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、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、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、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
、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neng80%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yongAIweizhu
，xuyaojiaqiangyuzhizaoshengchangongyihegongyezhishideronghe。dangqianduoshugongyedamoxingjiyushijiaoyuyangoujian，lizhenzhengzhangwoxingyezhizaogongyihaiyouhendachaju
，shijianzhonghaishejikuazuzhixietong
、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；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(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、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。