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
，《中國電子報》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。本報將從四個方麵呈現此次座談會內容，也歡迎有識之士留言，參與“雲討論”。

01

學院派認為——

賽迪研究院信息化與軟件產業研究所人工智能研究室主任 王宇霞

要yao真zhen正zheng推tui動dong工gong業ye智zhi能neng體ti在zai工gong業ye領ling域yu落luo地di仍reng麵mian臨lin諸zhu多duo挑tiao戰zhan。首shou先xian是shi技ji術shu成cheng熟shu度du問wen題ti，很hen多duo大da模mo型xing算suan法fa在zai通tong用yong場chang景jing中zhong表biao現xian良liang好hao
，但dan由you於yu工gong業ye門men類lei多duo、行業壁壘高、數據難獲取
，工業現場複雜度高，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、噪聲幹擾等問題，現有數據是否足以用於訓練工業智能體，使其達到安全可靠的水平尚且存疑。據某報告顯示

，製造業數據中隻有44%被有效利用。智能體與大模型的智能很大一部分來自於提示詞
、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自主生成形式執行任務
，這是它跟大模型最大的一個區別——能夠實現工具調用

，正因如此
，它也麵臨更多安全威脅，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shu據ju消xiao耗hao及ji技ji術shu研yan發fa投tou入ru大da，收shou益yi卻que是shi長chang遠yuan的de且qie很hen多duo時shi候hou難nan以yi量liang化hua，難nan以yi出chu現xian在zai企qi業ye報bao表biao上shang。智zhi能neng體ti在zai企qi業ye層ceng麵mian的de賦fu能neng是shi橫heng向xiang的de，整zheng體ti提ti升sheng企qi業ye人ren員yuan的de效xiao率lv，企qi業ye運yun轉zhuan的de效xiao率lv，很hen多duo企qi業ye看kan不bu到dao它ta實shi實shi在zai在zai帶dai來lai的de收shou益yi，投tou資zi意yi願yuan不bu足zu。過guo去qu工gong廠chang以yi產chan品pin級ji服fu務wu思si維wei采cai購gou軟ruan件jian，通tong過guo一yi次ci性xing購gou買mai或huo版ban權quan購gou買mai獲huo得de產chan品pin；而(er)在(zai)智(zhi)能(neng)體(ti)時(shi)代(dai)，底(di)座(zuo)大(da)模(mo)型(xing)持(chi)續(xu)進(jin)化(hua)，智(zhi)能(neng)體(ti)交(jiao)付(fu)的(de)也(ye)並(bing)非(fei)固(gu)定(ding)產(chan)品(pin)，而(er)是(shi)任(ren)務(wu)完(wan)成(cheng)能(neng)力(li)。商(shang)業(ye)模(mo)式(shi)需(xu)要(yao)從(cong)產(chan)品(pin)級(ji)服(fu)務(wu)轉(zhuan)向(xiang)智(zhi)能(neng)級(ji)服(fu)務(wu)
，企(qi)業(ye)采(cai)購(gou)也(ye)將(jiang)從(cong)“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係統構成新挑戰，目前多數企業尚未做好充分準備。

lingwai，haicunzaizerenjiedingbuqingwenti。zizhujuecedezhinengtizerenguishubuming
，ruoyinzizhutiaozhenggongyicanshudaozhichanxianbaofeihuoshebeisunhuai，zerendaodishiguisuanfakaifazhe
、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。

最(zui)後(hou)是(shi)人(ren)因(yin)問(wen)題(ti)
，如(ru)信(xin)任(ren)危(wei)機(ji)。生(sheng)成(cheng)式(shi)人(ren)工(gong)智(zhi)能(neng)推(tui)出(chu)後(hou)，對(dui)人(ren)的(de)替(ti)代(dai)效(xiao)應(ying)明(ming)顯(xian)加(jia)快(kuai)，原(yuan)本(ben)多(duo)替(ti)代(dai)低(di)技(ji)能(neng)勞(lao)動(dong)密(mi)集(ji)型(xing)人(ren)才(cai)，進(jin)入(ru)生(sheng)成(cheng)式(shi)階(jie)段(duan)後(hou)，對(dui)白(bai)領(ling)、zhishimijixingrencaidetidaizuoyongyexianzhuzengqiang。zhinengtijubeigongjutiaoyongnengli

，shenzhikezhuangpeiyuzhuangbeizhong，duidijinenghuolaodongmijixingyixianyuangongdetidaixiaoyingjiangdafutisheng

，zhekenengyinfabufenrendexinlidichu。dangdaizhinengtiyidamoxingwei“大腦”，大模型的“黑箱”texingdaozhijuecezhenanyikanqingwanzhengjuecelianlu，shifouxinrenqijuecechengweidaozhixinrenweijidelingyiyouyin。tongshi
，dangqianzhinengtishiyongxuexichengbenjiaogao
，zheyegouchengqiyingyongluodideqianzaimenkan。

02

實踐派認為——

卡奧斯工業大腦總經理 楊健

第一

，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huan境jing等deng因yin素su的de影ying響xiang較jiao大da，很hen難nan通tong過guo大da模mo型xing或huo智zhi能neng體ti解jie決jue所suo有you問wen題ti
，需xu要yao選xuan擇ze什shen麼me樣yang的de場chang景jing落luo地di智zhi能neng體ti。第di二er

，高gao質zhi量liang數shu據ju稀xi缺que。工gong業ye領ling域yu中zhong，真zhen正zheng能neng被beiAI利用的數據比“44%的有效數據”還要少一個數量級，可能4%都不到。例如
，一台注塑機設備一天產生超1G運行數據
，但一周內可用於模型訓練的數據不超過5條——大量數據存在但可用的高質量數據極少，這是AI落地的最大障礙。第三，供需匹配與商業化路徑問題。工業領域的場景價值多少能講出來，但ROI（投資回報率）不高，投入到物聯改造、數據清洗治理、AI算suan法fa開kai發fa訓xun練lian需xu要yao大da量liang人ren力li和he時shi間jian成cheng本ben
，而er帶dai來lai的de效xiao果guo往wang往wang與yu成cheng本ben不bu成cheng正zheng比bi。此ci外wai，工gong業ye場chang景jing碎sui片pian化hua嚴yan重zhong，一yi個ge場chang景jing落luo地di後hou難nan以yi複fu製zhi
，無wu法fa通tong過guo規gui模mo化hua方fang式shi分fen攤tan成cheng本ben投tou入ru
，這zhe也ye是shi多duo年nian來lai工gong業yeAI落地慢的重要原因。

和利時集團中央研究院智能軟件平台研究所所長 李天輝

我們認為不管是工業裏的自動化、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那樣裝到每個工廠裏不用配置就適應。要解決的核心問題不隻是提升自動化效率，更大的目標是應對個性化應用、chayihuaxuqiuhexuqiudekuaisubianhua。biruxinnengyuanqicheshengchanxian
，jintianshengchandechexingkenengsangeyuehoujiudebian，zhejiuyaoqiugongyeruanjianhexiangguanxitonggenzhetiaozheng，guoqutiaozhengdedaijiataida。yihouzhinengtilaile
，keneng80%的變化隻需要在軟件裏更新，這是我們能看到的未來趨勢。

工gong業ye場chang景jing裏li的de技ji術shu其qi實shi是shi相xiang通tong的de，隻zhi是shi現xian在zai落luo地di還hai很hen早zao
，還hai在zai嚐chang試shi。比bi如ru自zi動dong化hua工gong程cheng數shu據ju的de自zi動dong翻fan譯yi就jiu需xu要yao做zuo特te定ding訓xun練lian
，文wen本ben轉zhuan圖tu不bu難nan

，但dan控kong製zhi領ling域yu的de梯ti形xing圖tu有you特te殊shu性xing
，必bi須xu做zuo針zhen對dui性xing訓xun練lian。我wo們men現xian在zai做zuo的de，就jiu是shi梳shu理li典dian型xing場chang景jing裏li影ying響xiang控kong製zhi的de關guan鍵jian參can數shu，以yi及ji不bu同tong參can數shu組zu合he下xia的dePID參數大概是什麼，希望通過這些梳理構建一個PID智zhi能neng體ti
，以yi後hou到dao現xian場chang，比bi如ru火huo電dian，至zhi少shao能neng讓rang工gong程cheng師shi達da到dao現xian在zai的de標biao準zhun水shui平ping，不bu用yong因yin為wei是shi初chu級ji工gong程cheng師shi就jiu水shui平ping低di。另ling外wai，我wo們men也ye在zai探tan索suo如ru何he利li用yong工gong業ye智zhi能neng體ti推tui動dong全quan流liu程cheng優you化hua。比bi如ru根gen據ju外wai圍wei訂ding單dan變bian化hua、生產工藝變化，APS分解任務後，根據各工廠、產線的資源準備情況，把工單下給最優產線。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。

生產工藝裏的設備優化、能源優化、工藝參數優化、調(tiao)度(du)優(you)化(hua)
，這(zhe)些(xie)都(dou)是(shi)優(you)化(hua)問(wen)題(ti)
，核(he)心(xin)是(shi)優(you)化(hua)算(suan)法(fa)。而(er)工(gong)業(ye)智(zhi)能(neng)體(ti)和(he)一(yi)般(ban)智(zhi)能(neng)體(ti)最(zui)主(zhu)要(yao)的(de)區(qu)別(bie)是(shi)它(ta)在(zai)受(shou)限(xian)計(ji)算(suan)資(zi)源(yuan)裏(li)運(yun)行(xing)。工(gong)廠(chang)裏(li)的(de)智(zhi)能(neng)化(hua)應(ying)用(yong)場(chang)景(jing)跟(gen)生(sheng)產(chan)相(xiang)關(guan)的(de)，數(shu)據(ju)不(bu)出(chu)廠(chang)是(shi)基(ji)本(ben)要(yao)求(qiu)，沒(mei)有(you)一(yi)個(ge)工(gong)廠(chang)會(hui)用(yong)外(wai)部(bu)大(da)模(mo)型(xing)或(huo)雲(yun)
；跟控製直接相關的

，必須在安全網裏，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，對於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：在工業裏敢用、可用

，不能今天可用明天不可用，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

zaituijingongyezhinengtiluodiguochengzhong

，womenyeyudaoyixiegongxingwenti。diyi
，chanyeshujuyaosujiazhishifangbugou。gongchangjianshenianfenbutong，shebeizhinenghuachengdubuyi，daozhigongyeshujugaoduyigou
、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(biao)準(zhun)化(hua)的(de)多(duo)模(mo)態(tai)數(shu)據(ju)，需(xu)要(yao)投(tou)入(ru)大(da)量(liang)資(zi)源(yuan)，這(zhe)目(mu)前(qian)是(shi)行(xing)業(ye)短(duan)板(ban)和(he)痛(tong)點(dian)。第(di)二(er)，算(suan)力(li)資(zi)源(yuan)與(yu)模(mo)型(xing)部(bu)署(shu)難(nan)平(ping)衡(heng)。工(gong)廠(chang)分(fen)布(bu)地(di)域(yu)廣(guang)，工(gong)業(ye)場(chang)景(jing)對(dui)數(shu)據(ju)實(shi)時(shi)性(xing)
、安an全quan性xing有you要yao求qiu，算suan力li受shou限xian於yu成cheng本ben和he網wang絡luo通tong信xin環huan境jing，雲yun端duan部bu署shu難nan以yi滿man足zu全quan國guo工gong廠chang的de全quan場chang景jing需xu求qiu，邊bian端duan部bu署shu又you對dui算suan法fa提ti出chu了le更geng高gao要yao求qiu。第di三san，工gong業ye智zhi能neng體ti技ji術shu路lu徑jing目mu前qian仍reng以yi通tong用yongAI為(wei)主(zhu)，需(xu)要(yao)加(jia)強(qiang)與(yu)製(zhi)造(zao)生(sheng)產(chan)工(gong)藝(yi)和(he)工(gong)業(ye)知(zhi)識(shi)的(de)融(rong)合(he)。當(dang)前(qian)多(duo)數(shu)工(gong)業(ye)大(da)模(mo)型(xing)基(ji)於(yu)視(shi)覺(jiao)語(yu)言(yan)構(gou)建(jian)，離(li)真(zhen)正(zheng)掌(zhang)握(wo)行(xing)業(ye)製(zhi)造(zao)工(gong)藝(yi)還(hai)有(you)很(hen)大(da)差(cha)距(ju)，實(shi)踐(jian)中(zhong)還(hai)涉(she)及(ji)跨(kua)組(zu)織(zhi)協(xie)同(tong)
、高gao價jia值zhi場chang景jing挖wa掘jue等deng問wen題ti都dou需xu要yao解jie決jue。第di四si，評ping價jia標biao準zhun和he體ti係xi需xu要yao完wan善shan。我wo們men做zuo了le一yi些xie工gong業ye核he心xin應ying用yong

，卻que很hen難nan判pan斷duan在zai行xing業ye中zhong是shi領ling先xian還hai是shi落luo後hou、差距在哪，缺乏明確的評價方向。

統信生態合作中心總經理 張木梁

從(cong)最(zui)開(kai)始(shi)基(ji)於(yu)對(dui)話(hua)的(de)通(tong)用(yong)模(mo)型(xing)解(jie)決(jue)單(dan)一(yi)問(wen)題(ti)
，到(dao)現(xian)在(zai)智(zhi)能(neng)體(ti)的(de)出(chu)現(xian)逐(zhu)漸(jian)能(neng)處(chu)理(li)複(fu)雜(za)問(wen)題(ti)，這(zhe)是(shi)很(hen)大(da)的(de)進(jin)步(bu)。但(dan)目(mu)前(qian)這(zhe)些(xie)成(cheng)果(guo)在(zai)應(ying)用(yong)中(zhong)，還(hai)都(dou)集(ji)中(zhong)在(zai)輔(fu)助(zhu)決(jue)策(ce)領(ling)域(yu)。核(he)心(xin)原(yuan)因(yin)在(zai)於(yu)：人工智能本質上還是概率問題——無論用多大算力，最終給出的都是高概率結果，存在不確定性；ergongyeshengchanzhizaodezuizhonghuanjie
，yaoqiudeshijueduiquedingxing，guochengbuqueding，jiubukenengyingyongzaigongyeshengchanzhong。xianshizhongrengongzhinengdebuquedingxingqiaqiacunzai，suoyimuqianhaizhinengtingliuzaifuzhujuecejieduan。

杭州熾橙科技副總經理、首席運營官 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”。第一
，數據“方言”難互通。構建高質量數據集的關鍵在於多元
、異構數據的融合，包括IT、OT

、ET數據的融合。技術很簡單但有些係統沒把數據集合在一起
，所以先得進行係統集成，打通數據“方言”仍有一些工作量。第二
，實時與控製“慢半拍”。大模型多部署在中央、yunshanghuojituanshujuzhongxin，bianyuancehaihuiyongxiaoyuyanmoxing，dayuyanmoxingdingyirenwu

，xiaoyuyanmoxinglaizhixingkongzhi，guihuadehenhaodandaozhixingcengchangchangcunzaiwenti，dayuyanmoxingbushuhou，duiyufuzadewentiyaodengdai2、3miao，zheshiyijingyouhuahenduodezhuangtai
，danyewubuhuirongren。henduoxianchangbuxihuanyongtuilimoxing，yinweixiangkuaisukanjieguo，suoyiyaobazhinengtizhenzhengluodidaogongye，luodidaoOT層、控製層，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、不斷標準化後才可能逐步落地。

IBM科技事業部自動化技術專家 林凱迪

Deepseek發布後，很多企業都表示要上AI、用智能體
，但深入現場後發現，他們並不具備用AI的場景，甚至連最基本的信息化、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。

這裏有個特別的現象：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、庫存金額控製、xianggongyingshangfaqicaigouliuchengdeng，zhenggeliantiaoyongzhinengtidatong，haishengjiletamendejiuxitong。danzuihoukehuzuirenkede，bushidamoxinghuozhinengtijishubenshen，ershijiyutamenyuanyouxitong
，yongxiaomoxingzuodekucunyongliangyuce
，yinweizhenengdailaishishizaizaideshouyi。zhinengtijishubenzhishanghaishizaijieshengrenli，danruguoyouyigegenghaodexiaomoxing
，nenggoudailaidejiqianwanshenzhishangyikucun10%~20%的優化，這種收益遠高於人力成本節約。

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部署越複雜的場景
，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，願意投入做試點，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。

阿裏巴巴達摩院算法專家 趙亮

構建工業智能體的挑戰主要有兩方麵：第一
，精確性和安全性的高要求。工業企業雖有大量數據，但可用
、zhunquedeshujushao
，yingxiangzhinengtigoujian。jiejuegongyeshengchanwentishixujiangjilimoxingyushengchengshimoxingronghe，zhezhongronghebunengkaoduijishujuhuoyingjianlaijiejue，eryaoshenruxitongjili。dier，kefuzhixingcha。gongyechangjingdingzhihuachengdugao，shipeinanduda
，daozhituiguangchengbengao，yingxiangchangqishangyehuafazhan。

愛動超越人工智能科技總經理 高誌勇

第一
，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製的
，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，比如目標定了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。