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、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)、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。

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dePID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

、biaozhunhuadeduomotaishuju
，xuyaotourudaliangziyuan
，zhemuqianshixingyeduanbanhetongdian。dier
，suanliziyuanyumoxingbushunanpingheng。gongchangfenbudiyuguang
，gongyechangjingduishujushishixing、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、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、xianggongyingshangfaqicaigouliuchengdeng，zhenggeliantiaoyongzhinengtidatong
，haishengjiletamendejiuxitong。danzuihoukehuzuirenkede
，bushidamoxinghuozhinengtijishubenshen
，ershijiyutamenyuanyouxitong，yongxiaomoxingzuodekucunyongliangyuce
，yinweizhenengdailaishishizaizaideshouyi。zhinengtijishubenzhishanghaishizaijieshengrenli，danruguoyouyigegenghaodexiaomoxing，nenggoudailaidejiqianwanshenzhishangyikucun10%~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。