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

；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)、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”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、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、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

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
、biaozhunhuadeduomotaishuju，xuyaotourudaliangziyuan，zhemuqianshixingyeduanbanhetongdian。dier，suanliziyuanyumoxingbushunanpingheng。gongchangfenbudiyuguang，gongyechangjingduishujushishixing、anquanxingyouyaoqiu，suanlishouxianyuchengbenhewangluotongxinhuanjing
，yunduanbushunanyimanzuquanguogongchangdequanchangjingxuqiu，bianduanbushuyouduisuanfatichulegenggaoyaoqiu。disan，gongyezhinengtijishulujingmuqianrengyitongyongAIweizhu，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、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、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、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。