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
；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。

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。

zuihoushirenyinwenti，ruxinrenweiji。shengchengshirengongzhinengtuichuhou，duirendetidaixiaoyingmingxianjiakuai
，yuanbenduotidaidijinenglaodongmijixingrencai
，jinrushengchengshijieduanhou，duibailing、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、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、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。

gongyechangjinglidejishuqishishixiangtongde
，zhishixianzailuodihaihenzao，haizaichangshi。biruzidonghuagongchengshujudezidongfanyijiuxuyaozuotedingxunlian
，wenbenzhuantubunan，dankongzhilingyudetixingtuyouteshuxing，bixuzuozhenduixingxunlian。womenxianzaizuode
，jiushishulidianxingchangjingliyingxiangkongzhideguanjiancanshu，yijibutongcanshuzuhexiadePID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)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(dai)2、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(dao)OT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。