6月23日至25日，世界经济论坛第十七届新领军者年会（即“2026夏季达沃斯论坛”）在大连举行。6月24日，高科技企业霍尼韦尔大中华区总裁余锋接受了《每日经济新闻》记者专访。

　　作为最早进入中国的外企之一，霍尼韦尔于1935年进入中国市场，至今已深耕90余年。余锋表示，当下庞大且复杂的中国工业体系是工业AI（人工智能）天然的“压力测试场”。能在中国复杂工业环境跑通、跑稳的AI方案，自然具备跨行业、跨场景复制的潜在通用能力，有望形成可广泛推广的标杆范式。

　　谈及工业领域的AI，余锋认为，如果通用大模型追求的是“普适”，那么工业领域的AI则需坚守“精准、可靠、可解释”的核心底线。工业世界不会盲目追逐“先进”，只接受那些经过验证、值得信任的技术。

　　工业AI需坚守“精准、可靠、可解释”的核心底线

　　NBD：在您看来，工业AI和通用大模型应用最大的差异是什么？工业场景对AI提出了哪些特殊要求？

　　余锋：如果通用大模型追求的是“普适”，那么工业领域的AI则需坚守“精准、可靠、可解释”的核心底线。当AI嵌入真实的生产设备与运营流程，机器从执行工具演进为能听、能看、能思考、能协作的“数字工人”，它需要将历史与实时数据结合，转化为可执行的运营洞察，而非仅仅生成文本或图像。

　　工业场景对AI提出了远高于互联网场景的要求。首先是对安全与确定性的极致要求，工业体系不会因为技术先进就盲目信任，它只接受经过长期验证、能够追溯责任的方案，所以AI的决策必须透明、可解释。

　　其次是对高可靠数据与深刻行业理解的依赖，工业数据长期被孤立封存，行业经验高度碎片化。将这些数据收集、清理、集成，是AI有效学习工业规律的基础。同时，AI还必须理解工艺逻辑、设备行为和生产约束。同一组数据，在不同工艺下，其物理意义可能截然不同。

　　最后是对可解释性与责任归属的明确要求，传统PLC（可编程逻辑控制器）等控制系统基于预设逻辑运行，结果可验证、可追溯。而AI算法具有概率性特征，一旦出错，往往难以解释原因、界定责任。这种不确定性在工业场景中难以被接受。

　　工业AI不能“为了数字化而数字化”，必须与实际业务紧密结合

　　NBD：您认为当前工业AI规模化应用最大的障碍是什么？

　　余锋：结合霍尼韦尔在全球工业领域，特别是在中国市场的实践经验来看，我认为工业AI规模化落地目前有三个相互关联的瓶颈：

　　第一，数据孤岛与数据治理的缺失，是阻碍AI规模化应用的首要障碍。AI的核心是数据，但许多企业的生产和质量数据往往分散在不同的系统和部门，形成了数据孤岛。很多企业虽然拥有庞大的数据，但如何筛选和处理关键数据依然是十分棘手的问题。只有在数据能够被带到现场并实时投入使用时，AI的价值才能真正发挥出来。

　　第二，专业人才和复合型人才的匮乏，制约了AI的落地与规模化进程。许多企业同时面临着人才流失和人员技能结构性短缺的挑战。随着熟练工逐渐退休，岗位人员流动性加剧，导致不同班次的产出波动大。更重要的是，既懂AI技术又懂工业现场业务的复合型人才极为稀缺，这导致即使引进了先进的AI工具，也往往难以在企业内部深度应用和持续迭代。如何让一线人员掌握并用好AI工具，也是工业AI规模化的关键命题。

　　第三，应用场景的识别不清与价值难以量化。工业AI不能“为了数字化而数字化”，必须与实际业务紧密结合。如果业务部门与技术部门对AI的能力理解不一，就很难向管理层证明投入的价值，从而无法获得持续的资源支持。企业转型需要建立在切实的效益之上，这种效益可以是经济效益，也可以是环保效益或社会效益。只有当AI的投入产出比清晰可见、可衡量时，企业才有动力将AI从试点扩大到整个生产网络。

　　庞大且复杂的中国工业体系，是工业AI天然的“压力测试场”

　　NBD：中国制造业体系规模大、产业链完整，行业场景也非常复杂。您认为这种复杂性对工业AI落地意味着什么？

　　余锋：中国制造业细分赛道多、生产工况杂、新旧产线并存，通用型方案很难直接套用，这也是很多技术进入中国制造业后水土不服、难以规模化的核心原因。

　　但从产业长期发展来看，这种高复杂度的场景优势，能够促进工业AI技术迭代，形成全面、具有普适性的方案。庞大且复杂的中国工业体系，是工业AI天然的“压力测试场”。多样的生产场景、复杂的工况变量、不同行业的运营逻辑，能够持续打磨技术的适配性、稳定性与容错性。能在中国复杂工业环境跑通、跑稳的AI方案，自然具备跨行业、跨场景复制的潜在通用能力，有望形成可广泛推广的标杆范式。

　　NBD：霍尼韦尔多年来一直秉持“东方服务东方”战略，也强调本土化创新。进入AI和工业自主化时代后，这一战略是否有了新的内涵？

　　余锋：过去我们讲本土化，更多侧重于制造、供应链的国产化。但现在，我们强调的“本土化”已经全面升级，从深刻洞察市场需求到产品定义、技术研发，再到制造交付的完整价值链，都要深深扎根于中国。

　　研发模式的转变很重要。过去我们更多是把海外已经成熟的产品做本地化微调，现在中国市场的数字化、绿色化转型速度很快，很多场景的复杂度和独特性没有海外经验可以直接照搬，我们必须从“本地适配”走向“从0到1”的创新，以客户需求为起点，持续迭代，让创新在中国本土生根发芽、不断演进，打造真正契合中国市场的解决方案。

　　随着AI和工业技术的深度融合，单靠一家企业的能力远远不够，我们要让创新从“企业内部循环”变成“产业生态循环”。

　　未来我们在中国跑通的工业AI落地路径，经过验证的低碳智造方案等，可以复制到更多市场，把中国本土的创新能力变成全球产业升级的共享经验。