设备智能运维 AI 日报

10 月 6-7 日，AI Everything Abu Dhabi 2026 在阿布扎比 ADNEC 举行。工业软件商 IFS 将面向港口、铁路、电力、数据中心、航空 MRO、油气等资产密集型行业，现场演示三组工业 AI 能力：Loops Digital Workers 平台展示 AI 智能体如何跨业务系统执行既定任务；Nexus Black Resolve 演示用图像和语音捕捉设备故障，随后由 AI 生成诊断与引导式维修步骤；Operational Intelligence 演示从设备运行数据识别劣化征兆并自动生成维修工单——把"知道设备可能出问题"与"派出人手、备上备件、启动维修"之间的断层接上。

商业账本来自美国天然气压缩服务商 Kodiak Gas Services：800 余名外勤技师、约 150 座仓库，其 Material Replenisher 智能体让技师以对话方式查找并订购所需备件，按半数技师每天使用一次测算，预计年 ROI 达 300 万美元、每年向技师返还超 9 万小时用于真正的维修工作；IFS 已识别出 25 个以上 agentic AI 用例。IFS 亚太中东非 AI 区域副总裁指出，港口、铁路、公用事业等"资产即业务"的行业，最大机会在于基础设施交付移交时就建好资产台账与维护体系，而非多年后花高得多的成本重建。同期议程还聚焦 agentic AI 规模化部署中的治理、安全、问责与可审计性，以及"70% 的劳动力不坐在办公室里"——物理经济仍是 AI 未被占领的类别。

原文链接：https://arabianreseller.com/5h9b

以"智能经济 智造无界"为主题的第 26 届中国国际工业博览会将于 10 月 12 日在国家会展中心（上海）启幕。京东工业将以"AI 铸链·向实而生"为主题参展，在 9 月初发布工业供应链大模型 JoyIndustrial 2.0（支持用自然语言完成机械设计、直接输出 3D 打印成品）之后，具身垂域模型与安全世界模型将在工博会上亮相，覆盖研发设计、生产备料、协同制造、设备运维、仓储运输、质量管控等工业供应链真实场景——"设备运维"被明确列入大模型主战场清单。

成绩单方面：2026 年上半年，京东工业部署了 70 多个 AI 智能体，覆盖商品标准化、同品识别、商品寻源、议价、履约和结算等供应链核心流程；AI 增量 GMV 占重点企业客户 GMV 的 6.5%，AI 驱动核心岗位人效提升 16.6%。工博会期间，京东工业还将首次发布工业大模型驱动的工业品全链路质量管控体系（覆盖寻源、入厂检验、履约交付全周期），展示超大规模机器人零部件供应链服务体系，并联合产业伙伴打造全球最大的机器人零部件线上采购平台，能源、汽车智造、工程机械三大主题行业应用展区同步落地。

原文链接：https://www.163.com/dy/article/L83AUNQ905527PMU.html

国庆前夕，国网天津电力新投运两台无人驾驶智能巡检车，按既定路线自主巡检，覆盖范围从梅江片区拓展至生态城、空港片区，累计守护电缆路径超 120 公里。针对电缆终端塔、电缆路径、电缆隧道三类典型场景，国网天津电力精准布局"高空双光摄像头+无人智巡车+隧道巡检机械狗"多元装备体系，实现"空、地、隧"立体覆盖，并与全市 2 万余套线路监测装置协同联动，构建"定点监测+机动巡检"的立体化巡护网络。目前全市高压电缆总长已突破 8000 公里，传统人工巡检模式难以适应大规模电网运维需求。

后续报道补充了运行细节：智能管控中心人员轻点鼠标，即可调度无人智巡车与沿线固定摄像头协同作业，仅用 70 分钟便完成空港地区 46 公里电缆路径巡检。服务前端，自研智能体全天候自动抓取工单、智能研判、远程派单，国网天津城南公司"数智员工"系统投运以来，工单平均审核时间缩短 80%；运维后端则由无人智巡车、双光摄像头、隧道巡检机械狗协同作业，从"人工跑腿"到"数据跑路"，从"单点测温"到"动态感知"。

原文链接：https://www.stdaily.com/web/gdxw/2026-10/02/content_591421.html

9 月 30 日，美国基础设施服务商 Park Place Technologies 发布 AI 平台 ParkView Asset Intelligence，为服务器、存储、网络、安全设备与超融合基础设施逐台打 0-100 生命周期健康分，把此前只有原始设备制造商才掌握的单机状态可视性交给最终用户，支撑 refresh（换新）、repair（维修）、retire（退役）决策。该公司与 Service Express 合并后拥有 3300 名员工、超 2.5 万客户、115 万+ 在管资产。

评分数据三源合一：Park Place 35 年、约百万台跨厂商维护服务记录；区域备件可得性数据；客户自身的资产运行与服务历史。关键设计包括：带外（out-of-band）采集、独立于操作系统，OS 不可达时评分仍持续；每个分数附置信度指标；同型号家族全球基准对比——一台设备 66 分的含义，取决于同类设备平均分是 92 分。平台还能在支持工单产生之前，提前暴露配置问题、固件缺口与部件劣化趋势；跨一线厂商数十万次健康评估数据显示，约 1/50 的设备当前被识别为高风险。对超出 OEM 支持期、采用第三方维护的企业，健康分还可作为决策留证。Beta 版开放至 10 月 31 日。

原文链接：https://www.digitalisationworld.com/news/24081-park-place-launches-ai-tool-to-score-it-hardware-health-from-0-to-100

Amazon Science 发布博客，公开一套"图中心分析+agentic 编排"的网络根因分析架构：先把电信网络建成持续同步的数字孪生图——设备为顶点、链路为边，实时灌入设备台账、告警与 KPI 遥测；智能体层再自主执行三段级联——先做复杂度分诊，继而连通性剪枝圈定受影响子图、社区发现（Louvain 或标签传播）聚类相关节点、最后运行一组告警感知的中心性算法（个性化 PageRank、告警感知度中心性、告警相对接近中心性）收敛候选根因节点。智能体会依据网络拓扑类型（分层/星型/网状）自行选择算法变体。

输出侧，系统聚合拓扑模式、时序告警证据与中心性排名，生成带置信度评分的根因结论，自动开出新工单或增强既有工单，NOC 人员反馈回流用于持续学习；工程师还可用对话式助手按需探索数字孪生图。该架构与 NTT DOCOMO 在世界移动通信大会（MWC）用商用网络实测，根因定位从典型的 4-5 小时人工流程缩短到分钟级，直接对应更短的客户影响时间与更低的运维成本。

原文链接：https://www.amazon.science/blog/graph-centric-agentic-intelligence