英文原标题：How CrossnoKaye grounds physical AI with Amazon Bedrock AgentCore
本文为英文原文的机器翻译摘要，原文见：AWS Machine Learning Blog ↗
- 工业运营中，工厂数据和控制逻辑分散在PLC、DCS、历史数据库、SCADA等不同厂商系统中，外部AI代理难以有效接入，因为命名约定各异、控制逻辑封闭在专有控制器代码中，且跨OT系统分发凭证存在安全风险。
- CrossnoKaye采用不同方法，利用Amazon Bedrock AgentCore将物理AI引入重工业。其软件定义自动化平台ATLAS将实时工厂数据与AI推理连接至食品饮料、工业制冷、采石场和制造场所的设备闭环控制。
- ATLAS和AURA基于三个核心层构建：边缘端软件定义工厂，包括本地Kubernetes集群和冗余硬件；云端派生工程信号和闭环优化应用；AURA作为微服务和持久Temporal工作流在平台边界内运行，可访问设施或车队的完整运营状态。
- AURA使用Amazon Bedrock AgentCore的代码解释器功能，在隔离的AWS托管微VM沙箱中编写和运行Python工作负载，以对数值答案进行实际计算，并结合Amazon Bedrock Guardrails和本地边缘安全控制。
- 在一个采石场案例中，AURA通过读取输送机布局和部署的基础控制联锁，正确诊断出三级破碎机下方循环皮带打滑导致过载联锁触发，而非误判为二级破碎机故障，帮助工厂经理在几分钟内确认并修复问题。
关键数据
- 超过100个工业设施和13,000个受控资产
- 存储超过22万亿个机器数据点
- 每天摄入超过500亿条新读数
- 运行超过1,000个实时高级过程控制（APC）应用
- 这些应用据报告将生产效率提高11-17%，设施总能源成本平均降低21%
- 每年超过9,000次控制软件部署，超过100万运行小时，零安全事故
- 每天执行650,000次闭环控制动作
为什么值得看：该案例展示了如何利用Amazon Bedrock AgentCore在复杂工业环境中实现物理AI，通过结合工厂上下文和代码解释器进行精确计算，解决了传统企业软件中不常见的AI挑战。
