AI进入能源制造一线，人的工作会怎么变？

AI和自动化正在进入能源装备制造现场，一部分原本由人完成的任务开始交给设备和系统。然而，能源行业对技术人才的需求并没有下降。当系统开始承担更多标准化、数据化的工作时，能源制造环节值得关注的，除了岗位数量，还有人的工作内容和责任。

21世纪经济报道记者曹恩惠

国际能源署（IEA）发布的《2025年世界能源就业报告》显示，2024年全球能源行业就业人数达到7600万，同比增长2.2%，接近全球整体就业增速的两倍。然而，约六成受访能源企业因技能人才和劳动力短缺面临招聘困难，应用型技术人才尤为紧缺。

IEA同时指出，AI正在成为能源行业提高生产率的工具，但目前尚未显著降低建设、运营和维护等环节对应用型技术人员的需求。

事实上，AI对能源行业就业的影响并非简单的“替代与被替代”，还涉及岗位内容和能力要求的结构性调整。随着重复性任务逐步交给系统，岗位对技术理解、专业判断和责任承担的要求也在变化。

谈及人才培养与企业需求的衔接，一位院校教师向21世纪经济报道记者坦言：“当院校还在讲传统工艺、强调专业能力时，企业已经开始应用AI质检、数字孪生等技术，‘人才供给的时间差’，让缺口短期难以填平。”

能源装备制造环节已经开始出现上述变化。在武汉，西门子能源武汉变压器工厂的数字化改造已经覆盖生产信息管理、物料预警等环节，但部分关键制造工序仍依赖熟练技工的现场经验；在上海，上海西门子能源高压开关有限公司投运的新厂房则引入自动化产线、智能仓储和全流程数字化管理，并开始探索人工智能在生产和质量管理中的应用。

无论是武汉工厂对既有生产流程进行数字化改造，还是上海工厂通过新厂房进一步导入自动化设备和数字化系统，两种路径都指向同一个问题：随着更多任务交给系统，一线制造岗位的工作会发生什么变化？

数字化率先改变信息流转

西门子能源武汉变压器工厂主要生产220千伏及以下电压等级电力变压器和车载移动式变电站。变压器多为定制化产品，不同项目在设计、物料和生产安排上各不相同，信息能否准确、及时流转，直接影响生产组织效率和项目执行节奏。

当前，武汉工厂已逐步形成从订单到生产执行的数字化主线。客户订单首先进入项目管理平台（PMT），随后自动流转至生产排产系统（APS），形成统一主计划，并进一步分解为设计计划、物料计划和生产计划。同时，MES（制造执行系统）、WMS（仓储管理系统）以及自动化物流控制系统持续推进集成，实现从订单、计划到物流和生产执行的数据贯通，让生产信息更为透明。

而自车间实现无纸化后，从设计到出厂，每台变压器都有自己的电子“档案”。生产出现异常时，系统主动提醒，工程师提出解决方案，再由系统追踪处理结果。

效率也随之提升。武汉工厂的相关智能化改造项目实施后，近三年来，工厂产出增长93%，生产率提升52%，问题平均处理时间缩短30%。

对于电力变压器制造而言，数字化并不意味着完全用系统替代人的判断。产品高度定制、制造过程复杂，工程判断、质量分析和风险评估仍然高度依赖专业人员的经验。因此，武汉工厂始终坚持“人负责决策，AI负责辅助”的原则，让AI发挥顾问作用，而不是直接参与业务决策。

西门子能源武汉工厂正在逐步实现数字化

例如，在质量管理领域，武汉工厂引入SupAR增强现实与AI视觉技术。检验人员通过搭载SupAR工具的iPad扫描变压器油箱，系统能够自动将现场实物与三维设计模型进行比对，快速识别潜在偏差和异常情况。AI负责发现问题和提供分析依据，而最终判定是否符合质量要求，仍由质量工程师结合专业经验进行确认。这种人机协同模式既提升了检查效率，也保证了质量判断的专业性和可靠性。

武汉工厂的案例显示，数字化首先改变的是信息流转和问题处理方式。系统可以提高预警和响应速度，但在部分复杂制造环节，熟练技工和工程师的经验依然不可替代。数字化与人的专业能力相结合，正成为提升复杂制造效率与质量的重要路径。

将人机协同拓展到更多场景

如果说武汉工厂更多体现了数字化如何改变信息流转，那么在上海工厂，自动化开始向更多生产环节延伸，AI也逐步进入部分生产和质量管理场景。

2026年7月，上海西门子能源高压开关有限公司新厂房正式投运。新厂房引入自动化产线、智能仓储物流系统和全流程数字化管理体系，并开始探索人工智能在生产和质量管理中的应用。

新厂房投运前，自动化仓储已经成为效率提升较为明显的环节之一。相关系统实现24小时作业后，存储效率和出入库效率均提高30%，运营流程时间缩短超过50%。按照目前规划，工厂未来将进一步引入智能排产和线边智能输送，推动仓储和物流继续向自动化和“黑灯化”发展。

在生产和质量管理环节，人机协同也在逐步展开。“我们会把相对标准的工序做自动化。”上海西门子能源高压开关有限公司总经理吴俊介绍，目前AI也开始进入质量管控的具体环节，工厂正推进关键工艺过程自动化，以统一标准、减少人为差错；同时利用数字化系统监控核心供应商的制程数据，并尝试通过AI分析制程是否稳定。

不过，吴俊强调，“黑灯化”并不意味着完全无人。

在西门子能源上海工厂的总装车间，一台145千伏气体绝缘开关设备的罐体正被六轴机器人缓缓吊起，精准对接法兰盘。机械臂的轨迹由旁边工位上的工程师在触控屏上微调。他不需要像从前那样站在行车下方挥旗指挥，只需盯着数字孪生屏幕上跳动的扭矩曲线和同轴度偏差，一旦数值越过阈值，红框自动在屏幕上标出异常密封面，他便接管机器人，用手动模式完成最后的精修。

这是另一种默契：重复性的搬运、翻转、拧紧交给机器人，而涉及密封面手感、氮气充气压力微调这类“只有老师傅知道”的判断，仍然留在人手里。

人机协同场景正在西门子能源上海工厂生动上演

车间另一头，AGV小车沿着地面磁条穿梭，把刚下线的隔离开关触头送进智能立体仓库，WMS系统自动匹配库位；质检工位上，AI眼镜辅助的视觉系统正在扫描罐体焊缝，秒级标出一处0.2毫米的疑似气孔，质检员拿起放大镜复核、确认、标记、放行，整个过程不超过十秒。而厂区外的光伏板和Smart ECX能碳平台实时联动，AI根据当日订单节奏调整空压机和烘干炉的用电曲线，提高能源利用效率。

AGV小车在西门子能源上海工厂智能仓库里“忙碌着”

在这里，人和机器的分工边界不是由“谁更聪明”决定的，而是由“谁来担责”决定的——机器人负责把动作做快、做稳、做到一致，人负责在关键节点进行判断、对最终产品负责。

这正是西门子能源在上海工厂的真实日常：不是机器取代人，而是人从重复劳动里被解放出来，站到了决策链的更上端。

能力要求变化，人才培养如何跟上？

随着人的工作更多转向分析和判断，能力要求的变化也开始反映在人才培养体系中。

《中华人民共和国职业分类大典（2022年版）》首次标注97个数字职业。围绕人工智能、智能制造、工业互联网等领域，人力资源和社会保障部实施数字技术工程师培育项目，计划2021年至2030年间每年培养培训数字技术技能人员8万人左右。2024年，人社部等九部门印发《加快数字人才培育支撑数字经济发展行动方案（2024—2026年）》，提出增加数字人才有效供给。

适应这些工作变化，员工既需要掌握新工具，也需要具备跨组织协作、解决实际业务问题和持续学习的能力。企业内部的培训内容也随之调整。

2021年，西门子能源在中国启动Talent Circle，面向发展型人才，通过跨组织学习、教练支持和Business Innovation Projects等方式，让参与者围绕实际业务问题开展项目。截至2026年，该项目已开展六届，覆盖200多名青年员工。

对于已经拥有多年专业经验的员工，培训重点则有所不同。SEL Rise-Up聚焦年龄多样性和终身学习，至今吸引近100名员工参与。项目通过课程学习、导师辅导、Mentoring & Shadowing实践、小组课题研究及多元俱乐部活动，鼓励学员持续突破年龄边界、拓展成长可能。2026年新增AI俱乐部，通过应用实践、经验分享和交流讨论，共同探索智能时代的新能力。

在西门子能源大中华区人力资源负责人张丽看来，处于不同职业阶段的员工面对的能力挑战并不完全相同。发展型人才需要持续提升跨组织协作和解决业务问题的能力；拥有多年专业经验的员工，则需要在既有经验基础上掌握新的工具和方法，拥抱变化，持续创造价值。

“在西门子能源，我们致力于营造开放、包容、彼此赋能的成长环境，鼓励员工保持持续学习的热情，在多元协作中共同成长。随着人工智能等新技术的发展，我们也在持续推进员工数字化和AI能力建设，帮助大家更好地运用新工具提升效率、激发创新，实现人与技术的协同发展。我们希望每一位员工都能够保持成长型思维，勇于承担责任，主动拥抱变化，持续释放自身潜能，不断提升应对新挑战和解决复杂问题的能力。”张丽说。

从上述制造案例看，数字化首先改变了信息流转方式，自动化开始承担更多标准化任务，AI则进入部分数据分析和质量管理场景。与此同时，复杂工序和现场判断仍在较大程度上依赖人的经验。

技术带来的变化因此不只是岗位数量的增减，更是岗位内部任务边界的重新划分。随着AI继续进入制造现场，这条边界仍将移动。