AVEVA 首席技术官 Arti Garg 谈工业 AI 的下一阶段：自主系统如何兼顾安全、治理与可持续
来源MIT Tech Review AI查看原文
速览
- 工业 AI 已从预测性分析转向基础模型、physical AI 与 agentic AI 的新阶段。
- 工业 AI 直接作用于物理系统，意外决策可能危及安全与关键基础设施。
- AVEVA 的负责任 AI 框架强调安全、效率与人类监督三重使命。
- Garg 主张 AI 应增强而非取代关键决策环节中的人类判断。
- IEEE P7100 工作组正推动 AI 环境影响测量的统一标准。
- 工业 AI 采用率两年增长约 78%，但治理方式仍在摸索中。
- SCG Chemicals 案例显示 AI 可靠性平台早期试点 ROI 接近 9 倍。
- 近半数工业劳动力五年内退休，经验传承成为 AI 的潜在机会。
- Garg 预计 18 个月内领域专家将借助 AI 编码自行构建应用。
MIT Technology Review 的 Business Lab 播客（与 AVEVA 合作制作）本期对话 AVEVA 首席技术官 Arti Garg，讨论工业 AI 正从传统预测性分析转向基础模型、physical AI 与 agentic AI 驱动的新阶段。Garg 指出，工业 AI 与纯数字 AI 的根本区别在于它会直接作用于物理系统，一次意外决策可能影响安全、可靠性和关键基础设施，因此负责任的部署成为核心议题。AVEVA 提出「三重使命」框架：安全、高效（含环境效率）、以及优先保障人身安全与人类监督，主张 AI 应增强而非取代关键决策环节中的人。Garg 还介绍了她担任主席的 IEEE P7100 标准工作组，该组成立于两年多前，试图为衡量 AI 在电力、能源、资源、水和碳方面的环境影响建立统一方法论。她引用数据称工业领域 AI 采用率在过去两年增长约 78%，并提到近一半（略低于一半）工业劳动力将在未来五年退休。案例方面，泰国石化公司 SCG Chemicals 基于 AVEVA Predictive Analytics 构建可靠性平台，早期试点实现近 9 倍 ROI，目前目标是将工厂可靠性提升至约 99%。
关键事实
- AVEVA 首席技术官 Arti Garg 表示，工业领域 AI 采用率在过去两年增长约 78%，她形容这是一次「阶跃函数」式的拐点。
- AVEVA 提出负责任 AI 的「三重使命」：安全、高效（含环境效率）、以及优先保障人身安全与人类监督。
- Garg 担任 IEEE P7100 标准工作组主席，该组成立于两年多前，目标是建立衡量 AI 环境影响的统一方法论，覆盖电力与能源消耗、资源使用、水消耗和碳排放。
- Garg 称目前业界没有公认的方法来衡量 AI 的环境影响，网上流传的「一次查询消耗多少加仑水或多少电」缺乏统一标准支撑。
- Garg 表示近一半（略低于一半）的工业劳动力将在未来五年内退休，这意味着大量专业经验将流失。
- 泰国石化公司 SCG Chemicals 基于 AVEVA Predictive Analytics 构建 AI 驱动的可靠性平台，早期试点 ROI 接近 9 倍，目前目标为约 99% 的工厂可靠性。
本站视角
这篇访谈的价值不在于披露了某个新产品或新数字，而在于它呈现了工业 AI 落地时最真实的一线约束，这对国内读者尤其有参照意义。具体影响的是三类人：一是做工业软件、能源与制造数字化的国内团队，他们同样面临「模型不可解释却要接入物理设备」的难题，AVEVA 提出的护栏思路（限定操作区间、只在特定区域放开自动化、保留人类监督者角色）是可以直接借鉴的工程与治理框架；二是做 Agent 与具身智能的团队，Garg 明确把 physical AI 和 agentic AI 视为推动工业自动化的两股力量，这印证了「软件 Agent 先落地、物理 Agent 后跟进」的路径判断；三是关注 AI 能耗与合规的企业，IEEE P7100 这类标准一旦成型，可能成为未来 AI 环境披露与监管的参照系，提前了解有助于应对海外客户的合规问询。我们的判断是：这篇内容属于「方向性正确但证据偏软」的一类。Garg 的核心主张——AI 增强而非取代人类、需要多层治理、要选对模型规模——在业内已接近共识，谈不上新洞见；而支撑其观点的关键数字，如 78% 的采用率增长、近 9 倍 ROI、99% 可靠性目标，均来自单一信源或厂商自身案例，且原文未给出研究出处与统计口径，读者不宜将其当作行业基准。需要特别指出的是，本文是 MIT Technology Review 旗下定制内容部门 Insights 与 AVEVA 合作制作的播客，文末明确标注「非编辑团队出品」，AVEVA 既是受访方也是赞助方，因此文中对 AVEVA 框架与产品的正面描述带有天然商业动机，应视为厂商观点而非中立评测。真正值得跟踪的观察点是：IEEE P7100 能否在各方利益分歧下真正落地为可执行标准，以及工业场景中「自动化调整设定点」的试点能否从个案扩展为可复制的模式——这两点比访谈中的乐观表述更能说明行业走到了哪一步。
背景与影响
工业 AI 并非新事物，AVEVA 在这一领域已有 20 多年积累，早期主要依赖预测性分析和专有异常检测模型等行为相对可预测的工具。近几年的变化在于模型类型：通用基础模型让更多人可以调用先进 AI 能力，physical AI 加速了机器人与自主系统的能力，agentic AI 则把自动化推进到软件层面。这三者叠加，使工业 AI 从「辅助诊断」走向「直接干预物理系统」。这意味着风险性质发生变化——过去工业软件主要面对屏幕，如今要面对泵、搅拌机、电网、矿山设备等真实物理资产，且这些资产往往处于危险环境中。Garg 提到，过去业界对结果不完全可预测的模型存在犹豫，但采用速度已明显加快。与此同时，新一代模型「按设计就难以解释」，且会随学习和调优而改变行为，这给自动化物理系统带来新的不确定性。治理层面，Garg 承认「从人类操作员到人类监督者」的转变仍在探索中，行业尚未形成成熟答案。她举例说，AVEVA 与客户合作的方案可以从运营数据和系统仿真中给出设定点建议，业界对让自动化直接调整设定点兴趣浓厚，并已有成功的真实试点，但改变工业设备设定点会让人紧张，因此需要设置操作区间等护栏。政策层面，Garg 表示各国政府正在优先关注 AI 影响的不同侧面，监管与治理路径差异明显。她同时强调，AI 采用的最大障碍往往不是技术，甚至不是数据，而是组织是否愿意改变业务流程来适配技术的长处与短处。
本文由 AI 辅助整理自公开信源，事实部分以原文为准；「本站视角」一节为编辑部判断，欢迎指正。版权归原作者所有，如有异议请联系我们。