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)、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”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、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。

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)
、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)、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；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
、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(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
、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。