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

yaozhenzhengtuidonggongyezhinengtizaigongyelingyuluodirengmianlinzhuduotiaozhan。shouxianshijishuchengshuduwenti
，henduodamoxingsuanfazaitongyongchangjingzhongbiaoxianlianghao，danyouyugongyemenleiduo
、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、shujuxiaohaojijishuyanfatouruda
，shouyiqueshichangyuandeqiehenduoshihounanyilianghua，nanyichuxianzaiqiyebaobiaoshang。zhinengtizaiqiyecengmiandefunengshihengxiangde，zhengtitishengqiyerenyuandexiaolv

，qiyeyunzhuandexiaolv
，henduoqiyekanbudaotashishizaizaidailaideshouyi
，touziyiyuanbuzu。guoqugongchangyichanpinjifuwusiweicaigouruanjian，tongguoyicixinggoumaihuobanquangoumaihuodechanpin；erzaizhinengtishidai，dizuodamoxingchixujinhua，zhinengtijiaofudeyebingfeigudingchanpin，ershirenwuwanchengnengli。shangyemoshixuyaocongchanpinjifuwuzhuanxiangzhinengjifuwu，qiyecaigouyejiangcong“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)
、知(zhi)識(shi)密(mi)集(ji)型(xing)人(ren)才(cai)的(de)替(ti)代(dai)作(zuo)用(yong)也(ye)顯(xian)著(zhu)增(zeng)強(qiang)。智(zhi)能(neng)體(ti)具(ju)備(bei)工(gong)具(ju)調(tiao)用(yong)能(neng)力(li)，甚(shen)至(zhi)可(ke)裝(zhuang)配(pei)於(yu)裝(zhuang)備(bei)中(zhong)
，對(dui)低(di)技(ji)能(neng)或(huo)勞(lao)動(dong)密(mi)集(ji)型(xing)一(yi)線(xian)員(yuan)工(gong)的(de)替(ti)代(dai)效(xiao)應(ying)將(jiang)大(da)幅(fu)提(ti)升(sheng)，這(zhe)可(ke)能(neng)引(yin)發(fa)部(bu)分(fen)人(ren)的(de)心(xin)理(li)抵(di)觸(chu)。當(dang)代(dai)智(zhi)能(neng)體(ti)以(yi)大(da)模(mo)型(xing)為(wei)“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(bei)AI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、AIsuanfakaifaxunlianxuyaodaliangrenliheshijianchengben
，erdailaidexiaoguowangwangyuchengbenbuchengzhengbi。ciwai，gongyechangjingsuipianhuayanzhong，yigechangjingluodihounanyifuzhi，wufatongguoguimohuafangshifentanchengbentouru，zheyeshiduonianlaigongyeAI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、tiaoduyouhua，zhexiedoushiyouhuawenti，hexinshiyouhuasuanfa。ergongyezhinengtiheyibanzhinengtizuizhuyaodequbieshitazaishouxianjisuanziyuanliyunxing。gongchanglidezhinenghuayingyongchangjinggenshengchanxiangguande，shujubuchuchangshijibenyaoqiu
，meiyouyigegongchanghuiyongwaibudamoxinghuoyun；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)AIweizhu，xuyaojiaqiangyuzhizaoshengchangongyihegongyezhishideronghe。dangqianduoshugongyedamoxingjiyushijiaoyuyangoujian
，lizhenzhengzhangwoxingyezhizaogongyihaiyouhendachaju，shijianzhonghaishejikuazuzhixietong、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
；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
、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、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cun10%~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。