作者：毛烁

当Anthropic开源的Model Context Protocol（MCP）成为连接AI助手与数据系统的新标准，如同USB-C为设备连接提供标准化接口一样，MCP为AI智能体提供了一种能与现实世界“对话”的标准化的“物理层语言”。这一转变也将AI模型的“推理潜力”转化为了“实际作业能力”。

“连接世界”的复杂度被大幅降低后，AI Agent的应用范式也随之跃迁，2025年也迎来了AI智能体的“应用元年”。AI从“Chatbot”演进为“能感知、能执行、能反馈”的系统级智能体（Agent），其应用侧也开始向交通、工业、能源等重资产行业渗透。

如今，AI智能体技术，正在告别“炫技”阶段，真正深入产业腹地，从“好玩”变为“好用”。

在日前举办的世界人工智能大会（WAIC 2025）上，施耐德电气就面向数字楼宇行业发布了一款重磅新品——EcoStruxure™ Building GPT。该产品是一款定位于“楼宇暖通智能运维专家”的行业级AI智能体，致力于让AI真正“听懂、看懂、做懂”楼宇设备运行和运维任务，推动能源管理领域从数字化向智能协同迈进。

不同于常见的通用AI工具，EcoStruxure™ Building GPT的功能不仅仅是简单的对话，而是面向楼宇暖通系统的能效提升与运维变革，融合了知识图谱与大语言模型的行业专用智能体，具备“感知、理解、诊断、决策与优化”的闭环能力。

通用到专用施耐德电气打造更“懂行”的智能体

与市场上众多“套壳”大模型的产品不同，EcoStruxure™ Building GPT并非简单地将基础模型“换壳”嵌入，而是基于施耐德电气在OT（运营技术）领域数十年的知识、数据与流程积累，重构了一套“行业智能体架构”。

施耐德电气数字能效业务中国区数字楼宇和智能系统产品市场部负责人魏琨表示：“施耐德电气一直以来都是数字化的引领者，在能源管理的OT领域有非常丰富的经验和数据积累，以及专家的积累。因此，施耐德电气有信心在这一领域发挥引领作用。”

施耐德电气数字能效业务中国区数字楼宇和智能系统产品市场部负责人 魏琨

回归到EcoStruxure™ Building GPT本身，具体而言，其核心能力体现在五大“支柱技术”上：

其一是深度融合的知识图谱。通过构建领域知识图谱，将原本分散的设备知识、专家面对故障的经验和运行逻辑进行结构化管理，实现智能体的“知识成型”，从根本上解决信息混乱的问题。

具体而言，施耐德电气将暖通设备的点位关系、控制逻辑、故障模式、运维手册等海量的非结构化知识，结构化为逻辑清晰的知识图谱。这使得AI不仅能回答“是什么”，更能基于逻辑推理，深刻解释“为什么”，这为复杂的故障诊断提供了坚实基础。

其二是自然语言驱动的大模型交互。“EcoStruxure™ Building GPT的核心目标是降低技术门槛。”魏琨举例称，楼宇运维团队人员的素质参差不齐，一些年纪较大的员工，尽管拥有丰富的经验，但对于使用复杂的数字化工具却存在挑战。而有了AI的加持，他们就可以通过对话、交互获取信息，最大程度地降低了门槛。

其三是多模态感知与解析能力。EcoStruxure™ Building GPT支持图纸PDF、语音输入、Excel表等多模态的数据解析。

其四是先进的RAG与模型微调技术。为了确保回答的精准性和相关性，尽可能减少模型的幻觉率，EcoStruxure™ Building GPT不仅利用了RAG（检索增强生成）机制，还将强化学习（Reinforcement Learning）和LoRA（低秩自适应）微调技术融入模型训练中。

“我们的LoRA也借鉴了MoE（混合专家模型）的训练方法，确保模型更偏向于在行业场景中使用。”魏琨说。

其五是灵活的私有化部署能力。“数据安全是行业客户非常关心的问题。”魏琨对此特别强调：“目前，很多客户因为数据安全和隐私原因，不能让数据上云。而EcoStruxure™ Building GPT在设计上原生支持与客户自建的DeepSeek‘满血版本’做配合，帮助客户实现完全的私有化部署。此外。在运维一段时间后，我们可以把整个系统完全交付给客户，彻底解决了他们对数据安全和供应商绑定的顾虑。”

一句话搞定故障排查EcoStruxure™Building GPT让“人效”与“能效”双升

对于EcoStruxure™ Building GPT，施耐德电气制定了两大核心KPI——“人效”（人员效率）与能效提升。同时以AI技术深入运维、管理、能耗等多个维度，实现降本增效、提质升级的成果。

在“人效”提升方面，EcoStruxure™ Building GPT以“AI梳理架构+自然语言交互”的方式，极大降低了新员工上手的门槛。

过去，一个刚入行的运维人员需要熟悉繁复的设备点表和控制逻辑，翻阅厚重的图纸才能勉强完成排查。

而如今，借助系统的智能问答功能，只需一句自然语言提问——如“东塔楼5楼空调太热，空调系统是否存在问题？”，系统便可实时调取相关设备数据、历史故障记录、控制逻辑与图纸，快速生成清晰的排查路径与操作建议。这一方式将大幅缩短新员工的熟练周期，同时也让团队内部的知识由隐性变为显性，实现了经验的结构化、标准化沉淀。

通过语音输入替代人工核对等传统流程，EcoStruxure™ Building GPT将能够有效提升数据校准等关键步骤的效率；同时，对工单和故障处理流程进行了深度重构，借助自动化分析功能，不仅帮助企业减少了运维人力投入，还将故障处理周期缩短，相应地带来了维修成本下降。在实际运行中，这种效率优势转化为对运营资源的更优配置，使人力和设备都能以更高的效能运转。

此外，EcoStruxure™ Building GPT还深度参与到故障诊断与风险管理中。通过“AI定位+故障分析”的组合，将平均故障修复时间大幅缩短。结合实时数据监测和预测性预警机制，EcoStruxure™ Building GPT可以在问题发生前发出提示，将故障发生概率降低。此外，其决策建议的可视化能力也显著减少了人为误判的可能性，让相关风险下降。这些特性共同构成了一套更可靠、更主动的运维体系。

在管理层面，EcoStruxure™ Building GPT展现出对数据的深度整合与调用能力。EcoStruxure™ Building GPT能够支持对设备运行状态的精准查询，让一线操作人员与管理者都能在更短时间内做出更准确的判断，决策效率提升。

同时，其还能模拟多种调节策略的预期效果，辅助管理者选择最优方案，从而带动整体系统运行效率提升。更重要的是，随着系统持续运行，EcoStruxure™ Building GPT的动态知识库也将自动不断扩充，这使得经验的积累不再依赖于个体，而转变为企业资产，在新老员工之间实现无缝传承，让经验复用效率实现倍增。

魏琨透露，施耐德电气内部在部署EcoStruxure™ Building GPT时，设置了点赞、点踩等反馈机制。在模型初期上线阶段，好评率维持在70%左右。而随着持续迭代与优化，如今好评率已超过90%，充分说明了其在真实场景下对一线人员的使用价值与支持力度。

除了提升运维与管理效率，EcoStruxure™ Building GPT在能效优化方面也发挥了核心作用。其基于历史运行数据、实时负荷信息与天气预报模型，能够为设施管理团队提供精细化的能耗分析和节能策略建议。

正是在“人效+能效”的双重驱动下，EcoStruxure™ Building GPT不仅成为施耐德电气自身的智能化引擎，也正在为整个行业的转型提供样本。

但是，魏琨同时也强调说：“我们的目标从不是用AI取代人，而是让人的经验可以被AI所吸收、转化和复用，使AI成为经验传承的工具，成为一线团队的‘第二大脑’”。

从AI BOX到EcoStruxure™Building GPT 用“结果导向”打通AI商业化

其实，施耐德电气在AI领域的探索早在“Agent爆发”甚至“AI爆发”之前。2023年，施耐德电气就推出了首款此类产品—— SpaceLogic™ AI BOX（楼宇节能盒）。

魏琨回忆道：“当初在发布 SpaceLogic™ AI BOX（楼宇节能盒）时，ChatGPT还没有深入到B端市场。那时，大家对AI的理解还很模糊，甚至心存顾虑，我们花费了大量时间去和客户沟通、培育市场。”

然而，随着2023到2024年AI市场的快速成熟，情况变得完全不一样了。“今年我们再和客户谈到EcoStruxure™ Building GPT，他们的接受度非常高，觉得这再自然不过。”魏琨直言道：“C端用户认知的普及，极大地推动了B端产品的落地——这确实是我们这个时代的红利。”

市场一旦成熟，商业模式自然明朗。当被问及成本时，魏琨坦言道：“重点不是价格，而是价值。”

我们的定价逻辑非常简单——以为客户创造的结果付费。但更核心的是，施耐德电气所有AI产品的定价都与结果挂钩。“说到底，你必须先帮客户赚到或省下足够多的钱，才有资格从他那里分享一部分收益。”魏琨说。

也正是这种“先创造价值，再分享价值”的底层逻辑，让施耐德电气对AI的未来角色有了更高的期望。

谈及此，魏琨也展望道：“未来，AI不再是冰冷的工具，而是更‘懂业务’的数字同事。当然，施耐德电气也将继续演进。或许，明年的今天，我们将见证第三次技术融合下，带来的新产品。”

写在最后

在产业AI的竞争进入深水区的当下，施耐德电气的此次的发布其实反应了一种模式——“先有行业懂行，再有AI赋能”。这种模式，或许能摆脱纯技术公司“拿着锤子找钉子”的窘境。

EcoStruxure™ Building GPT将机器侧复杂的、非人性的数据语言，翻译为一线人员能理解、能执行的决策指令，从而将AI从“聪明的玩具”转变为直击“人效”与“能效”两大痛点的生产力工具。

这种转变背后反映的是B端市场对AI认知的成熟化。当C端用户已经习惯了Chatbot式的交互后，B端客户对AI的期待也从“能用”升级为“好用”。这为专业化AI产品创造了更好的市场窗口期。

而更深层的启示在于，未来在AI领域的竞争或将不再是算法优劣的比拼，而是对特定行业“know-how”的深度理解和重塑能力。谁能将数十年的行业积淀转化为AI的“肌肉记忆”，谁就能在行业的垂直赛道中建立更加坚固的“护城河”。