从西门子 Copilot 到中控 TPT:工业自动化与大模型融合,到底走到哪一步了
全文约 5000 字 | 阅读约 12 分钟 | 建议先收藏
先看两个数字。
一个 PLC 的扫描周期,通常是几毫秒;位指令的执行时间,可以到纳秒级。它必须每一次都给出同样的答案。
一个大模型给出第一句回答,通常要几百毫秒到几秒。而且同一个问题问两遍,答案可能不一样。
把这两个东西放在一起,就是今天“PLC + 大模型”的全部戏剧性所在。
01
先算一笔时间账:1 毫秒 vs 1 秒钟
工控圈聊 AI,最容易跑偏的地方,是一上来就讨论“大模型能不能做控制”。
这个问题其实有个很干脆的答案:不能。至少不是很多人想象的那种“不能”。
PLC 的本质不是“计算”,是承诺。它承诺:输入在这个扫描周期是这个值,输出就在下一个周期按逻辑变化,误差不超过一个周期。这个承诺,叫确定性。
大模型的本质是“概率”。它输出的是“最可能的下一段话”,不是“唯一正确的答案”。同一段提示词,温度参数调一下,结果就变了。
一个必须每次都对,一个天生每次都可能不一样。这不是能力问题,是物种问题。
所以真正的问题不是“大模型能不能替代 PLC”,而是:在一个必须确定的世界里,概率的东西应该站在哪个位置?
图 1 三套技术,三个时间维度:越往左,越不容许出错
02
把“融合”拆成三层,就清楚多了
行业里说的“PLC + 大模型”,其实混着三件完全不同的事。分开看,落地程度差得非常远。
表 1 三层融合:同一件事,三种成熟度
|
层次 |
典型任务 |
时间尺度 |
成熟度 |
代表玩家 |
|
工程侧 |
写代码、读代码、生成 HMI、查手册 |
分钟—小时(离线) |
已商用 |
西门子、倍福、罗克韦尔、CODESYS |
|
运行侧 |
报警降噪、根因分析、预测维护、参数寻优 |
秒—小时 |
规模化中 |
中控 TPT、汇川 iFG |
|
控制侧 |
直接输出控制量,替代 PID / 联锁 |
微秒—毫秒 |
基本空白 |
暂无商用产品 |
一句话:大模型现在干的是“脑子的活”,不是“手的活”。
手还是 PLC 的手。而且这只手,暂时没人敢换。
03
工程侧:Copilot 们真的进车间了
2023 年汉诺威工博会,西门子和微软一起发布了 Siemens Industrial Copilot。当时更多还是演示。
2024 年汉诺威,它接进了 TIA Portal。能做的事很具体:用自然语言生成 SCL 代码、解释已有的代码块、用自然语言搜西门子手册、生成 WinCC Unified 的初始画面。
第一个公开的客户是舍弗勒(Schaeffler)。工程师不用再手敲那些样板代码。
到 2025 年的 SPS 展,Engineering Copilot 又往前走了一步:生成的不只是 SCL,还有梯形图、基础可视化、硬件组态;生成的代码块可以直接被接受、导入、编译,然后在目标控制器上跑起来。
西门子特意强调了两点:模型是在自己的工程知识上训练的;客户的项目数据留在客户侧,不拿去训练。
再往后还有个更激进的:Eigen Engineering Agent,定位从“辅助”变成“自主执行”——从项目搭建、硬件实现、自动测试到代码生成,端到端做完。
不止西门子一家。
表 2 四大平台:Copilot 已经长在 IDE 里了
|
厂商 |
产品 |
形态 |
能生成什么 |
状态 |
|
西门子 |
Industrial Copilot(TIA Portal) |
IDE 内置 + 云 |
SCL、梯形图、HMI 画面、硬件组态、手册检索 |
商用 / 预览,可导入编译执行 |
|
倍福 |
TwinCAT Chat / CoAgent |
IDE 内置(云) |
ST、HMI 页面、单元测试、引用现有库 |
已发布 |
|
罗克韦尔 |
FactoryTalk Design Studio Copilot |
云端 IDE |
Logix 逻辑(梯形图 / ST)、代码解释 |
已发布 |
|
CODESYS |
IDE 补全 + MCP Server |
本地模型 / Agent 接口 |
ST 补全、工程内代码修改 |
已提供 |
注意这些产品的共同措辞:assist、suggest、proposal。没有一家说“生成即可用”。
这不是谦虚,是免责。
还有一条容易被忽略的暗线:虚拟 PLC。西门子的 S7-1500V 已经是一个跑在 Industrial Edge 上的软件实例,和 TIA Portal 完全兼容,按需部署、按实例数付费。
控制器一旦软件化,AI 才有地方插。这是架构层面的准备,比任何一个 Copilot 都更根本。
04
但真实水平,论文写得很诚实
2024 年之后,关于“LLM 写 PLC 代码”的论文多起来了。结论比厂商宣传冷静得多。
有研究系统测过 LLM 生成 IEC 61131-3 结构化文本(ST)的能力:语法正确率可以做得不错,但语义正确率随逻辑复杂度快速下降。
更关键的是语言差异。
一项针对图形化语言的研究发现,LLM 对 SFC(顺序功能图) 的理解明显好于 LD(梯形图)。对 1 位、2 位的简单状态机,它能给出正确方案;逻辑一复杂,基本就废了。
原因不神秘:SFC 本质是“状态 + 转移”,很像伪代码;梯形图是二维图形,左边母线、右边线圈、中间并联串联,这种结构在文本语料里几乎不存在。
有个数字很说明问题:北美现场的控制逻辑,行业里常见的估算是有九成还是梯形图。而公网上能拿来训练的梯形图,少得可怜。
结果就是:模型天然偏 ST,而现场天然偏梯形图。
那怎么提高成功率?另一条路子是“别让模型自己扛”:生成之后加语法检查、加形式化验证、再加人工监督,形成一个闭环。有团队用这套流程,把生成成功率从 47% 提到了 72%。
72% 听起来不错。但换个说法,你就笑不出来了:每三行代码里,有一行是错的。
在互联网公司,这叫你改一下;在产线上,这叫你去现场。

图 2 “能用”和“能上机”之间,差的不只是 28 个百分点
05
梯形图难,难在它不是“代码”
很多人以为梯形图只是“画出来的 if-else”。其实不是。
它承载的是一代电气工程师的思维方式:继电器怎么互锁、急停怎么串、扫描顺序怎么影响双线圈、一个上升沿为什么要做边沿检测。
这些东西,写在图纸上是规范,写在程序里是经验。而经验,恰恰是最难被语料化的部分。
所以你会看到一个很有意思的现象:AI 写 Python 比写梯形图强得多。 不是因为 Python 难,是因为 Python 在网上。
这也是为什么所有厂商都在强调“参考你现有的项目结构和库”。它们真正想解决的,不是“会不会写”,而是“写得像不像你们厂的风格”。

图 3 同一段“电机启动”,左边是电路思维,右边是状态机思维
代码生成的第一道门槛是语法,第二道是风格,第三道是“敢不敢上机”。
06
运行侧才是主战场:数字老师傅
如果只盯着“写代码”,你会低估这波融合。真正在赚钱的,是运行侧。
代表案例是中控技术的时间序列大模型 TPT。2025 年 8 月 28 日发布的 TPT 2,架构是 Transformer + MoE,训练数据不是文本,而是流程工业的时序数据:温度、压力、流量、液位。
它做的事,用一句话概括:把“老师傅盯着屏幕看曲线”这件事,变成一个模型。
图 4 中控 TPT 2 的关键数字(企业披露口径)
官方给的几个数:截至发布会结束,累计预定企业 518 家、成交 112 套;能力矩阵叫 SCOPES,覆盖模拟、控制、优化、预测、评估、统计。
落地案例里,两个比较具体:兴发集团的氯碱装置,把烧碱主产品浓度稳定在 32%–32.1% 的窄区间;中石油的乙烯装置,单炉收率提升 0.373%,企业披露年效益约 1500 万元。
这些数字都是企业自己披露的,口径要看清楚。但方向是明确的:它不写代码,它调参数。
汇川走的是另一条路:iFG 工业智脑,加上“三纵四横”的底座——设备层、控制层、决策层,连接、数据、算法、应用。逻辑是从伺服、变频器、PLC 这些“末梢神经”往上长。
一个是流程工业的“大脑”,一个是离散制造的“神经”。路线不同,指向同一件事:AI 先接管“看”和“想”,再谈“动”。
工业 AI 最先卖出去的,不是“自动”,是“少看几个屏”。
07
为什么流程工业先跑通
同样是工业,流程工业和离散制造的 AI 落地速度,差得很远。原因很实在。
表 3 流程工业与离散制造:为什么 AI 的难度不一样
|
维度 |
流程工业 |
离散制造 |
|
数据基础 |
DCS 连续采集,单装置上万点 |
设备分散、协议杂,停机即断档 |
|
节拍与容错 |
分钟—小时级,模型慢三秒没关系 |
毫秒级,节拍一乱全线受影响 |
|
工艺知识 |
有第一性原理可约束(物料 / 热量平衡) |
依赖工装、夹具与经验,难写成公式 |
|
优化对象 |
参数:温度、压力、配比 |
动作:轨迹、节拍、抓取 |
|
AI 的角色 |
顾问:给建议,人来执行 |
教练:要直接改动作,难得多 |
所以你会看到一个分野:流程工业在优化参数,离散制造在优化动作。 前者的 AI 是“顾问”,后者的 AI 要变成“教练”,难得多。
至于“AI 直接控制伺服”,那是另一个赛道——强化学习、具身智能,跟大模型的关系没有想象的那么大。
08
那条不能越的线
说回控制侧。为什么大家都很克制?
第一是安全认证。功能安全有一套硬规矩:IEC 61508、SIL 等级。你要证明“这个逻辑在任何情况下都不会失效”,靠的是形式化分析、失效模式分析、确定性测试。
一个概率模型,你没法证明它“任何情况下都对”。它只能被证明“大多数情况下不错”。
第二是责任。产线出事,要追到一行代码、一个联锁、一次签字。模型给的建议,谁签字?
所以行业里慢慢形成了一个很实用的架构,叫“权责分离”:
图 5 权责分离:AI 提议,PLC 裁决,安全兜底
这套架构有个巨大的好处:模型错了,损失的是效率,不是安全。
落地方法也很朴素:影子模式先跑(只打分、不执行)、单机台灰度、历史数据回放、硬件在环测试。听着不酷,但管用。
AI 可以提议,PLC 必须裁决。这条线一破,省下来的都不是成本,是事故。
09
新的风险,是“接线”接出来的
融合带来一个新问题:原来封闭的 OT 网络,现在要连模型、连 API、连云端。
三个坑,都很现实。
· 提示注入:如果 AI 能读工艺文档、能读报警文本,那它读到的内容里就可能藏着指令。一份被改过的作业指导书,可能让 Copilot 生成一段带后门的逻辑。
· 权限过大:为了让 Copilot“能直接改工程”,就得给它写权限。写权限一旦被滥用,等于把编程器交给了别人。
· 数据出域:工艺参数、配方、图纸,都是核心资产。用公有云模型时,这些数据去了哪里?
前几年那些事故的教训其实很简单:Oldsmar 是一个共用密码,台积电是一台没打补丁的机器。AI 不会让基础问题消失,只会让基础问题的后果变大。
所以选型时,有几个问题必须问清楚:模型在哪跑?数据存哪?日志留多久?谁能改?改完谁审?
10
给工程师的三张清单
如果你在厂里,或者正在做选型,可以按这个节奏来。
表 4 三张清单:什么时候用,用到什么程度
|
阶段 |
典型任务 |
风险 |
建议做法 |
|
现在就能用 |
解释存量代码;生成 HMI 与报警文本;查手册;LD ↔ ST 互译校对 |
低 |
人工复核后使用 |
|
一年内值得试 |
报警降噪与归因;工艺参数寻优(建议模式) |
中 |
影子模式先跑,单机台灰度 |
|
暂时别碰 |
直接闭环控制;生成安全联锁;无审核写生产工程 |
高 |
等安全论证与标准落地 |
一个判断标准很好用:这个环节出错,最坏结果是“多花点时间”,还是“停线、伤人、污染”? 前者可以试,后者先等等。
11
尾声:PLC 没有消失,它变成了最后一道闸门
回头看这三年,最容易被误读的一件事是:大家以为 AI 要来“取代”PLC。
实际发生的,恰恰相反:AI 越强,PLC 越重要。
因为 AI 负责“可能更好”,就必须有一个东西负责“必须不出错”。这个角色,只能是那个扫描周期几毫秒、逻辑写得死板、认证拿得齐全的控制器。
未来的产线大概是这个分工:
大模型在云端想方案,小模型在边缘看状态,PLC 在现场做决定,安全继电器在旁边盯着所有人。
每一层都干自己最擅长的事,谁也别越界。
这大概就是工业自动化的宿命:它永远不追最时髦的技术,它只接受被验证过的技术。
而验证,需要时间。
所以别急。PLC 等了五十年才等到今天,它不介意再等三年。
· · ·
本文涉及的产品进展、案例数据均来自厂商公开资料、发布会报道及公开论文。其中企业效益数据(收率提升、年效益、订单数量等)为企业自行披露,统计口径可能不同,请以原始公告为准;论文结论仅代表特定实验条件,不代表所有模型与场景。


浙公网安备 33010602011771号