如果你還沒怎么聽說過Agentic AI（代理式人工智能），那可得做好準備，因為你很快就會經常聽到它了。

為什么呢？因為它正迅速成為工業運營軟件中AI應用的一個重要組成部分 —— 就像我們見證過的AI數據分析，以及最近在工業AI助手和Co-pilot技術中應用的生成式AI一樣。

為了說明Agentic AI在工業生產運營中的適用性，AVEVA 公司日前在美國舊金山舉辦的 2025 年 AVEVA World 大會上進行了一場精彩的演示，展示了其即將推出的、運行在微軟 Azure OpenAI 服務平臺上的工業AI助手。

AVEVA的首席技術專家 Arti Garg 首先解釋說，AI代理是一個利用AI執行任務的系統，它通過訪問系統數據（如運行溫度、壓力細節或安全指標）來實現這一目的。關鍵在于，基于用戶的指令，AI代理可以收集所需數據，為用戶創建展示其所需信息的儀表盤，而無需為新的儀表盤可視化界面編寫復雜代碼。

這些 AI 代理還可以與子代理合作，這些子代理知道如何為資產監控儀表板等選擇和檢索正確的數據。在這里，AI代理不僅僅是構建控制面板，還可以為它正在監控的資產建議正確的作閾值并創建警報。

“這里真正需要理解的關鍵是，AI 代理可以通過利用其上下文知識自主完成這些任務，”Garg說，“正是Agentic AI的這種自主性具有為工業帶來新效率提升的巨大潛力。它將改變我們今天開展工作的方式。”

創建工業資產監控代理

在演示中，Garg 和 AVEVA 研發執行副總裁 Iju Vijaya Raj 展示了想要對冷凝器進行計劃外優化的作員如何使用Agentic AI 來完成這項任務。

演示使用的初始儀表盤視圖來自 AVEVA 的工業智能平臺Connect，它可用于跨多個站點和數據類型匯總、整理和共享信息，從而為企業提供整體視圖。該儀表盤視圖展示了一座發電廠中空氣冷卻式冷凝器的情境化數據。

圖：通過Agentic AI協調數據問題。圖片來源：AVEVA

在此示例中，作員擔心工廠性能下降，希望評估結垢對冷凝器的影響，并要求工業 AI 助手監控其性能并診斷發現的任何問題。

基于這一指令，AI助手檢索出部署在發電廠的可用代理列表，以確認是否已為該冷凝器開發了這樣的監測代理。發現尚未設置后，它詢問操作人員是否應該創建并在該設備上部署一個監測代理。

然后，操作人員要求AI助手創建一個冷凝器監測代理，并基于可能影響其性能的相關參數，對該代理進行訓練，使其能夠監測設備的有功功率和汽輪機排汽壓力。收到指令后，AI助手啟動代理創建過程，并向操作人員可視化展示過程細節，以保證透明度。

這種透明度對于工業AI應用至關重要，因為許多專家對AI技術得出答案的方式表示擔憂。通過這種透明度，操作人員可以查看與該代理相關的數據源和標簽，以確認其創建過程是否正確。

然后，操作人員要求部署該代理，并以30分鐘為間隔運行模型。設置工業AI助手執行任務就是這么簡單。

兩周后，操作人員再次查看該設備，并要求AI助手展示已部署代理的監測結果。結果顯示，冷凝器因污垢堆積導致性能下降。數據趨勢線的可視化展示幫助操作人員判斷該問題是需要立即解決，還是可以等到下一次維護時處理。

為了進一步了解冷凝器污垢可能產生的影響，操作人員要求AI助手計算功率損失成本，并確定清洗冷凝器的投資回收期。AI代理生成儀表盤圖表供操作人員查看。

基于這些結果，操作人員要求AI助手總結冷凝器問題和檢查程序，以創建維護工單。隨后，AI助手生成相關程序，并在 Connect 儀表盤上提供操作手冊的鏈接。

Garg 在這里指出，這是一個利用AI將復雜問題簡單化的例子。操作人員無需編寫復雜代碼，通過日常使用的界面就能創建新的代理。

讓您的數據為AI應用做好準備

Garg 說，AI 面臨的最大挑戰之一不是 AI 本身，而是讓數據 AI 做好準備，使其無錯誤并確保其完整。“隨著工業環境變得越來越復雜，這個問題只會越來越棘手?，F在有太多不同類型的資產，它們產生的數據比以往任何時候都多。”

這引出了另一個演示，該演示展示了 AI 代理如何解決典型的資產數據管理問題，例如：

·讓多個應用程序收集資產的數據。

·資產數據存儲在不同位置的問題。

·使用不同的命名約定存儲數據點。

·具有具有重疊信息的數據集。

Raj 說，協調這些數據問題可能極其困難。“即便在 AVEVA，我們也為這個問題困擾了幾十年。所以在探索新的AI功能時，我們一直把解決這個問題放在首位。我們希望利用自我學習過程，將分散的數據整合起來并加以協調，以創建數字孿生模型。”

在演示 AI 代理如何幫助核對資產數據時，使用了來自 SAP ERP 系統的資產維護信息以及來自AVEVA PI 系統的流數據。

PI 數據顯示，一些資產信息被編碼到流名稱中，而其他相關信息則包含在注釋里。同時，隨著公司系統的不斷擴展，出現了命名約定不一致的情況。

Garg 解釋說，AI 代理獲取這些信息并進行推理。也就是說，它開始通過查看縮寫和注釋來弄清楚數據的含義。從中，它可以了解設備代碼，然后應用這些知識來幫助對整個設施中的數據進行分類和標記。

例如，從 PI 流注釋中，它了解到 HX 代表熱交換器。Raj 說，在掌握這一信息后，即使在沒有注釋的流數據中，它也能利用設備代碼推斷設備類型。

“AI代理可以解決典型的資產管理問題，比如同一資產的數據由多個應用程序收集、資產數據存儲在不同位置、數據點的存儲使用不同命名約定，或者數據集存在信息重疊等問題。”

對人機協同的需求仍然存在

盡管AI能具備各種自主能力，但Garg和Raj都指出，仍需要人為介入，以澄清、糾正和完善人工智能做出的推斷。

在這里，現有的命名指南可以用來讓AI了解公司的命名標準。一旦AI理解了這些標準，它就能對系統中的數據做出更多推斷。

Garg說：“在向它說明命名規則后，它會從中學習，并利用這些規則為我們填寫站點編號和線路編號。一旦AI對我們的系統和標準有了基本了解，它就開始將我們的各個系統聯系起來。這次演示展示了AI驅動的數據映射成果 —— 將 PI 數據和 SAP 工作管理系統的數據整合在同一界面展示。這可以為構建統一的數字孿生模型奠定基礎。”

Garg 解釋說，此演示旨在強調 AI 如何幫助解決工業領域最棘手的問題之一，即對齊數據模型以創建數字孿生。“但就這個例子而言，即便借助AI，要實現不同數據源的數據同步，仍需要對數據本身及其來源環境有一定的了解。這仍然需要一些行業經驗和專業知識。”

Raj 對此表示贊同，并補充說：“真正有趣的是數據與環境之間的關系。要生成見解，您需要經驗豐富的人員或成熟的流程。在 AVEVA，我們認為下一代勞動力將通過AI和人類智慧共同獲得有價值的見解。”