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、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(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(de)PID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

、tiaoduyouhua
，zhexiedoushiyouhuawenti，hexinshiyouhuasuanfa。ergongyezhinengtiheyibanzhinengtizuizhuyaodequbieshitazaishouxianjisuanziyuanliyunxing。gongchanglidezhinenghuayingyongchangjinggenshengchanxiangguande，shujubuchuchangshijibenyaoqiu，meiyouyigegongchanghuiyongwaibudamoxinghuoyun；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yongAI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

congzuikaishijiyuduihuadetongyongmoxingjiejuedanyiwenti
，daoxianzaizhinengtidechuxianzhujiannengchulifuzawenti，zheshihendadejinbu。danmuqianzhexiechengguozaiyingyongzhong，haidoujizhongzaifuzhujuecelingyu。hexinyuanyinzaiyu：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、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。