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；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)
、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

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)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
、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
、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dai2
、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(dao)OT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。