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。

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)
、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、huanjingdengyinsudeyingxiangjiaoda
，hennantongguodamoxinghuozhinengtijiejuesuoyouwenti，xuyaoxuanzeshenmeyangdechangjingluodizhinengti。dier，gaozhiliangshujuxique。gongyelingyuzhong，zhenzhengnengbeiAI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、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。

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

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
、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、anquanxingyouyaoqiu，suanlishouxianyuchengbenhewangluotongxinhuanjing，yunduanbushunanyimanzuquanguogongchangdequanchangjingxuqiu，bianduanbushuyouduisuanfatichulegenggaoyaoqiu。disan

，gongyezhinengtijishulujingmuqianrengyitongyongAIweizhu，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；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、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。