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。

zuihoushirenyinwenti，ruxinrenweiji。shengchengshirengongzhinengtuichuhou，duirendetidaixiaoyingmingxianjiakuai

，yuanbenduotidaidijinenglaodongmijixingrencai，jinrushengchengshijieduanhou，duibailing、zhishimijixingrencaidetidaizuoyongyexianzhuzengqiang。zhinengtijubeigongjutiaoyongnengli，shenzhikezhuangpeiyuzhuangbeizhong，duidijinenghuolaodongmijixingyixianyuangongdetidaixiaoyingjiangdafutisheng，zhekenengyinfabufenrendexinlidichu。dangdaizhinengtiyidamoxingwei“大腦”，大模型的“黑箱”特(te)性(xing)導(dao)致(zhi)決(jue)策(ce)者(zhe)難(nan)以(yi)看(kan)清(qing)完(wan)整(zheng)決(jue)策(ce)鏈(lian)路(lu)
，是(shi)否(fou)信(xin)任(ren)其(qi)決(jue)策(ce)成(cheng)為(wei)導(dao)致(zhi)信(xin)任(ren)危(wei)機(ji)的(de)另(ling)一(yi)誘(you)因(yin)。同(tong)時(shi)，當(dang)前(qian)智(zhi)能(neng)體(ti)使(shi)用(yong)學(xue)習(xi)成(cheng)本(ben)較(jiao)高(gao)
，這(zhe)也(ye)構(gou)成(cheng)其(qi)應(ying)用(yong)落(luo)地(di)的(de)潛(qian)在(zai)門(men)檻(kan)。

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(ye)AI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、差(cha)異(yi)化(hua)需(xu)求(qiu)和(he)需(xu)求(qiu)的(de)快(kuai)速(su)變(bian)化(hua)。比(bi)如(ru)新(xin)能(neng)源(yuan)汽(qi)車(che)生(sheng)產(chan)線(xian)
，今(jin)天(tian)生(sheng)產(chan)的(de)車(che)型(xing)可(ke)能(neng)三(san)個(ge)月(yue)後(hou)就(jiu)得(de)變(bian)
，這(zhe)就(jiu)要(yao)求(qiu)工(gong)業(ye)軟(ruan)件(jian)和(he)相(xiang)關(guan)係(xi)統(tong)跟(gen)著(zhe)調(tiao)整(zheng)，過(guo)去(qu)調(tiao)整(zheng)的(de)代(dai)價(jia)太(tai)大(da)。以(yi)後(hou)智(zhi)能(neng)體(ti)來(lai)了(le)，可(ke)能(neng)80%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(de)PID參數大概是什麼
，希望通過這些梳理構建一個PIDzhinengti，yihoudaoxianchang，biruhuodian，zhishaonengranggongchengshidadaoxianzaidebiaozhunshuiping
，buyongyinweishichujigongchengshijiushuipingdi。lingwai
，womenyezaitansuoruheliyonggongyezhinengtituidongquanliuchengyouhua。birugenjuwaiweidingdanbianhua
、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

在(zai)推(tui)進(jin)工(gong)業(ye)智(zhi)能(neng)體(ti)落(luo)地(di)過(guo)程(cheng)中(zhong)，我(wo)們(men)也(ye)遇(yu)到(dao)一(yi)些(xie)共(gong)性(xing)問(wen)題(ti)。第(di)一(yi)
，產(chan)業(ye)數(shu)據(ju)要(yao)素(su)價(jia)值(zhi)釋(shi)放(fang)不(bu)夠(gou)。工(gong)廠(chang)建(jian)設(she)年(nian)份(fen)不(bu)同(tong)

，設(she)備(bei)智(zhi)能(neng)化(hua)程(cheng)度(du)不(bu)一(yi)，導(dao)致(zhi)工(gong)業(ye)數(shu)據(ju)高(gao)度(du)異(yi)構(gou)
、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(yong)AI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

congzuikaishijiyuduihuadetongyongmoxingjiejuedanyiwenti，daoxianzaizhinengtidechuxianzhujiannengchulifuzawenti，zheshihendadejinbu。danmuqianzhexiechengguozaiyingyongzhong，haidoujizhongzaifuzhujuecelingyu。hexinyuanyinzaiyu：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
、雲yun上shang或huo集ji團tuan數shu據ju中zhong心xin
，邊bian緣yuan側ce還hai會hui用yong小xiao語yu言yan模mo型xing，大da語yu言yan模mo型xing定ding義yi任ren務wu
，小xiao語yu言yan模mo型xing來lai執zhi行xing控kong製zhi，規gui劃hua得de很hen好hao但dan到dao執zhi行xing層ceng常chang常chang存cun在zai問wen題ti，大da語yu言yan模mo型xing部bu署shu後hou，對dui於yu複fu雜za的de問wen題ti要yao等deng待dai2、3秒miao，這zhe是shi已yi經jing優you化hua很hen多duo的de狀zhuang態tai，但dan業ye務wu不bu會hui容rong忍ren。很hen多duo現xian場chang不bu喜xi歡huan用yong推tui理li模mo型xing，因yin為wei想xiang快kuai速su看kan結jie果guo
，所suo以yi要yao把ba智zhi能neng體ti真zhen正zheng落luo地di到dao工gong業ye，落luo地di到daoOT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、準zhun確que的de數shu據ju少shao，影ying響xiang智zhi能neng體ti構gou建jian。解jie決jue工gong業ye生sheng產chan問wen題ti時shi需xu將jiang機ji理li模mo型xing與yu生sheng成cheng式shi模mo型xing融rong合he，這zhe種zhong融rong合he不bu能neng靠kao堆dui積ji數shu據ju或huo硬ying件jian來lai解jie決jue，而er要yao深shen入ru係xi統tong機ji理li。第di二er
，可ke複fu製zhi性xing差cha。工gong業ye場chang景jing定ding製zhi化hua程cheng度du高gao，適shi配pei難nan度du大da
，導dao致zhi推tui廣guang成cheng本ben高gao
，影ying響xiang長chang期qi商shang業ye化hua發fa展zhan。

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。