當前，工業智能體成為學術界和產業界的研究熱點，國內外諸多企業紛紛展開了相關戰略布局。近日，《電子報》組織召開工業智能體創新發展座談會，邀請產業界代表共同探討工業智能體創新發展路徑、挑戰與機遇。本報將從四個方面呈現此次座談會內容，也歡迎有識之士留言，參與“云討論”。

01

學派認為——

賽迪研究信息化與軟件產業研究所人工智能研究室主任 王宇霞

要真正推動工業智能體在工業領域落地仍面臨諸多挑戰。首先是技術成熟度問題，很多大模型算法在通用場景中表現良好，但由于工業門類多、行業壁壘高、數據難獲取，工業現場復雜度高，其適應性、實時性、可靠性都存在較大問題。

其次是數據問題，工業現場存在諸多數據孤島、數據缺失、噪聲干擾等問題，現有數據是否足以用于訓練工業智能體，使其達到安全可靠的水平尚且存疑。據某報告顯示，制造業數據中只有44%被有效利用。智能體與大模型的智能很大一部分來自于提示詞、CoT等數據，在通用場景中，提示詞和CoT數據的獲取與標注都相對容易，但在工業場景中，工業知識壁壘高，構建高級別的語料庫存在非常大的難度。

還有安全問題，智能體會以接口形式或代碼生成形式執行任務，這是它跟大模型*的一個區別——能夠實現工具調用，正因如此，它也面臨更多安全威脅，如API接口漏洞、代碼供應鏈破壞、提示詞注入等都可能導致智能體被認知投毒。

此外，商業模式也存在挑戰。智能體投資回報不明顯帶來變現難題，工業智能體的算力、數據消耗及技術研發投入大，收益卻是長遠的且很多時候難以量化，難以出現在企業報表上。智能體在企業層面的賦能是橫向的，整體提升企業人員的效率，企業運轉的效率，很多企業看不到它實實在在帶來的收益，投資意愿不足。過去工廠以產品級服務思維采購軟件，通過一次性購買或版權購買獲得產品；而在智能體時代，底座大模型持續進化，智能體交付的也并非固定產品，而是任務完成能力。商業模式需要從產品級服務轉向智能級服務，企業采購也將從“買產品”變為“買長期服務”或“買任務結果”，這對企業組織架構和付費系統構成新挑戰，目前多數企業尚未做好充分準備。

另外，還存在責任界定不清問題。決策的智能體責任歸屬不明，若因調整工藝參數導致產線報廢或設備損壞，責任到底是歸算法開發者、數據提供者還是部署應用的企業，無法清晰界定，這為智能體的應用和推廣埋下法律和商業風險。

*是人因問題，如信任危機。生成式人工智能推出后，對人的替代效應明顯加快，原本多替代低技能勞動密集型人才，進入生成式階段后，對白領、知識密集型人才的替代作用也顯著增強。智能體具備工具調用能力，甚至可裝配于裝備中，對低技能或勞動密集型一線員工的替代效應將大幅提升，這可能引發部分人的心理抵觸。當代智能體以大模型為“大腦”，大模型的“黑箱”特性導致決策者難以看清完整決策鏈路，是否信任其決策成為導致信任危機的另一誘因。同時，當前智能體使用學成本較高，這也構成其應用落地的潛在門檻。

02

實踐派認為——

卡奧斯工業大腦經理 楊健

*，場景適配問題。工業領域受到生產設備、物料流動、人員技能、環境等因素的影響較大，很難通過大模型或智能體解決所有問題，需要選擇什么樣的場景落地智能體。第二，高質量數據稀缺。工業領域中，真正能被AI利用的數據比“44%/www.shhzy3.cn/的有效數據”還要少一個數量級，可能4%都不到。例如，一臺注塑機設備*產生1G運行數據，但一周內可用于模型訓練的數據不過5條——大量數據存在但可用的高質量數據極少，這是AI落地的*障礙。第三，供需匹配與商業化路徑問題。工業領域的場景價值能講出來，但ROI（投資回報率）不高，投入到物聯改造、數據清洗治理、AI算法開發訓練需要大量人力和時間成本，而帶來的效果往往與成本不成正比。此外，工業場景碎片化嚴重，一個場景落地后難以復制，無法通過規模化方式分攤成本投入，這也是多年來工業AI落地慢的重要原因。

和利時集團中央研究智能軟件平臺研究所所長 李天輝

我們認為不管是工業里的自動化、數字化還是智能化，核心都是軟件加數據。每個工廠都有差異，即使智能體能力一樣，但配置數據、工藝、管理方式都不同，不可能像手機APP那樣裝到每個工廠里不用配置就適應。要解決的核心問題不只是提哈上海自動化三廠效率，更大的目標是應對個性化應用、差異化需求和需求的快速變化。比如新能源汽車生產線，生產的車型可能三個月后就得變，這就要求工業軟件和相關系統跟著調整，過去調整的代價太大。以后智能體來了，可能80%的變化只需要在軟件里更新，這是我們能看到的未來趨勢。

工業場景里的技術其實是相通的，只是現在落地還很早，還在嘗試。比如自動化工程數據的自動翻譯就需要做特定訓練，文本轉圖不難，但控制領域的梯形圖有特殊性，必須做針對性訓練。我們現在做的，就是梳理典型場景里影響控制的關鍵參數，以及不同參數組合下的PID參數大概是什么，希望通過這些梳理構建一個PID智能體，以后到現場，比如火電，至少能讓工程師達到現在的標準水平，不用因為是初級工程師就水平低。另外，我們也在探索如何利用工業智能體推動全流程優化。比如根據外圍訂單變化、生產工藝變化，APS分解任務后，根據各工廠、產線的資源準備情況，把工單下給*產線。執行中如果有擾動，比如設備壞了，過去靠人重新調度，現在能不能靠APS自動分配？做這類智能體是有可能的，但核心問題是技術不能靠單一智能體，要靠多種技術手段的融合。

生產工藝里的設備優化、能源優化、工藝參數優化、調度優化，這些都是優化問題，核心是優化算法。而工業智能體和一般智能體*主要的區別是它在受限計算資源里運行。工廠里的智能化應用場景跟生產相關的，數據不出廠是基本要求，沒有一個工廠會用外部大模型或云；跟控制直接相關的，必須在安全網里，不可能出去，出去的也是處理過的、降維的，特定事故數據都過濾掉了，對于智能體的訓練沒有太大價值。

工業場景對實時性、準確度、自信度很高，不能有幻覺，所以一般會融合應用大模型、知識圖譜、機理模型等多種技術。工業智能體未來的發展目標很明確：在工業里敢用、可用，不能可用明天不可用，那樣就沒有應用場景。

京東方科技集團股份有限公司科學家 冷長林

   在推進工業智能體落地過程中，我們也遇到一些共性問題。*，產業數據要素價值釋放不夠。工廠建設年份不同，設備智能化程度不一，導致上海儀表三廠的工業數據高度異構、碎片化。做人工智能需要對數據進行標注和處理，但獲取高質量、標準化的多模態數據，需要投入大量資源，這目前是行業短板和痛點。第二，算力資源與模型部署難平衡。工廠分布地域廣，工業場景對數據實時性、安全性有要求，算力受限于成本和網絡通信環境，云端部署難以滿足工廠的全場景需求，邊端部署又對算法提出了更高要求。第三，工業智能體技術路徑目前仍以通用AI為主，需要加強與制造生產工藝和工業知識的融合。當前多數工業大模型基于視覺語言構建，離真正掌握行業制造工藝還有很大差距，實踐中還涉及跨組織協同、高價值場景挖掘等問題都需要解決。第四，評價標準和體系需要完善。我們做了一些工業核心應用，卻很難判斷在行業中是*還是落后、差距，缺乏明確的評價方向。

統信生態合作中心經理 張木梁

從*開始基于對話的通用模型解決單一問題，到現在智能體的出現逐漸能處理復雜問題，這是很大的進步。但目前這些成果在應用中，還都集中在輔助決策領域。核心原因在于：人工智能本質上還是概率問題——無論用多大算力，*終給出的都是高概率結果，存在不確定性；而工業生產制造的*終環節，要求的是*確定性，過程不確定，就不可能應用在工業生產中。現實中人工智能的不確定性恰恰存在，所以目前還只能停留在輔助決策階段。

杭州熾橙科技副經理、運營官 韓鵬

工業智能體雖火，但在落地過程中還有很多難啃的“硬骨頭”。*，數據“方言”難互通。構建高質量數據集的關鍵在于多元、異構數據的融合，包括IT、OT、ET數據的融合。技術很簡單但有些系統沒把數據集合在一起，所以先得進行系統集成，打通數據“方言”仍有一些工作量。第二，實時與控制“慢半拍”。大模型多部署在中央、云上或集團數據中心，邊緣側還會用小語言模型，大語言模型定義任務，小語言模型來執行控制，規劃得很好但到執行層常常存在問題，大語言模型部署后，對于復雜的問題要等待2、3秒，這是已經優化很多的狀態，但業務不會容忍。很多現場不喜歡用推理模型，因為想快速看結果，所以要把智能體真正落地到工業，落地到OT層、控制層，路還很長，不僅需要算力的優化，還有架構上的優化。第三，中小企業“夠不著”。很多中小企業產值低，不僅基礎差、缺數據，還缺人，缺既懂業務又懂技術的人，工業智能體需要不斷降低成本、不斷標準化后才可能逐步落地。

IBM科技事業部自動化技術* 林凱迪

Deepseek發布后，很多企業都表示要上AI、用智能體，但深入現場后發現，他們并不具備用AI的場景，甚至連*基本的信息化、數字化都沒完成，這種情況在中小企業中非常普遍。要走向AI代表的智能化，信息化還是少不了。畢竟智能體是“AI+自動化”的結合，原來沒補的課還是要補齊。

這里有個特別的現象：我們幫一個汽車客戶做產線維修的備件管理，涉及庫存預測、庫存金額控制、向供應商發起采購流程等，整個鏈條用智能體打通，還升級了他們的舊系統。但*客戶*認可的，不是大模型或智能體技術本身，而是基于他們原有系統，用小模型做的庫存用量預測，因為這能帶來實實在在的收益。智能體技術本質上還是在節省人力，但如果有一個更好的小模型，能夠帶來的幾千萬甚至上億庫存10%~20%的優化，這種收益遠高于人力成本節約。

這就引出第二個點：投資回報率問題。我們和很多企業溝通發現，AI部署越復雜的場景，對模型能力要求越高，硬件、軟件、部署等成本也越高。有些簡單場景，我們能做到98%-99%的準確率，但客戶一算賬，會覺得投資回報率不高。所以，找到工業智能體的好應用場景很重要——讓企業看到價值，愿意投入做試點，才能進一步在企業內部推廣。現在很多企業哪怕和廠商合作，其實也是在“花錢買未來”，直白說就是買業績。

阿里巴巴達摩算法* 趙亮

構建工業智能體的挑戰主要有兩方面：*，性和安全性的高要求。工業企業雖有大量數據，但可用、準確的數據少，影響智能體構建。解決工業生產問題時需將機理模型與生成式模型融合，這種融合不能靠堆積數據或硬件來解決，而要深入系統機理。第二，可復制性差。工業場景定制化程度高，適配難度大，導致推廣成本高，影響長期商業化發展。

愛動越人工智能科技經理 高志勇

*，數據收集、治理、清洗難，很多企業工單、故障代碼還是紙質的；第二，人才配合難，工業智能體不是純做IT或人工智能的企業自己就能完成的，需要和業務部門進行協調和配合，但他們對智能體和大模型可能不熟悉；第三，整體實施落地中的配合性不高，智能體在很多企業都是一把手工程，但實際做這個事是有一定抵制的，數字員工、數字工程師會影響現有崗位；第四，安全與數據隱私問題；第五，持續優化與服務，初期期望值高，實際達標難，比如目了98%，實際做到60%-70%很容易，90%以上就很難，這也符合現在AI發展的狀況。