研华物联网自动化事业群
副总经理林清波
作为工业AI实践的先行者，研华的战略迭代始终与产业节奏同频。从硬件供应商到软硬整合的方案提供者，再到工业AI落地赋能者，研华的发展路径也折射出整个工业智能化的发展脉络。那么，研华将如何推动工业AI从单点试点走向规模化复制？带着这一问题，工控网与研华物联网自动化事业群副总经理林清波进行了一次深度对话。
01
破解转型难题，夯实数据基础
企业在推进数字化转型时，普遍会遇到数据与应用层面的各类问题，痛点主要分布在数据采集、分析利用、技术、组织管理等多个维度。对此，林清波表示：“在所有转型挑战中，组织管理层面的协同矛盾，远比技术问题更为棘手。”
传统自动化项目以产线效率最大化为目标，仅需自动化部门主导即可推进。但当企业向智能化与自主化运营升级，IT、供应链、生产运营等多个部门均被卷入，原本以人为核心的管理逻辑就转变为以数据为核心。这种变化导致各部门间目标难以对齐，内部形成不同方向的“拉力”，转型的核心难点也从技术落地，转变为跨部门的共识构建与协同管理。
在数据层面，林清波指出，现场数据的采集已不再是难题，研华提供面向不同行业的数据采集解决方案。真正的难点在于IT数据的整合。IT侧的数据必须汇入数字化平台才能为自主运营创造价值，但是IT数据标准化程度较低，导致IT与OT融合虽不存在核心技术障碍，但仍需要耗费大量时间。
针对这一问题，研华通过EdgeLink实现多协议工业数据采集，覆盖各类现场设备的通讯需求，通过IoTEdge软件平台对接主流IT数据库，为客户搭建数据治理的底层架构，解决数据整合难题。
02
软硬协同
全栈底座筑牢智能应用根基
当多数企业完成基础的数据采集整合后，如何充分释放数据价值，跑通从边缘AI推理到现场执行的完整闭环，则是企业智能化深化阶段面临的核心考题。
在边缘AI应用层，研华推出WEDA（WISE-Edge Developer Architecture）边缘智能开发者架构，为开发者提供统一的边缘AI开发与部署架构。无论是X86、ARM还是NVIDIA GPU架构的硬件，都可以通过WEDA做统一适配，从而更高效地开发AI Agent、数字孪生及边缘AI应用。
林清波强调，WEDA本身不包含任何工业应用或模型，其定位是开发平台与生态构建工具，目的是降低AI应用的开发门槛。开发者只需要聚焦自身行业专属的小模型与AI推理逻辑，无需耗费精力调试GPU资源调用。
换言之，WEDA的核心作用是解决硬件、软件与AI的适配难题，把边缘AI应用的创新空间留给伙伴和客户。同时，研华也在搭建WEDA生态市集，未来伙伴基于WEDA开发的AI应用，都可以在市集中展示、整合，通过生态共建加速产业发展。
在边缘平台层，研华以WISE软件平台做支撑。除了传统的数据采集、数据规整能力，还提供AI应用开发套件，支持对接外部大模型，承载行业小模型推理。这也是研华WISE平台的核心升级方向，在保留原有数据平台能力的基础上，进一步升级为AI应用开发平台，让所有客户都能基于WISE平台开发自己的AI智能体应用。
针对行业普遍关注的大模型与小模型技术路线选择，林清波也给出了明确判断。他认为，通用大模型无需企业自主研发，借助外部成熟资源即可，行业落地的决胜点始终在工业小模型。但他同时强调：“没有大模型的框架支撑，小模型就只能停留在专案式开发，很难规模化复制。大模型搭框架、小模型落场景，两者结合才能打破定制化项目的局限，从而解决工业AI落地复用难的痛点。”
正是基于这样的技术路线与平台能力，研华对工业智能体的落地形成了清晰的实践逻辑。在林清波看来，智能体是工业智能化的核心落地方向，但其落地绝非简单部署服务器即可实现。完整的工业智能体包含三大核心要素，分别是思考（Thinking）、连接（Connect）、技能（Skill）。
思考（Thinking）
思考需要依托外部成熟的大语言模型，强化语义理解与逻辑推理能力。
连接（Connect）
连接建立在设备联网与数据采集基础之上。
技能（Skill）
技能对应各垂直行业的专业知识，需要联合产业伙伴共同沉淀与开发。
三大要素的深度融合，才能形成从感知、分析、决策到执行的完整闭环。林清波同时强调，工厂智能化升级不适合搭建大而全的统一平台，更合理的方式是构建多个独立的AI智能体，通过统一框架实现协同调度，避免系统过度复杂导致的落地失败。
林清波认为，一个完整的工业智能体需要具备Thinking（思考）、Connect（连接）与Skill（技能）三大能力。其中，Thinking依托大模型完成理解与推理，Connect实现设备与数据连接，Skill则沉淀行业Know-how。三者协同，才能真正实现工业AI从感知到执行的完整闭环。
03
锚定核心赛道深耕
以开放平台释放场景价值
工业场景天然具备多样性与碎片化特征，任何单一厂商都无法覆盖全部应用需求，生态共建已是行业共识。在此背景下，研华的角色也从软硬件产品供应商，逐步转向平台生态的共建者，通过开放的技术体系与完善的赋能机制，联合伙伴共同挖掘工业场景的深层价值。
在场景布局上，研华重点聚焦制造与能源两大核心赛道，将技术能力与行业痛点深度结合，落地可量化的业务价值。
制造业的核心诉求，已经从数据展示转向价值创造，具体体现在效率提升与竞争力构建两个维度。品质提升、交付稳定、成本优化，都是制造业智能化的核心价值。这些价值落地，都离不开边缘端的应用支撑。
视觉是当前制造业增长最快的AI落地方向，分为传统的机器视觉检测与行为判别。前者聚焦产品缺陷、尺寸公差等质量检测，后者则用于识别生产行为是否规范。
两类视觉检测的结果均可接入AI智能体，实现从异常识别到决策处置的完整闭环，相比传统仅记录告警的模式，能够主动输出处置建议，并对潜在风险进行预警。
研华的落地路径围绕节能和减碳两大方向展开。林清波指出，真正显著的节能效果必须与设备改造、储能系统结合，进行峰谷调配。目前，研华的布局已从能源监控分析，转向能源、新能源、储能协同调度等场景。同时，面向欧美市场对碳排放的迫切需求，研华也在重点布局从设备到产品的精准碳足迹核算能力。
“传统的套装软件模式难以适配不同行业、不同场景的差异化需求，不仅客制化改造成本高且难以实现跨场景复制。为此，研华正推动软件产品从套装模式向开放平台转型。”林清波说道。研华将复杂的工业应用拆解为思考、连接、技能三个可以自由组合的维度，并通过MCP开放协议实现统一调用与整合。“我们会先搭建通用的基础技能库，客户可以基于标准接口，自由搭配所需的技能，搭建专属的智能体。针对细分行业的专业技能，则联合行业伙伴共同丰富技能库的覆盖范围。”林清波解释道。
在林清波看来，这种开放平台模式最大的优势在于可复制。他向工控网介绍：“基于研华即将推出的IWS（Integrated WISE Solution & Station）软硬整合产品平台，客户不再需要为每一个不同的场景需求进行定制开发，而是可以基于开放平台和技能模块，快速搭建适配自身需求的AI智能体。即使需求出现变化，也可以快速迭代调整。最终形成的是一套可持续进化的系统，而非功能固定的套装软件。”
目前，工业AI的发展已经进入价值落地的深水区，技术路线与商业模式都在经历深刻重构。研华凭借深厚的经验积累，以开放的技术架构与生态策略，为产业搭建了可复用的智能化底座，也为行业探索出一条协同共建的落地路径。随着更多行业伙伴的加入与技术的持续迭代，工业AI的价值将在更多细分场景得到释放，推动整个工业向自主化、智能化方向持续演进。
