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。

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”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

、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
、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

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、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；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、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。