azure上。它集成了三层AI能力：

Genix AI Express 提供预构建的工业AI模型，用于分析和预测任务。这些处理状态监控、异常检测和决策支持。它们从DCS（分布式控制系统）获取传感器数据，通过边缘计算处理，并将洞察呈现给操作员和可靠性工程师。

Genix Copilot 在分析模型之上叠加生成AI。它支持对话界面和自然语言与工业数据交互。ABB在这层构建了超过16个特定领域的Copilot，包括APM Copilot、可持续性Copilot、海运Copilot、警报管理Copilot、网络安全事件监控Copilot、能源管理系统Copilot等。

Genix智能体自动化 是最新且架构上最有趣的层。在这里，自主AI智能体推动端到端自动化和决策。多智能体编排架构连接IT数据源（ABB文档库、Salesforce案例管理、ServIS服务日志、myABB用户注册）、网络安全数据源（Qualys用于边缘健康监控和自动补丁）以及分为分析（DQR、状态监控、Genix Datalyzer）和仪器（SmartMaster、验证、AquaMaster+）的OT数据源。所有这些都通过多智能体编排层输入到Genix Copilot，通用用户登录提供统一访问。

这是企业规模编排者模式的教科书示例。

4.3 示例1：矿山到港口的远程数字运营

ABB的采矿架构连接整个矿山到港口价值链的三个运营层：

流程层： ABB DCS管理地下采矿、矿物加工和物料处理的实时控制。
工厂层： ABB MOM（制造运营管理）用于生产协调。
云端层： ABB Genix用于工业AI和分析。

数字采矿控制中心提供集中可见性，而远程数字中心和运营规划中心使专家能够从单一位置管理多个站点。每个站点保留本地控制室以进行即时干预。

关键架构洞察是本地控制（在边缘运行，靠近流程）与远程智能（在云端运行，聚合跨站点数据）的分离。这种模式使ABB能够在不增加人员的情况下跨地理区域扩展专业知识。远程中心的一位专家，由AI协助，可以监控多个矿山的运营。

4.4 示例2：生成式AI赋能现场操作员

ABB的"My Measurement Assistant"被描述为世界上第一个生成AI驱动的工业设备管理系统。架构简单但强大：

现场工程师扫描仪器上的动态QR码（例如，ACF5000气体分析仪）。
扫描连接到运行在Azure上的Genix Copilot。
Copilot访问ABB的完整知识库：错误代码、推荐操作、故障排除程序和历史服务数据。
系统向工程师的移动设备提供实时指导。
如果问题解决，系统通过智能体自动化自动提交服务工单。

结果说明一切：80%的技术支持问题由客户独立解决。15%需要视觉远程支持。只有5%需要派遣服务工程师到现场。

中东的一位客户报告说，能够只用两个人管理整个太阳能电厂控制室，这代表了他们组织的基本自主运营。这是实践中的Level 4自主。

4.6 示例3：大规模多智能体编排

最深的架构视图显示，超过20个不同的智能体在数据域中运行，从运营数据、工单数据、IT数据和人类知识库中提取。编排层协调这些智能体以在几秒钟内交付响应，使车间的人员能够做出正确的决策，或者在某些情况下，允许系统自主做出决策。

这是第三阶段的实际行动：智能体不仅仅回答问题，而是从头到尾积极推动流程。

5、案例2：Krones在饮料制造领域的数字孪生革命

Krones是世界上最大的液体食品灌装和包装线制造商。拥有约20,000名员工和70年的历史，他们制造灌装、贴标和包装你在超市看到的每个瓶子和罐子的机器。他们的客户是需要快速、高效和可靠生产线的主要饮料和食品公司。

5.1 问题：每小时100,000瓶的流体动力学

Krones的灌装机运行速度高达每小时100,000瓶，相当于每瓶毫秒级。瓶子通过带有多个星轮的旋转系统移动（进料星轮、灌装转盘、出料星轮、旋盖机）。在瓶子打开且未加盖的过渡区域，内部液体暴露于离心力和旋转力，可能导致晃动和溢出。

溢出造成三个问题：效率损失、生产环境污染、无法向客户保证完美流程。工程挑战是在不触发给定瓶子形状、液体粘度和机器参数组合的溢出的情况下最大化吞吐速度。

这是一个非线性流体动力学问题，这使得它在计算上昂贵且难以解析求解。

5.2 旧方法与新架构

在与Microsoft合作之前，Krones依赖传统的计算流体动力学（CFD）模拟。单次模拟运行大约需要五个小时，并产生一个二元答案：可能会溅出，或不会。如果结果不利，工程师必须调整参数并从头开始模拟。没有动画，没有可视化，只是一个数字。

与Microsoft、NVIDIA、Ansys、CADFEM和SoftServe合作开发的新架构从根本上改变了这种工作流程：

Spillage AI（秒级）。 一个AI训练的模型提供关于给定参数集是否可能导致溢出的即时初步评估。这是筛选层。它在几秒钟内运行，而不是几小时，并告诉工程师是否需要进一步调查或可以自信地前进。

完整流体模拟（5到7分钟）。 如果Spillage AI标记潜在问题，则在Azure上运行完整的高保真CFD模拟，由NVIDIA硬件提供GPU加速。此模拟在5到7分钟内完成，而不是5小时。

数字孪生集成。 模拟结果不是作为单个数字交付的。它们被渲染为基于Omniverse的数字孪生中的完整动画。工程师可以准确看到液体在瓶子通过每个星轮过渡时如何行为。这种视觉反馈将工程工作流程从试错猜测转变为知情、快速迭代。

可扩展的Azure后端。 整个解决方案在Azure上运行，使其可跨Krones全球运营扩展。计算是弹性的：GPU实例在模拟运行时启动，空闲时缩减，使成本与使用成比例。

概念验证在仅3到4个月内完成，核心结果在大约10到12周内实现。

5.3 结果

数字说明故事：

通过Spillage AI筛选层，模拟工作量减少50%。
完整模拟时间从5小时减少到5到7分钟。
完整动画结果集成到数字孪生中进行视觉验证。
Spillage AI可以在单个模拟输入中评估灌装星轮和旋盖机中的所有可能配置，消除顺序参数扫描的需要。
在慕尼黑drinktec（2025年9月）展示，这是世界上最大的食品工业机械贸易展，获得压倒性好评。
下一个里程碑：汉诺威工业博览会2026，Krones计划在其工业元宇宙中展示跨生产线的完整数字孪生，包括塑料瓶的预制加热和干燥部分的灌装流模拟。

5.4 新商业模式

Krones的故事特别有趣的地方在于它实现的商业模式创新。他们正在开发一种称为"Ingenic"的概念，向客户引入生命周期联盟。他们不是卖机器然后离开，而是提供"软件服务作为瓶子"：客户每月获得合同承诺的特定数量瓶子，达到指定质量水平。要可靠地兑现这一承诺，你需要能够提前证明流程会起作用的AI。数字孪生和Spillage AI使这一保证成为可能。

6、理论与生产的分水岭

并排查看两个案例研究，有几个实施现实值得明确指出的。

生态系统不是可选的。 ABB和Krones都不是独自构建AI解决方案。ABB的生态系统包括Microsoft作为AI、Azure和IoT的战略合作伙伴；贡献领域知识的客户（特别是在采矿领域，地下自主矿需要深度合作）；以及帮助扩展部署的实施合作伙伴。Krones的生态系统包括Microsoft、NVIDIA（GPU计算）、Ansys（模拟软件）、CADFEM（模拟集成）和SoftServe（开发和集成）。

模式很明确：工业AI需要一个技术合作伙伴（云和AI平台）、一个领域合作伙伴（行业特定知识）、一个计算合作伙伴（用于模拟工作负载的GPU和HPC）和一个集成合作伙伴（连接OT和IT系统）。试图独自完成所有事情是试点停滞的良方。

数据质量仍然是瓶颈。 两家公司都承认，数据是单一最大推动因素和单一最大障碍。Krones坦率地说还没有专门的数据组织。ABB引用了一个发人深省的统计数据：早在2016年，只有27%的生成工业数据被使用。剩余的73%闲置在孤岛中。

来自ABB的建议很明确：在尝试构建AI模型或数字孪生之前，使用工业IoT平台将OT（运营技术）、IT（信息技术）和ET（工程技术）数据融合到上下文化的数据湖中。没有这种融合，你就是在可用信息的一小部分上构建智能。

新收入流是真正的故事。 两家公司都报告说，AI不仅优化现有运营，而且创造全新的收入流。ABB的数字和工业AI业务正接近十亿美元收入线，这在六年前还不存在。从按服务工程师小时计费客户到通过Genix Copilot提供全天候AI支持支持的转变，代表了服务商业模式的根本变化：不是派人，而是派智能体。

Krones的生命周期联盟模式（按瓶付费，质量保证）将资本设备销售转变为经常性收入关系。数字孪生使保证可信。

这也许是对商业领袖最重要的启示：智能体AI不是成本中心。它是收入引擎。

说服人们与构建技术同样重要。 ABB和Krones都强调，仅靠技术并不能推动采用。Krones建立了一个人工智能委员会，每六到八周有全体管理委员会参与，并在变革管理上投入了大量资金：培训、电子学习和整个组织的领导参与，从机械工程师到采购。ABB将数字和AI列为与盈利增长和可持续性并列的三大企业优先事项之一。当它来自高层并得到地面培训支持时，采用就会随之而来。

建议简单而普遍：当人们理解AI、能够看到可理解的输出、并感到被赋能而非被取代时，他们就会接受AI。没有人能解释的结果会产生恐惧。帮助某人把工作做得更好的清晰、可操作的见解会产生动力。

7、架构模式要点

对于架构师和工程师，以下是两个案例研究中的可重复模式：

模式1：边缘到云分层。 本地控制在边缘运行（DCS、PLC、本地控制室）。智能在云端运行（Azure AI、GenX平台）。这种分离允许在不增加物理存在的情况下扩展专业知识。远程中心的一位专家，由AI协助，可以监控多个站点的运营。

模式2：多智能体编排。 ABB和Krones都不是构建单一的庞大AI系统，而是将能力分解为由编排层协调的专门智能体（服务智能体、监控智能体、模拟智能体、知识智能体）。这镜像了应用于AI的微服务架构，并带来相同的好处：独立部署、独立扩展和可组合性。

模式3：筛选AI + 完整模拟。 Krones的两层方法（快速AI筛选，仅在需要时进行详细模拟）广泛适用于高保真计算昂贵的任何领域。使用轻量级模型进行分诊，然后仅在有保证的地方应用昂贵的计算。这种模式同时削减成本和加速决策。

模式4：数字孪生作为集成层。 数字孪生不仅仅是可视化工具。它是模拟结果、实时遥测和AI建议融合为单一运营视图的集成表面。ABB（用于流程监控的运营数字孪生）和Krones（用于设计优化的流体动力学数字孪生）都使用这种模式，为工程师提供正在发生什么、将会发生什么以及该怎么做的统一画面。

模式5：平台方法实现多行业规模。 ABB的GenX平台展示了如何用通用核心（数据摄取、AI模型托管、智能体编排）和行业特定扩展（领域模型、专门智能体、行业特定Copilot）为12个以上行业提供服务。如果你正在为多个垂直领域构建AI，请尽早投资平台层。

8、最后的想法

ABB建立了一条在六年前还不存在的近十亿美元业务线。Krones将五小时模拟压缩到七分钟，并用它来保证客户的生产成果。这些是对工业企业如何运营、竞争和赚钱的结构性改变。

最让我印象深刻的是这些实施是多么务实和扎实。没有关于通用人工智能的挥手或关于转型的模糊承诺。相反，气体分析仪带有QR码，将现场工程师连接到24/7 AI驱动的故障排除。数字孪生向你展示，在完整动画中，你的瓶子在每小时100,000瓶时是否会溢出。以及从20个数据源提取并在几秒钟内交付可操作答案的多智能体系统。

所有工具今天都在Azure上可用，现在行动的组织正在数据、领域专业知识和生态系统关系方面建立复合优势，这些优势以后将很难追上。

如果有一件事要从这一切中带走，那就是智能体AI是关于让你组织中的每个人都能访问以前被锁在专家头脑里、埋在数据孤岛中、或在决策时刻根本不可用的智能。当中东的一位现场工程师可以在不打电话给总部的情况下当场解决80%的技术问题时，这不是自动化取代工作。这是技术放大人。

原文链接: Multi-Agent Orchestration in Industrial AI: How ABB and Krones Architect Autonomous Operations

汇智网翻译整理，转载请标明出处