工业AI丨西门子首届科技大会主旨演讲及对话实录

但要让 AI 真正走进现实，来到物理世界，绝非仅靠更优的算法就能实现。在工业场景中，我们需要 100% 可靠的 AI 。

实现这一目标，我们需要：

由此，我们融合现实世界与数字世界。

对话蔡崇信

阿里巴巴集团主席

蔡崇信：感谢 Roland 的邀请！我有两个地方想表达谢意。首先，西门子将首次举办全球科技大会的地址定为中国，充分展示了西门子对中国市场的承诺 —— 你们不仅看重中国的客户与市场，更希望从中国获取灵感和创新。感谢你们对中国人才与创业精神的支持。其次，感谢成为我们的合作伙伴。你刚才也提到，我们和西门子中国团队一直保持着非常良好的合作。我在此感谢西门子团队和你的支持。期待未来我们可以深化合作。

博乐仁：感谢你们成为西门子的合作伙伴，这是强强联合。其实我们已经私下分享了很多，现在就把这些交流带上舞台吧！阿里巴巴正朝着云计算与 AI 方向全面转型，背后的战略是什么？目前取得了哪些进展？

蔡崇信：阿里巴巴起初是电商企业，我们早在近 17 年前就切入了云计算领域。当时电商业务面临数据爆炸式增长，交易、客户、偏好数据激增，我们决定用自研技术来管理这些数据，阿里云的底层技术体系就此诞生。近年来，随着云计算业务的发展，越来越多的工作负载与需求来自人工智能领域，我们看到AI的巨大潜力，也将云基础设施打造为能支撑复杂 AI 任务的平台。这就是我们的发展历程。

我们的核心战略是：未来一切都将由 AI 驱动。大家也知道这有多重要。从宏观视角来看，过去两个月，智能体（Agent）技术迎来突破：以往大模型更像“百科全书”，知识渊博，非常聪明。不过，现在的 agent 具备更高阶智能，不再需要反复提示，也能独立完成完整任务，会规划、推理、记忆，这是至关重要的突破。阿里巴巴的定位，就是通过云基础设施，为所有想用 AI 的企业提供支撑。

博乐仁：我们已经切实受益了 —— 西门子 Xcelerator 就部署在阿里云上，双方合作广泛。你们建设的数据中心，也就是 AI 工厂，也用到了西门子技术，合作根基非常牢固。回到 AI 话题，阿里巴巴可以说是数据原生（Data Native）企业，数据基因深入骨髓，对吗？

蔡崇信：我们的确是数据原生企业，云计算技术的核心就是处理数据，包括结构化与非结构化数据。所以你说得对，我们是数据原生企业。

博乐仁：这一点我也和团队强调过，我们必须做好数据场景化应用，这也是AI革命的关键方向。你刚才提到智能体，这个突破非常震撼，近几个月进展尤其显著。你之前用了一个很生动的例子解释智能体，能和现场观众分享一下吗？

蔡崇信：当然可以。我不是软件工程师，当开源智能体框架龙虾（OpenClaw）出现时，我让同事帮我理解。他于是搭建了一组智能体，任务是以科技网红的角色，在 Twitter 平台发表关于线上技术的言论，建立影响力。这些智能体一共有四个：第一个智能体筛选每日新闻，捕捉最新科技趋势；第二个智能体提炼信息，形成当日核心观点；第三个智能体负责创意内容撰写；第四个智能体校验观点、优化修改。他创造了四位虚拟员工（智能体），组合起来成为一个科技领域的虚拟网红博主。

简单来说，你可以通过智能体来实现。本质上，智能体就是知识型员工，只不过是虚拟员工。全球经济规模约 110 万亿美元，劳动力占 60% ，其中约三分之二是知识型白领，这意味着近 50 万亿美元的市场价值可能被智能体重构或提升，规模远超其他所有行业总和。现在，虚拟知识员工实际上已经可以承担人的工作了，当中意味深远。

博乐仁：我们在工业领域也有案例。我们的 Industrial Copilot 就用到了智能体：产线出现问题时，产品智能体掌握产品信息，设备智能体了解机器状态，实时数据智能体能收集信息，再由问题解决智能体给出诊断与建议。智能体具备记忆能力，更关键的是能代人执行操作，所以工业智能体必须精准可靠。

蔡崇信：你提到的记忆能力非常重要。如何让智能体拥有记忆？智能体需要获取数据，有时候就会出现问题。智能体获取过量数据时，可能出现行为不可控，所以数据权限管控很重要。但没有数据，智能体又没法变得更加智能。另外，未来足够智能的智能体，将从助手或“副驾驶”（copilot）变成“主驾驶”（main pilot）。

博乐仁：没错。甚至有人提出战略智能体、 CEO 智能体的概念。

蔡崇信：我认为智能体不会取代 CEO 。CEO 最稀缺的是时间与精力，以往要严控直属汇报人数避免精力透支；有了智能体，CEO 能管理更多事务，腾出精力思考公司战略与未来。所以 CEO 的岗位永远安全。

博乐仁：我们正式签署了合作备忘录，要进一步升级现有合作，非常感谢你和团队的支持。下一步，我们会把西门子的仿真软件等产品组合部署到阿里云，让中小企业也能便捷使用，最终实现 SaaS 化、按需付费的模式。另外，你们自研大模型，这也是我们可以探索的合作方向。

蔡崇信：早在 OpenAI 推出 ChatGPT 三年前，我们就基于 Transformer 架构开始研发大语言模型。ChatGPT 问世后，我们更加明确了方向：我们不仅要做云服务提供商，还要成为一家模型公司。这意味着我们必须打造行业前沿的顶尖模型，并为此持续投入资源。这需要巨额的成本、投入与资金，但我们对此决心坚定不移。

如今放眼全球市场，美国等西方市场已有  Anthropic、OpenAI、谷歌 Gemini 等领先模型；而在中国，我们希望跻身头部模型厂商之列。当前行业的特点是迭代速度极快，竞争对手可能在几个月内就实现反超，随后你又要奋力追赶。这是一场异常激烈的竞速。

想要胜出，关键在于长期投入 —— 管理层必须下定决心，持续投入巨额资本，才能保持技术领先。我们已经做出长期承诺，并坚定推进这一战略。因为我们坚信，在未来，模型的能力与质量将帮助我们吸引更多客户来到我们的平台。

博乐仁：有人调侃这个赛道 —— 花 5 亿美元登顶，两周就被超越，但你们的模型表现非常出色。你经常提到自研与开源模型，能谈谈你的看法吗？

蔡崇信：阿里巴巴自研的千问（Qwen）大模型具有不同版本，可以通过 API 提供服务，参数规模超万亿；同时我们也开源了多个版本，包括面向移动装置、终端设备的轻量模型。我们选择开源路线，核心目的是推动模型普及应用 —— 不仅是在中国普及，更是在全球范围推广。目前，我们已经建立起一个全球开源开发者社区，大家共同参与、持续优化我们的模型。开源模式的核心价值在于：你可以直接采用我们的模型，在自有基础设施上独立部署，并根据自身业务需求开展后训练、微调与优化，所有操作都在你自己的算力环境内完成。对于那些关注数据、隐私与安全的人士而言，这种大模型的部署与使用方式非常稳妥。

我相信随着时间推移，市场会逐渐形成清晰格局：一部分客户希望通过我们的 API 使用闭源模型，另一大批客户则会选用我们的开源模型。但无论选择哪种，他们都需要算力资源 —— 而我们希望，这些算力将通过我们的云服务来提供。这就我们的策略。

博乐仁：当前数据中心、AI 工厂的算力，绝大部分用于模型训练，仅小部分用于推理 —— 也就是模型在车间落地执行的环节。未来这种算力分配格局会反转。但是目前模型训练完成后还需微调优化，而这正是西门子的强项 —— 我们不做大语言模型，但我们会基于千问这类模型，用独特的工业专属数据做微调。这些数据是很多大模型从未接触过的，完全是另一类数据：比如产线产生的时序数据、设计数据、仿真数据、我们的硬件设计数据，还有视觉检测相关的各类数据。所有这些数据，都需要场景化输入给模型。

这就凸显了数据策略的重要性：我们要做好数据布局，再优化模型，最终让我们的客户能基于这些模型，为生产设备开发专属应用。这个领域还有巨大的发展潜力，但目前已经涌现出不少成熟的应用，展现出 AI 的巨大能量 。正如我之前说的，AI 有能渗透所有技术领域的全新力量。

最后我还想补充一点，很多人质疑AI是泡沫，担心模型训练的饱和，认为数据耗尽后模型就会停滞。但事实是：模型使用过程中会产生新数据，反哺下一代模型进化。

蔡崇信：这正是关键。使用模型的人越多，产生的数据越多，就能用这些数据训练出更优秀的下一代模型。很多人会问：一旦停止模型训练，还有谁会去用那些数据中心？实际上模型训练永远不会停止，因为模型会持续迭代更新，一代又一代地演进。不仅是阿里、OpenAI、Anthropic 等企业，每个客户、工业级用户、企业，都会持续训练、优化自己的模型，推理过程中积累的数据也会推动模型迭代。这是一个持续不断的过程。

所以我认为，人们之所以持续投资数据中心和硬件基础设施，是因为他们看到模型研发乃至智能技术的发展，本身就是一项永不停歇的事业。

博乐仁：我们的愿景是携手推动工业AI革命进程。我们需要懂云服务的合作伙伴。伙伴负责构建大模型，西门子则提供硬件、软件、工业知识、技术栈以及与数据相关的能力。你认为我们下一步合作的重点是什么？我们双方联手，未来几个月的目标是什么？

蔡崇信：西门子在中国制造业拥有海量客户，阿里巴巴的基因则是软件与电商服务，双方能力高度互补。

我坚信，“工业人工智能”和“人工智能+制造”的最佳试验场就在中国 —— 中国占全球工业产出的 30% ，是全球最大制造业经济体。这也意味着中国拥有海量的工业数据。这是我们合作落地、迭代优化、打磨模型的绝佳土壤。我非常期待。

博乐仁：我们拥有一个了不起的市场 —— 庞大、创新、高速发展。我们也拥有最优秀的合作伙伴。

对话王兴兴

宇树科技创始人

董事长兼首席执行官

博乐仁：你对机器人的热爱仿佛是与生俱来的：大学第一年就研发出了自己的第一款机器人，硕士刚毕业不久就创立了宇树。这个节奏真的很快，也能看出你对这个领域充满热爱。那么，究竟是怎样的热情，引领你走进机器人领域的呢？

王兴兴：我从小时候就非常喜欢科技，最初我主要关注动手制作和化学实验，在小学、初中和高中时期就玩得很多。2009 年我大一时开始制作机器人。非常凑巧，我大一寒假制作的第一个机器人是一个小型人形机器人，当时也非常喜欢，但并没有想要做一家大企业让机器人真正走进生活。不管是小时候还是读本科，我最初就是觉得机器人非常有趣。

博乐仁：但那时候人工智能还没发展到我们现在这个阶段。你刚开始做机器人的时候，有没有接触到 AI ？那时候你就已经有想法，知道 AI 可以做些什么了吗？

王兴兴：对，这也是一件非常有趣的事情，也在这里和大家分享一下我与 AI 一些有趣的故事。

我确实非常喜欢 AI，大约在 2010 年和 2011 年的时候。当时 AI 非常冷门，我在图书馆里找不到 AI 的书，那时候有好几种 AI ，比如神经网络、遗传算法等各种。当时我印象非常深刻，就翻了几本 AI 的书去编程玩一下。我非常喜欢神经网络，现在叫深度学习。为什么我比较喜欢神经网络？因为觉得它跟人的大脑非常相像，所以我相信神经网络是未来的一个发展方向。但是那时候实在太冷门了，基本没有什么好的资料，所以 2011 年和 2012 年，我花了半年到一年的时间着重学习了一下当时的 AI 技术，就没有再关注了。这是我最后悔的一件事情。如果我当时就着手研究 AI ，可能我现在的 AI 水平或者我们公司的 AI 水平会好很多。但那时候主要还是在机器人领域研究一些机械和传统控制。

2016 年的时候，阿尔法狗打败了最好的围棋选手，我们的公司也在那一年成立。但在 2016 到 2018 年，尽管全世界对机器人领域的 AI 都在研究，效果还不是特别理想。

2019 年到 2020 年这段时间，全球范围内在四足机器人、人形机器人领域，已经有人用上前沿的深度强化学习算法做出了不少成果。但当时有个很明显的局限：相关技术大多停留在仿真环境里，并没有真正落地到实体机器人，实现真机应用。

时间来到 2019 年至 2022 年，行业开始出现新的变化。我们公司的机器狗销往全球客户后，很多合作伙伴开始在设备上开发AI软件，尝试让机器狗通过AI驱动实现基础运动。

不过 2020 年前AI控制的效果并不理想，算法成熟度远远不够；直到 2021 年到 2022 年，端到端的 AI 控制算法才逐步完善，无论是操控效果、拓展性还是稳定性，都全面超越了传统数学建模控制方法，这也让我真切感受到，实体机器人搭载 AI 技术迎来了颠覆性的巨变。

也正是从 2021 年开始，我们公司全线机器人都转向 AI 控制路线。到 2022 年尤其是 2023 年，我们正式布局人形机器人赛道，可能很多人想不到，2023 年我们推出的首款 H1 人形机器人，完全依靠端到端 AI 训练实现走路、跑步等动作。

当时在全球范围内，用 AI 实现实体人形机器人自主行走跑步，都是极具前瞻性的前沿探索。我们初期研发也遭遇了巨大瓶颈：机器人一开始只能在地上笨拙爬行，完全无法正常行走，姿态和效果都很差。但 AI 的神奇与魅力恰恰就在这里 —— 前期效果糟糕，可只要微调一个小参数、经过一整晚训练，第二天上班上机测试，就能迎来质的飞跃，表现远超传统算法。

这种阶段性的突变，也是所有 AI 从业者最着迷、最激动的地方。哪怕初期训练结果一塌糊涂，只要优化模型结构、补充训练数据、微调关键参数，就能瞬间实现突破，这种从瓶颈到飞跃的快感，就是AI研发最美妙的核心魅力。

博乐仁：很明显宇树机器人搭载了一套极其智能的大脑，这也是宇树脱颖而出的核心优势。除此之外，你认为还有哪些方面，或是你们正在重点投入哪些领域，有望构成人形机器人核心竞争力的差异化优势？

王兴兴：最近几年，大家都非常关注把更好的 AI 技术用于机器人。这几年行业技术进步速度确实很快，但与此同时，我们也面临着不少挑战。

就像刚才提到的，我们 2023 年就开始把深度强化学习技术应用到人形机器人上，实现行走、跑步动作，但在 2023 年到 2024 年初，机器人基本只能完成简单的行走和慢跑，动作丰富度有限。到了 2024 年中下旬，我们通过强化学习，让人形机器人能够完成各类复杂动作，甚至实现了基础的跳舞效果。

我们采集人体动作数据，训练 AI 模型后植入机器人，就能做到人怎么动、机器人就怎么动。进入 2025 年，我们又取得了更多突破：机器人在完成更多复杂动作的同时，稳定性也大幅提升。

比如 2025 年 4 月，我们发布了可参与格斗比赛的人形机器人，实现两台机器人相互对打。跳舞这类动作属于无外部干扰的场景，过程中不会有人推搡、踢踹，对稳定性的要求并不算高；但让机器人实现对抗格斗，不仅趣味性强，更能充分验证机器人的稳定性。我始终坚信，未来机器人要实现大规模普及应用，稳定性是先决条件，只有运动丰富度和运动稳定性都达标，才能真正推向市场、大范围落地。如果一台机器人连正常走路、完成基础功夫动作都做不到，我觉得它不具备大规模推广的价值。正因如此，我们在 2025 年 4、5 月份实现了机器人的抗冲击训练突破，时至今日快一年时间，全球范围内抗冲击能力顶尖的机器人，依旧以我们公司的产品为主。我们带着机器人参加各类赛事，大家去到我们的线下活动，还能亲手操控机器人对打，甚至可以和机器人互动对抗，体验感非常强。

这也正是当下 AI 技术，进一步提升了机器人的运动能力。今年央视春晚亮相的 “武BOT” 机器人，就实现了快速走位的效果。

2025 年初，机器人表演还只能缓慢移步，再开展功夫展示；但今年年初，我们就实现了机器人快速变换队形、灵活走位。不管是舞台表演，还是工厂作业场景，我们都希望机器人能够快速规划路线、从 A 点移动到 B 点执行任务，完成工作后再迅速转战下一个点位，而非缓慢挪动。尤其是在赶工期、急需求的场景下，比如搬运、取物等任务，机器人需要快速按指定路线行动，这种高效移动能力至关重要。

虽然现阶段这些核心能力已经逐步完善，但我们依旧面临着较大的行业挑战：目前 AI 技术在陌生环境下的泛用性，以及任务执行的成功率，整体水平还相对偏低。

博乐仁：是什么促成了西门子和宇树的合作呢？我想第一点原因在于，宇树机器人在扩大产量的过程中，亟需专业的制造技术支撑，而这正是西门子的优势所在。我们精通各类产品的制造工艺，尤其擅长机器人与自动化设备的生产制造。与此同时，我们的生产车间也在使用宇树协作机器人。

比如我们今天展出了名为 SIMOVE 的软件，能够调度 AGV 在车间内灵活流转；而同款软件也搭载在宇树机器人上。如此一来，一切都融合在一起了，车间内不仅有 AGV，还有机器人，将物料输送至生产环节。

因此我有一个问题：假设我需要让机器人执行某项特定任务，目前来看，往往需要在现实场景中对机器人进行定制化训练。我是否也能在数字世界中完成这类训练？能不能先通过仿真完成，再落地实操？

王兴兴：对，目前机器人训练主要有仿真环境和实物训练两种方式。其实很多情况下，我们公司乃至整个行业，只要能用仿真环境、仿真训练解决的问题，都会尽量选择仿真训练，因为它速度更快、成本更低，还便于调整参数。比如我们的人形机器人，走路、跑步以及各类功夫动作，基本都是靠纯仿真环境完成训练的；我们可以在仿真里搭建几百万、几千万个场景，让机器人并行训练，整体速度和效率都很高。

但在实操类任务上，比如让机器人抓取物品、装配零部件，目前全球范围内的仿真技术还不够成熟，大多还是依靠真人采集数据来做训练。不过现实采集数据也面临很大难题，毕竟能搭建的实景有限，不可能在现实中复刻上千种场景，搭建和采集成本过高。所以包括我们公司在内的不少硬件厂商，都希望哪怕是机械臂作业，也能尽量通过仿真采集更多数据。

比方说在仿真环境里，我们可以随机生成各类物品让机器人抓取，就能大幅扩充数据体量。我认为这两条技术路线都值得推进，目前行业还没有形成统一的最优解；而且触觉仿真这类技术也很关键，能更精准地模拟物体抓取过程，这也是当下的核心攻关方向。

眼下对于人形机器人来说，移动和基础动作问题基本已经攻克，但抓取、操作尤其是触觉相关的技术难题还未突破，这也是制约人形机器人无法在工厂和家庭大规模落地的关键瓶颈。

机器人并不是不会操作物体，针对训练过的物品，只要训练到位，抓取成功率基本能达到 100%；可一旦物品稍有变化，成功率就会急剧下滑。想要解决这个问题，就需要海量不同物品的训练数据来补齐短板，但目前这部分数据训练还未完全攻克。

博乐仁：说到仿真领域，这也是西门子的专长。我们深耕各类仿真技术，能力持续优化；我也时常向团队提出挑战，要求我们在仿真领域实现更大突破、解锁更多可能。最后一个问题：请说说目前你们的机器人还无法实现，但预计六个月后能够攻克的一项功能。

王兴兴：我觉得当下我们最值得推进、见效也比较快的一件事，就是优化机器人动作。目前我们的机器人打格斗比赛时，动作还是比较机械、偏固定的，所有动作都是提前采集好的。比如我们采集了二十几个动作，机器人对战的时候就靠这些动作任意组合出招，但招式相对固定，同样的出拳方式，每次出招都是一样的，既没有挑战性，也缺乏观赏性。不过我觉得，未来六个月左右，我们就能实现机器人任意动作生成。

简单来说，前期我们还是会先采集几百个动作让 AI 训练，训练完成后，这些动作就能实现自由、丝滑的组合。机器人可以灵活做出拳、变向、上下左右闪避等各类连贯动作，灵活度大幅提升。到时候大家会看到，机器人每天的对战招式都不一样，动作种类非常多。这项技术预计六个月左右就能落地，到时候两台机器人对打，动作丰富度会很高，观赏性极强，视觉效果也很好。

除此之外，这项技术对机器人未来在工厂和生活场景的落地应用也至关重要。我始终坚信，只有机器人能做出各类丰富动作，再结合大语言模型等 AI 技术，让系统调用这些组合动作，机器人才能真正落地执行实操任务。所以动作的丰富程度，直接决定了机器人的智能化水平。

大家应该也有同感，如果一台机器人只能做几个固定动作，就会觉得它的智能化程度很低；可如果机器人能完成几百、几千甚至上万、上亿种不同动作，还能自由组合、自主决策出招，那它的智能化水平就很高，这也是核心关键。

我认为，未来六个月左右，这项技术很大概率就能实现。

博乐仁：六个月后，一切皆有可能。兴兴，非常感谢你的分享，诚挚祝贺你取得的成就！

对话倪军

宁德时代首席制造官

工程与研发体系联席总裁

博乐仁：作为制造领域的专家，你说制造业伴随了你的成长，也说过电池是最难制造、复杂度最高的产品。为什么这么说？

倪军：我投身制造业已经 40 多年了，比在座不少朋友的年纪都要大。我经历过汽车、电子、半导体、航空航天等多个行业，但从来没有一款产品像电池这么难造。我们生产的大多数产品，比如手机，把它造出来、运走、交付用户使用，就算完成了工作。但电池是高度复杂的产品，它不仅涉及电化学，还融合物理、材料科学、机械工程、电气工程、流体、热管理等多个学科。在设计或制造环节中，任何一点微小缺陷，都可能引发灾难性后果。电池也有自己的一生。电池的生产是一个连续的过程，从粉体制浆、涂覆，到长达数米的极片卷绕成型，这个流程让电池拥有了生命。我们必须严格保障安全性、一致性、性能与使用寿命。所以说，电池也是非常精细的产品。

在大多数行业中，大家常说的世界级制造指六西格玛标准，通俗来讲，就是 100 万个产品里只允许 2–3 个不合格，这已是行业顶尖水平。但在电池行业，这远远不够。我们的要求是十亿分之一（ppb）级别，十亿个产品里只允许极少数不合格。因为稍有不慎，引发事故的概率就会非常高。所以电池制造必须极度精细。

有部电影叫《Tender Loving Care》，我认为电池制造恰恰需要这三点：呵护、关爱、悉心照料。

博乐仁：我也有同感。我了解到，一块电池的制造要经过 15 到 16 道工序，而且必须高速量产 —— 每年要生产数百万块；同时又要超高精度，稍有偏差就可能短路报废。你们用到了哪些技术？是否在使用仿真和AI技术？

倪军：是的，电池制造不仅流程复杂，而且要求极为严苛。举个关键环节的例子：电池核心的铜箔极片，厚度只有 5 微米，宽度 1.5  米，运行速度达每分钟 100 米。我们要在这层极片上涂覆 100 微米的电极材料，浆料是湿的，需要在长达 70 米的烘箱中烘干，全程精准控温、控风，还要把密度控制到微米级精度。

很多人可能对微米没有概念：一根头发的直径大约是 100 微米。可想而知，这个精度难度有多高。因此我们必须依靠 AI 与自动化，我们也在大量使用西门子的产品。从工程师的设计阶段，到生产制造，再到售后市场，我们都在运用大数据和 AI 模型，确保出厂产品达到最高标准。

博乐仁：这也是我们合作的契机。在电池制造自动化领域，西门子是行业领军者，大量运用我们自己的仿真软件。如你所说，电池制造堪称复杂度最高的工业场景之一，涉及众多不同工序，必须依托各类技术才能实现。我们刚才聊到了当下的电池技术，而创新显然不会止步于此。请和我们简单分享一下：下一代创新方向是什么？未来几年，电池技术会迎来哪些突破，比如能量密度提升？

倪军：创新早已融入宁德时代的基因。这是一个新兴行业，20 年前很少有人听说过锂离子电池，如今几乎所有用电的设备都离不开它。所以我们必须创新。

过去十年，我们的研发投入超过 130 亿美元，研发团队超 23000 人。2022 年，我们推出了麒麟电池，被美国《时代》杂志评为年度最佳发明，一次充电可支持 1000 公里续航。2023 年，我们推出神行电池，让整个行业进入超快充时代。

我们持续布局下一代电池技术：钠离子电池、凝聚态电池、全固态电池，甚至锂空气电池，都在我们的技术储备中。宁德时代有着深厚的技术布局，持续重金投入研发。比如去年我们发布的“钠新”钠离子电池，今年就会大规模量产上市。再过几周的北京车展，我们会给大家带来惊喜。

博乐仁：敬请期待！很多人在谈论全固态电池，认为它能量密度更高，但据我了解，它也更危险。如何避免爆炸等风险？这一问题是否可控？

倪军：我想澄清一个外界普遍存在的误区。媒体和大众对新技术有过高期待，觉得现有锂电池问题很多，而全固态电池能解决一切 —— 能量密度更高、续航更长、绝对安全、不会起火。

但请仔细想一下：把极高能量浓缩在极小体积里，本身就极具挑战。全固态电池也有自身的难题。每种技术都有其专属的应用场景。比如钠离子电池，虽然能量密度不如锂离子电池，但低温性能优异，且钠资源全球储量丰富，能大幅降低成本，我们相信它会迎来爆发。

博乐仁：这是否意味着，目前几乎所有电动汽车都采用锂离子电池供电？你认为行业路线正在分化吗？未来汽车上会出现不同类型的电池？

倪军：没错，不仅是电动汽车领域，在储能领域也是如此。储能场景更看重高低温性能与循环寿命，对能量密度的要求不像移动车载那么高，属于固定储能场景。

另外，这也关乎未来。你今天也反复提到AI，而 AI 的底层是能源系统。如果没有可持续的能源方案，AI 的发展就会受限，因为它消耗的电力巨大。现有的能源体系不足以支撑 AI 数据中心的负荷，它需要不同类型的电力性能。

博乐仁：宁德时代也在走向全球化，布局海外市场。西门子的技术可以伴随你们全球落地，保障全球生产标准一致。你的全球化战略是怎样的？

倪军：宁德时代的核心理念是：我们只有一个地球。地球是我们的家园。我们希望把中国创新带向全球，同时也把全球创新引入中国。可持续未来需要全人类共同努力，不分地域，携手用创新与智慧解决全球性问题。因此，我们始终致力于为全球市场带来顶尖技术。例如，截至目前，搭载宁德时代电池的整车已超 2500 万辆，基本上每三辆新能源车就有一辆使用我们的电池，我们称之为 “CATL Inside”。不仅如此，我们还通过技术授权、专利收费以及配套服务，助力全球企业和各个地区打造本土产能，支撑当地推进电动化转型与绿色发展。

以德国为例，我们在当地设有全资工厂，其中仅有 10% 的员工由中方派驻，90% 均为本地招聘、本地培养。我们坚信，每一个国家、每一个社区都应具备这样的制造与创新能力，携手推动人类迈向真正绿色、可持续的未来。

博乐仁：今天我们收获良多：第一，AI与数字化；第二，硬件前所未有的重要；第三，深厚的技术与行业专长至关重要。非常感谢你的分享！

工业AI的发展，离不开人类智慧。

我们需要融合现实世界与数字世界。

这正是我们今天齐聚北京，举办西门子 RXD 大会（Real Meets Digital）的意义所在。

工业 AI 革命已然启幕。我们携手探索、共建，推动规模化落地 —— 因为唯有合作，方能成就未来。

这场变革将带来巨大价值：医药产品将会更快推向市场，制造业将会提质增效、更可持续，设备运行将更稳定可靠，供应链、交通网络、电网将实现自主优化。

依托工业 AI，我们将创造现实价值。

我们将像当年推动电力普及一样，推动AI这项通用技术的规模化发展，与各位并肩，立足中国，赋能全球。

谢谢大家！

*以上内容为译文，详情请以英文原文为准