小关对话丨德国国家工程院院士奥泰因·赫尔佐格：人工智能助力高端仪器创新

以词频为标尺，解码科技创新风向标。中关村论坛携手央视网，对2025中关村论坛年会期间近百场嘉宾演讲内容进行深度解析，通过大数据词频分析精准捕捉2025中关村论坛年会高频热词，并据此呈现「小关对话」系列内容，包括诺贝尔奖、菲尔兹奖、图灵奖等国际奖项得主在科学研究、技术孵化、产品研发、产业洞察方面的深刻见解，为中国新质生产力的培育，为面向全球的科技创新与交流指引方向。

当前，全球制造业正加速向智能化转型升级。通过AIoT（人工智能物联网）、数字孪生等技术的深度融合，智能制造正在重构传统生产范式。本期对话中国工程院外籍院士、德国国家工程院院士奥泰因·赫尔佐格，他在2025中关村论坛年会平行论坛——高端仪器创新发展论坛中分享了以下主旨演讲《人工智能助力高端仪器创新》。

演讲实录

奥泰因·赫尔佐格

尊敬的各位来宾、女士们、先生们：

今天，我将阐述人工智能如何驱动高端仪器的创新发展。本次演讲的重点并非仪器本身，而是探讨如何借助IT流程，特别是人工智能技术，实现对这些工具的效能提升。

我的演讲内容主要分为两部分：一是应用于先进制造的传感器技术与工业物联网（IoT）；二是基于人工智能的数字孪生技术，助力运营技术（OT）与信息技术（IT）的融合。

首先，让我们看一个智能集装箱的实例。得益于集成的传感器（如RFID、无线温湿度传感器）、计算单元以及外部通信设备，集装箱具备了感知环境、传输数据的能力。这种“智能化”正是传感器与计算赋予物理对象的核心价值。

另一个典型示例是可穿戴计算系统。例如，功能性纺织品可嵌入传感器，采集以往难以获取的数据；或利用人体热量发电，构建独立能源系统。进一步集成周边传感器，可赋能智能眼镜等设备。可见，传感器技术正全方位地提升着我们生活的智能化水平。

再看自动化场景：在高度自动化的环境中，机器人依赖多传感器协同完成特定任务。这要求我们部署高性能传感器、敏捷AI算法，并构建可持续的制造与物流流程。

传感器化产生了海量数据，而人工智能技术（如数字孪生）则赋能制造者深入分析这些数据。其优势在于：降低业务风险，发掘潜在能力；提升运营敏捷性、可持续性与效率；助力制造商应对供应链挑战，实现高效生产；推动企业向价值链上游移动（通过信息掌控）；赋能供应商更好地实践循环经济要求。因此，供应链的现代化改造能显著增强其敏捷性与决策效率。

对制造商而言，AI驱动的优化能显著降低成本、提升效率，涵盖规划流程、分析工具应用、库存管理、碳排放控制等领域，最终有效优化整体碳足迹。

我们正经历从物理流程向信息流程的转型。流程的各个环节均产生大量数据，通过计算与通信技术解读这些数据，能转化为有价值的信息并加以利用。

网络物理AI系统（Cyber-Physical AI Systems）通过数字孪生技术实现真实世界的数字化映射：物理世界与虚拟世界并存。虚拟世界模拟物理环境，借助计算与数据输入，优化物理世界的运行。正如之前发言人提及的机械臂案例，通过机器学习，其作业效率得以显著提升。

AI系统的核心能力在于理性化决策——选择最优行动序列以实现特定目标。这意味着网络物理环境具备一定自主性。以生产流程为例：底层是自动化与传感层；其上是监测与控制系统层；再上层是制造运营控制层；顶层则是整体物流规划系统层。各层级遵循企业及应用标准，需将传感器深度嵌入价值链，并需关注不同层级的时间尺度差异：顶层规划层：月/日/年；运营控制层：分钟/秒；监测控制层：微秒级；传感层：毫秒级。

因此，智能工厂的网络基础设施必须优先考虑通信延迟。解决方案包括：云层部署；边缘/节点层计算（处理无法及时上传至云的传感器数据）。

我们将延迟要求划分为0级（智能物体/工具层）至4级。在整体架构中，传统互联网在0-2级作用有限。端侧（3级）需更多本地化部署，以满足低延迟需求，例如运动控制所需的1微秒级延迟。数据必须及时送达，才能实现自动化控制与安全保障。系统设计必须满足严格的时序要求，否则将（引发控制）失效。

工业物联网（IIoT）的实践要求我们扩展互联网架构，部署IP传感器并利用边缘计算。边缘计算作为一种分布式计算范式至关重要，它在带宽有限的情况下，将计算与数据存储靠近用户或需求端，确保设备响应及时。其理念可追溯至20世纪90年代末的内容分发网络（CDN），后者通过靠近用户的边缘服务器提供网页与视频服务。

我们采用类似架构部署数字孪生，在边缘提供实时传感能力。在边缘侧收集并筛选传感器数据，再传输至企业云进行大数据分析，是实现韧性智能制造控制的关键。靠近传感器能更有效地监控和解读数据，理解其含义。

数据处理层级可概括为：数据层——原始传感器读数；信息层——通过算法解读数据关系，赋予语义；知识层——添加上下文语境，形成结构化知识。在此基础之上，整合人工智能（如神经网络、大语言模型LLMs）可实现知识发现、动态知识构建。LLMs可部署于本地系统或云端。

那么，数字孪生如何定义并助力工业生产？尽管许多领域尚未完全数字化，但可持续的高端制造业亟需数字化转型。生产环节部署的众多传感器（如机械手状态、温度、湿度、位置传感器等）持续采集数据。可持续性目标要求全局优化各流程，最大化资产运行时间，减少维护停机。

实现这一目标的关键在于：从传感器获取准确数据，利用数字化工具实现可视化监控，满足安全访问控制与脱碳要求。这需要融合传感器数据、IIoT与AI方法，推动数字化转型。具体技术包括多智能体系统（MAS）、信息技术（IT）、运营技术（OT）和分布式数字孪生。

以机器设备为例，众多传感器提供数据。在数字环境中，模型精确知晓设备在物理世界中的目标位置（数字模拟物理）。数字孪生覆盖产品设计、生产到交付的全生命周期，可模拟产品性能、记录并优化碳排放。它本质上是物理实体、流程或服务的虚拟映射，融合大数据分析、仿真技术，用于性能与碳足迹评估。虽然尚未成为工业标准配置，但基于传感器数据与工业自动化测量，数字孪生已展现出强大潜力。

数字孪生主要有三种模式：

• 数字孪生（Digital Twin）：数字对象与物理对象间存在双向、集成的数据交换。数字模型通过接收数据模拟物理对象，并可能反向控制物理对象。
• 数字影子（Digital Shadow）：仅存在从物理对象到数字对象的单向自动化数据流。数字对象是物理对象的影像（无反向控制）。
• 数字模型（Digital Model）：静态的数字化表示，无自动化数据流。

例如，一个机械臂可拥有数字孪生体，通过它控制实体机械臂。多个数字孪生体可相互通信、协作或竞争，实现协同控制。

在生成式数字孪生体（Generative Digital Twins）的构建中，我们采用多智能体（MAS）技术，模拟业务流程、物流控制等复杂场景。多智能体系统可利用LLMs获取知识、整合企业数据，并通过系统优化、分布式生产计划与控制，以及应对非预期事件来实现目标。

数字孪生体支持多智能体监测与协作，实现系统范围优化与分布式规划。在分布式制造与物流管理中，MAS可对各种情景（如碳中和、循环经济）建模、模拟，优化规划决策，模拟动态流程，并协同解读远程传感器数据。每个数字孪生体可关联一系列传感器与小模型。其架构设计强调可扩展性、安全性与模块化，支持生产计划的生成与验证（通过孪生体间交互），以及基于知识的规划。底层依赖强大的硬件、云平台托管基础模型。企业可通过模型枢纽（Model Hub）管理这些模型，确保数据透明可控。模型枢纽整合数字孪生，并利用LLMs解读传感器数据。

数字孪生体集成物联网传感器、可编程逻辑控制器（PLC）、物联网网关，实现实时数据流传输与边缘计算。它支持：可组合架构、AI驱动的监测、3D可视化、生产流程优化、异常检测、预测性维护。作为工厂的同步虚拟副本，数字孪生系统实现了实时监测、流程优化、预测性分析与远程操作控制。

其“从边缘到云端”的架构确保了跨工业环境的可扩展性与效率，具体价值体现在——提升运营效率：实时监测与异常检测减少停机，提高生产力；预测性维护：AI/ML算法预先识别故障，支持主动干预；可扩展性与灵活性：可组合架构适应多样化工业用例。数字孪生最终通过物联网连接与云平台集成，并融入业务流程与生态系统，数据通过各类网关从端侧汇入云端。

人工智能与高端仪器产生的数据，共同构成了宝贵的数字化资产。数字化是制造业、物流业及各流程升级的基石。对高端仪器数据进行AI分析，是构建有效模型的基础。结合专用大语言模型的数字孪生系统，是建模制造与物流流程的首选技术，涵盖工厂规划与运营等领域，助力实现高效、韧性的制造与物流体系。

我的分享到此结束。感谢各位的聆听！

注：本文来源于2025中关村论坛年会嘉宾现场演讲速记，文中内容仅代表专家个人观点