9月4日，在贵阳举行的2026霍尼韦尔科技创新峰会期间，霍尼韦尔科技大中华区总裁余锋接受了本刊记者的采访。余锋表示，工业AI不能简单套用通用大模型的逻辑，必须建立在对行业工艺、安全规范和生产现场的深刻理解之上。对化工企业而言，安全是应用的前提，能够形成可量化、可验证的效益，才是技术走向规模化的分水岭。

　　工业和信息化部等七部门在《石化化工行业稳增长工作方案（2025—2026年）》的政策解读中指出，2025—2026年石化化工行业增加值年均增长5%以上，并明确实施“人工智能+石化化工”行动。随着人工智能加快向生产现场渗透，行业的期待不再止于单一环节的效率优化，而是希望在安全、稳定、能耗和经营之间，建立经得起检验的运营能力。

　　从装置自主运行，到企业自主运营；从数据接入，到工艺、模型与组织协同，余锋所谈的并非单纯的技术升级，而是工业如何在高风险、强约束的生产条件下重构运营方式。这也为当下化工行业推进“人工智能+”提供了一个值得审视的实践样本。

从“装置会运行”到“企业会运营”

　　“自主运行”和“自主运营”，一字之差，折射出霍尼韦尔科技对工业智能化边界的不同理解。余锋在采访中解释，前者更多指向装置或系统执行层面的能力：在DCS、先进控制、报警管理、操作员培训等体系支撑下，让装置安全、稳定、高效地运行。后者则是一个端到端的系统级概念，涵盖数据贯通、知识沉淀、运营优化和组织协同，目标不只是减少某个岗位的人工操作，而是将企业运营中的感知、判断、执行和复盘逐步连接起来。

　　对化工企业而言，这一区分并非文字游戏。工业行业的竞争力，过去很大程度上取决于单台设备、单套装置或单个工艺环节的控制水平；而在原料波动、订单变化、能源约束和安全要求交织的环境中，单点最优并不必然带来全局最优。余锋判断，化工行业的自主运营将沿着“装置级自主运行—跨装置协同优化—工厂级运营决策”的路径逐步推进，最终有望延伸至原料采购、生产调度和产品销售等全链条的协同决策。

　　这也意味着，AI并不能绕开工业基础直接“跃迁”。余锋将当前的关键制约概括为三类：数据孤岛和数据治理不足，过程控制对动态优化的适配性不足，以及既懂AI又懂工业现场的复合型人才短缺。换言之，企业需要补的不是一套孤立的软件，而是打通数据、模型、工艺知识和组织机制之间接口的能力。

　　今年7月，霍尼韦尔科技宣布Forge智能互联平台落地中国，该平台采用与硬件无关的开放式架构，定位为贯穿企业运营全流程的“智能层”。截至2026年7月，Forge已服务全球超过2.5万家客户、覆盖超过28.8万个站点、协助管理约550万项设备资产。Forge能够将既有工业数据与场景知识结合，并在不必整体替换存量资产的前提下推动应用——与流程工业“长周期、重资产、强约束”的改造逻辑相吻合。

安全是工业AI的先决条件

　　化工行业讨论AI，首先绕不开安全。余锋认为，化工、钢铁、造纸等流程行业的安全风险具有鲜明的非线性特征：平时的微小偏差，可能在特定条件下演变为严重后果。因此，工业智能化必须建立在“人防、物防、技防”协同的基础上。技术系统可以扩大感知范围、加快识别和响应，但最终的工艺判定与安全责任不能被简单地从人身上“转移”给算法。

　　这也是余锋强调“敬畏”的原因。在他看来，工业AI既要守住底层控制和安全仪表系统的确定性，也要让上层应用具备可解释、可追溯的机制；在现阶段，人的决策仍应处在最后一道关键关口。把大模型直接接入高风险生产控制回路，既不符合流程工业的工程逻辑，也不符合安全治理逻辑。

　　霍尼韦尔科技此次宣布成立霍尼韦尔（中国）有限公司安全管理研究院和工业自主运营研究院，折射出其将安全能力建设与自主化推进并列布局的思路。就既有产品而言，霍尼韦尔科技官网对Safettice?誖工业生产与安全互联智慧平台的定位，是连接危险源监测、作业许可、巡检执行和应急响应等环节，形成从风险识别到响应处置的闭环；其AI助手用于风险变化提示和辅助判断，而非替代现场安全责任。

　　“工业AI比拼的不是技术的新颖程度，而是持续创造价值的能力。”余锋说，“没有经济效益的AI，只是昂贵的实验品。”但在化工场景中，这句话还有另一层含义：任何经济效益，都应在安全和合规的前提下计算。无论是将安全管理看作成本中心，还是将效率提升看作唯一目标，都不足以支撑自主运营。

可算的收益，才是可复制的能力

　　从技术概念走向行业实践，最终还要落到装置。余锋在采访中提到，霍尼韦尔科技与盛虹石化联合推出的操作导航智能决策系统，已在一套丙烷脱氢装置完成应用验证。这一案例的意义，不仅在于用AI输出建议，更在于把工艺机理、实时数据、设备性能和一线运营经验放在同一个决策框架中：系统可实时感知运行状态、对工况变化作出预判，并给出操作指引；操作人员不再完全依赖个人经验“凭手感”调参数。

　　盛虹石化公开披露的测试数据为这一说法提供了可追溯的参照：该系统实现装置自控率100%全覆盖，人工操作频次下降50%以上；仅蒸汽消耗一项，最高可每小时降低6.5吨，年节约成本超过1000万元。相关数据来自企业对PDH装置应用的公开发布信息，应理解为特定装置、特定工况下的项目验证结果，而非不经条件复制的行业平均值。

　　这恰恰是化工企业评价工业AI时需要保持的专业尺度。评价一个案例是否值得推广，不能只看“用了什么模型”，更要看数据边界是否清晰、工艺机理是否融入其中、控制权如何分配、收益如何计量，以及换到另一套装置后还需要哪些再训练和再验证。对于连续生产、强耦合的炼化和煤化工装置，操作导航、先进控制优化、设备预测性维护、安全风险预警等场景往往更接近规模化应用的起点；但从单装置的“辅助驾驶”走向跨装置乃至全厂的“自主运营”，仍是一项长期工程。

　　余锋给出的路径并不追求一步到位：先让数据在现场真正可用，再让模型在受控边界内持续优化；先在单装置形成可验证价值，再向跨装置协同和工厂级决策拓展。对正迈向高端化、绿色化、数字化和安全化改造的中国化工行业而言，这种渐进式路径或许比“全自动驾驶”的叙事更具工程意义。