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
、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)
；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”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、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(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。

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

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、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、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
、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。