在德語裡，「eigen」有自身、固有之意。工程師更熟悉它在eigenvalue和eigenvector中的用法，也就是特徵值與特徵向量。在線性變換中，大多數向量的方向和長度都會改變，特徵向量經過變換後卻仍與原來的方向平行，只按照對應的特徵值伸縮。
西門子借這個名字表達一種設想：AI環境快速變化，工程能力仍能保持穩定。由此也引出了一個適合工業AI的問題。模型、軟體和完成任務的方式都在改變的時候，工廠里有哪些東西不能跟著變化？
2026年7月18日，西門子在WAIC 2026期間舉行「工業AI邁進現實——西門子Eigen工程智能體發布會」，正式面向中國市場發售Eigen Engineering Agent（Eigen工程智能體）。西門子全球執行副總裁、西門子中國董事長、總裁兼首席執行官肖松從廠長視角談起。
他舉的是一台具身智能
設備準備進廠的例子。廠長通常不會追問它採用哪一種模型架構，也很少關心模型有多少參數。他想知道的是，設備能否穩定完成任務，部署需要多久，要投入多少人，失誤率多高，以及原有系統要為它做多大改造。
這些問題都指向新技術進入工廠後的實際後果。一次聊天回答可以重來，產線上的錯誤會變成返工、停機和安全風險；一款消費軟體幾個月便可換代，工廠里的機器卻可能連續運行十年。已有設備仍要運行，生產節拍不能被輕易打斷，企業標準必須繼續有效，出現異常時還要有人負責。模型可以變，工廠賴以運轉的這些條件不能一起漂移。
肖松借具身設備說明的是工業AI要接受怎樣的審視。Eigen工程智能體工作的環節非常靠前，它參與自動化工程師為整套機器所做的設計、配置和調試。它生成的PLC代碼、HMI內容和設備配置，最終也會進入真實生產系統。設備進廠與代碼進入產線，由此自然會遇到相同的約束。
當天，我在西門子的WAIC展台上看到了這種聯繫。一台由西門子與北辰循環聯合研發的電池模組智能拆解原型機正在工作：設備掃描並識別不同規格的退役電池模組，工作人員在螢幕上覆核，後續拆解由機器自動完成。西門子披露，這台原型機的開發過程使用了Eigen工程智能體，以提高自動化工程的實施效率。
設備中的AI模型負責識別電池，機械裝置完成鑽孔和拆解，Eigen工程智能體參與上游的工程開發。工程師用它組織設備關係、控制邏輯和操作界面，螢幕上的工程任務經過這些環節，才變成現場連續發生的機器動作。
西門子把這個工作過程稱為「automating automation」——過去，人用自動化系統控制機器；現在，自動化系統的建造過程也開始由AI參與。
為什麼先從自動化工程下手
一條產線投入運行之前，硬體到位只是長途跋涉的第一步。工程師還要把設備、傳感器、電機和生產工藝組織成可以執行的系統。
PLC，也就是可編程邏輯控制器，負責把生產步驟變成機器能夠執行的控制邏輯；HMI是操作人員查看狀態、調整參數的人機界面。設備怎樣連接，動作按什麼順序發生，異常時在哪裡停下來，都要寫進工程項目。
TIA Portal是西門子為這類工作提供的集成工程平台。自動化工程師在其中配置硬體、編寫PLC程序、設計HMI畫面，並管理項目里的數據塊、參數和組件關係。Eigen進入以後，智能體也能在同一套項目環境裡讀取設備關係、調用企業標準，並與工程師共同完成配置、編程和檢查。
當用戶提出「修改三號工位的控制邏輯」，進入TIA Portal項目的Eigen工程智能體可以繼續向下讀取：三號工位由哪些設備組成，哪些程序塊控制它，客戶採用什麼標準，這次修改又會碰到哪些已有配置。
這些項目上下文決定了一段代碼能否使用。相同的要求放進不同工廠、不同設備型號和不同企業規範里，答案可能完全不同。Eigen工程智能體會理解並拆解任務，生成PLC邏輯、HMI內容或設備配置，再按照項目要求檢查結果并疊代，工程師在關鍵節點審核。
西門子公布的試點數據稱，部分工作流的執行速度達到人工方式的2至5倍，工程效率最高提升50%，整體解決方案質量最高提升80%。這些數字來自100多家企業、19個國家的試點，實際效果仍會隨任務和工況變化。
自動化工程還有一個適合智能體早期落地的特點：錯誤可以在進入物理世界之前暴露。程序可以編譯，配置可以對照標準，改動可以留痕，一部分結果還可以先在仿真或測試環境中運行。AI生成的內容已經接近真實生產，工程師仍能在下發之前拒絕它。
編碼智能體的發展提供了一個參照。網際網路上的大量代碼為模型訓練提供了條件，軟體行業現成的檢查機制同樣關鍵。代碼被放進獨立分支，編譯器和自動化測試尋找錯誤，人工審核通過後才能合併，出現問題還可以回滾版本。模型寫代碼的能力與這條驗證鏈一起發展，機器才逐漸承擔起更多編碼任務。
Eigen工程智能體也被放進了一條類似的驗證鏈。TIA Portal保存項目事實，設備關係、項目結構和客戶標準構成它執行任務時的約束；編譯、測試和工程師審核決定結果能否繼續向前。企業可以先審核一次修改，再逐步交出更多任務。對智能體的信任，不必等到它在真實產線上犯錯之後才建立。
同一套Eigen工程智能體，不同的效益賬本
論壇上，西門子的合作夥伴也給出了它們的視角。
中科摩通講的是交付賬。這是一家新能源汽車智能裝備集成商，接受車企訂單，為特定車型和工藝設計生產設備，再把機械、電氣、控制程序和現場調試組合成一條能夠交付的線。客戶產品一變，設備配置和程序往往也要跟著調整，因此被稱為「非標」項目。
中科摩通創始人趙丹介紹，一條產線僅組態和工程配置就可能需要兩三周。客戶修改產品或工藝後，工程師還要重新調整大量程序。重複勞動拖慢整個項目的交付，影響遠遠大於某一個人的編碼速度：自動化工程師要理解機械設計，軟體團隊要確認設備關係，資深人員要覆核標準，修改又會沿著這些環節重新走一遍。
在雙方合作的一套電動汽車電子機械制動系統設備中，西門子披露，Eigen工程智能體使程序開發時間和現場調試周期分別縮短30%，人工與物料損耗降低10%。如果這些效率能夠在更多項目中穩定復現，它們會逐漸反映在交付能力和項目成本上；對於按照里程碑結算的項目，也可能影響回款速度。同樣數量的資深工程師便可能同時照看更多項目，新成員也可以直接詢問已有工程結構，少花一些時間摸清程序塊和設備的關係。
系統集成商很難只靠增加工程師擴大業務。團隊越大，培訓、交接、監督和版本管理占用的高手時間越多，不同工程師對同一標準的理解也可能出現偏差。Eigen工程智能體把成熟模板、客戶規則和項目關係變成可查詢、可執行的工作流，省下來的便不止編程時間，還包括組織內部反覆解釋和覆核的成本。
中科摩通交付的設備，最終會進入車企的生產線，比如長安汽車。到了主機廠一端，衡量Eigen工程智能體的尺度隨之改變。車企既是生產線的使用者，也是停機後直接承擔損失的一方。消費者要求更多車型和個性化配置，汽車企業需要加快產品疊代，卻不可能為每款新產品重建一條生產線。製造系統要在較長的設備壽命中吸收產品變化，大量工藝調整和自動化工程工作由此產生。
長安汽車製造中心智能製造所所長陳浩明給Eigen工程智能體的定義是「穩定夥伴」。他劃出的能力邊界很清楚：AI的加入不能影響現有節拍，更不能造成停機停線。長安會分階段實施，先在非關鍵工位試點，確認效果後再擴大範圍，理想狀態接近即插即用。對車企而言，換型速度、產線柔性和設備利用率共同決定Eigen工程智能體的價值；一項修改能否在不中斷生產的條件下完成，往往比生成代碼快了多少更重要。
同一項工程效率，沿著產業鏈被記入了不同的賬本。系統集成商關心交付周期、項目成本和回款速度，主機廠關心換型速度、設備利用率和生產連續性。前一筆賬已經出現程序開發和調試周期縮短的結果，後一筆賬仍要經過非關鍵工位、生產節拍和長期運行的檢驗。
中科摩通希望Eigen工程智能體省去的編程和配置，也恰好是年輕工程師熟悉項目、認識設備、積累異常經驗的過程。效率繼續向前推進，人才培養的問題隨之來到眼前。
工程師的位置變了，經驗也在換一種傳法
AI Coding爆火之後，編碼智能體取代人類工程師的討論不絕於耳。到了工業現場，崗位數量會怎樣變化尚無統一答案，工作內容的變化卻已經可以看見。
Eigen工程智能體接手一部分編程和配置後，工程師的時間開始轉向定義目標、檢查結果、處理異常，以及判斷一項修改能否進入生產。工作從「逐行完成」轉向「對整個結果負責」，所需經驗反而更接近資深工程師。
工業界對這種分工並不陌生。豐田生產方式中的「自働化」（jidoka）常被解釋為帶有人類智慧的自動化：機器發現異常便停下來，質量檢查直接發生在生產過程中。人無需持續盯住每一個正常動作，主要精力轉向設定標準、處理例外和改善系統。自主系統也因此需要明確的停機條件和升級路徑。
Eigen工程智能體保留了工程師審核。模型可以提出方案和執行步驟，企業仍要定義什麼叫合格、哪些偏差可以接受、誰有權批准下發。工程師確認屬於質量體系和生產責任的一部分。未來模型能力繼續提高，人工介入的位置和頻率可能變化，審批責任仍會留在生產體系里。
年輕工程師面對的則是一條正在改變的成長路徑。閱讀項目、修改程序、跟著故障一步步排查，包含大量重複勞動，也是新人理解設備關係和工藝約束的過程。Eigen工程智能體省去了其中一部分工作，也使企業有機會重新安排經驗怎樣傳給下一代工程師。
工業經驗有相當一部分無法完整寫進手冊。老工程師聽到設備異響會懷疑某個部件，看到工藝波動會聯想到上游條件，這些判斷來自多年操作、排故和復盤。上海電氣中央研究院高級工程師譚宏志在討論預測性維護時介紹，他的團隊招來數據分析和AI人員後，會先讓他們進入工廠，有人待三個月，有人待半年甚至一年。看懂設備怎樣運行、物理約束從哪裡來以後，工程師才知道數據代表什麼，模型又必須遵守哪些邊界。
人因工程學者Lisanne Bainbridge早在1983年就概括過「自動化的諷刺」：系統承擔了大部分正常操作以後，人依然要處理最少見、最困難的異常；而當人不再持續參與日常操作，維持手工和認知技能會變得更加困難。
Eigen工程智能體反而提供了一種緩解這種諷刺的可能。傳統自動化主要接手正常操作，異常怎樣判斷、為什麼這樣處理，往往仍留在老師傅的記憶和零散文檔里。Eigen工程智能體本來就要讀取項目關係、企業標準和歷史配置；如果故障復盤、審核意見和項目修改記錄也能進入它的工作上下文，那些曾經遇到過的邊界情況，就不必每次都從頭摸索。
相似問題再次出現時，工程師可以追溯過去改了什麼、為什麼這樣改，以及哪一條企業標準由此形成。新人也可以審查Eigen工程智能體的改動，參與故障復盤和現場輪崗，在仿真環境裡訓練異常接管。過去，自動化拿走了大量日常操作；智能體則有機會把處理例外的過程留在系統里，變成下一次工程任務可以調用的經驗。
西門子在此次中國發布中表示，正在建設AI與自動化人才培訓和能力認證體系。工具使用只是其中一部分，工程師還要獲得審核和接管所需要的經驗。
工廠里的變化發生在積累之上
Eigen工程智能體進入歷史項目後，一類過去常被視作負擔的東西，有了重新利用的可能。
中國不少工廠經歷過多輪建設和改造，設備、程序和工程文件來自不同年代。它們一面構成維護新系統時繞不開的歷史負擔，另一面也保存著工廠過去怎樣配置設備、修改程序和處理問題的記錄。只是這些知識往往分散在項目文件、控制程序和老師傅的經驗里，很難查詢，更難在新項目中直接復用。
西門子稱，Eigen工程智能體能夠處理部分遺留或文檔不完整的項目。如果它可以讀懂這些項目之間的關係，把過去的程序、配置和企業標準重新變得可查詢、可調用，企業得到的就不只是一次編程提速，而是讓多年積累的工程知識重新參與今天的生產。
這類積累並不限於自動化程序。展台的另一處，西門子展示了用於奶粉噴霧乾燥的工藝數字孿生。飛鶴一座38米高的乾燥塔里，進料量、風量和溫濕度不斷變化，過去要等成品出來，操作人員才知道奶粉含水量是否偏離目標。gPROMS把工藝知識、實時數據和過程模型放在一起，在成品出塔之前預測含水量的變化，並把計算結果用於參數調整。
這套系統最後衡量的，仍是奶粉含水量、乾燥塔能耗和產量。西門子長期做的事情，是先理解一個物理過程，再把這種理解變成可以設計、執行和調整的工程系統。Eigen工程智能體改變了完成工程任務的人機分工，起點仍然是設備、工藝和項目之間已經存在的關係。
當一家企業里的模型、應用和智能體繼續增加，問題還會從單個工程項目延伸到彼此之間怎樣協同。西門子在WAIC展出的工業AI編排軟體Intelligence Center X，處理數據、工作流、權限和決策記錄之間的關係。智能體可以越來越多，企業仍要知道它們調用了什麼、修改了什麼，出了問題又該從哪裡查起。
從工藝模型到自動化工程，再到多個智能系統的管理，產品形態一直在變化，工業處理技術的次序卻沒有因此顛倒：先看清現場發生了什麼，再決定系統可以做什麼，最後讓每一次改變都能接受檢查並進入長期運行。這種方法形成於AI之前，也構成西門子把AI帶入工業現場的基礎。
對西門子而言，模型之外還有一項更難複製的基礎。客戶的項目文件、工藝知識和企業標準仍然屬於客戶，TIA Portal等工程環境卻長期處在這些知識被使用、修改和驗證的位置。模型可以採購和替換，多年形成的設備關係、程序結構和工程習慣卻很難整體遷移。誰更接近這些日常工作，誰就更有機會成為AI進入工業系統的入口。
目前，Eigen工程智能體的能力主要建立在TIA Portal等西門子已有的工程環境中。中國工廠里的設備和軟體來自不同年代、不同供應商，工藝數據還散落在彼此隔離的系統里。這也留下了下一步：繼續連接這些異構資產，在處理權限與工藝保密的同時，讓更多年代的項目和異常經驗能夠被重新調用。
舊設備也很少同時退場。一台機器在電子行業可能使用兩年，在其他行業可能運行十年甚至十五年，期間生產的產品會變，控制它的模型和軟體也會多次更新。企業每引入一項新能力，都要保證舊資產還能繼續運行，歷史項目仍能維護，下一次異常仍有人接管。
工廠不會為一個新模型重新開始。下一次修改，仍要接著十年前的設備、上一輪留下的程序和今天正在運行的生產節拍往下做。有了Eigen工程智能體，這些過去不必只留在舊文件和老師傅的記憶里。
