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。

另(ling)外(wai)，還(hai)存(cun)在(zai)責(ze)任(ren)界(jie)定(ding)不(bu)清(qing)問(wen)題(ti)。自(zi)主(zhu)決(jue)策(ce)的(de)智(zhi)能(neng)體(ti)責(ze)任(ren)歸(gui)屬(shu)不(bu)明(ming)，若(ruo)因(yin)自(zi)主(zhu)調(tiao)整(zheng)工(gong)藝(yi)參(can)數(shu)導(dao)致(zhi)產(chan)線(xian)報(bao)廢(fei)或(huo)設(she)備(bei)損(sun)壞(huai)，責(ze)任(ren)到(dao)底(di)是(shi)歸(gui)算(suan)法(fa)開(kai)發(fa)者(zhe)
、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”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(de)PID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

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yongAIweizhu
，xuyaojiaqiangyuzhizaoshengchangongyihegongyezhishideronghe。dangqianduoshugongyedamoxingjiyushijiaoyuyangoujian
，lizhenzhengzhangwoxingyezhizaogongyihaiyouhendachaju
，shijianzhonghaishejikuazuzhixietong、gaojiazhichangjingwajuedengwentidouxuyaojiejue。disi，pingjiabiaozhunhetixixuyaowanshan。womenzuoleyixiegongyehexinyingyong
，quehennanpanduanzaixingyezhongshilingxianhaishiluohou、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；而er工gong業ye生sheng產chan製zhi造zao的de最zui終zhong環huan節jie，要yao求qiu的de是shi絕jue對dui確que定ding性xing
，過guo程cheng不bu確que定ding，就jiu不bu可ke能neng應ying用yong在zai工gong業ye生sheng產chan中zhong。現xian實shi中zhong人ren工gong智zhi能neng的de不bu確que定ding性xing恰qia恰qia存cun在zai，所suo以yi目mu前qian還hai隻zhi能neng停ting留liu在zai輔fu助zhu決jue策ce階jie段duan。

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、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
、向(xiang)供(gong)應(ying)商(shang)發(fa)起(qi)采(cai)購(gou)流(liu)程(cheng)等(deng)，整(zheng)個(ge)鏈(lian)條(tiao)用(yong)智(zhi)能(neng)體(ti)打(da)通(tong)，還(hai)升(sheng)級(ji)了(le)他(ta)們(men)的(de)舊(jiu)係(xi)統(tong)。但(dan)最(zui)後(hou)客(ke)戶(hu)最(zui)認(ren)可(ke)的(de)
，不(bu)是(shi)大(da)模(mo)型(xing)或(huo)智(zhi)能(neng)體(ti)技(ji)術(shu)本(ben)身(shen)

，而(er)是(shi)基(ji)於(yu)他(ta)們(men)原(yuan)有(you)係(xi)統(tong)
，用(yong)小(xiao)模(mo)型(xing)做(zuo)的(de)庫(ku)存(cun)用(yong)量(liang)預(yu)測(ce)，因(yin)為(wei)這(zhe)能(neng)帶(dai)來(lai)實(shi)實(shi)在(zai)在(zai)的(de)收(shou)益(yi)。智(zhi)能(neng)體(ti)技(ji)術(shu)本(ben)質(zhi)上(shang)還(hai)是(shi)在(zai)節(jie)省(sheng)人(ren)力(li)，但(dan)如(ru)果(guo)有(you)一(yi)個(ge)更(geng)好(hao)的(de)小(xiao)模(mo)型(xing)

，能(neng)夠(gou)帶(dai)來(lai)的(de)幾(ji)千(qian)萬(wan)甚(shen)至(zhi)上(shang)億(yi)庫(ku)存(cun)10%~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。