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。

zuihoushirenyinwenti，ruxinrenweiji。shengchengshirengongzhinengtuichuhou

，duirendetidaixiaoyingmingxianjiakuai

，yuanbenduotidaidijinenglaodongmijixingrencai，jinrushengchengshijieduanhou，duibailing、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、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(de)PID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、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、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、anquanxingyouyaoqiu，suanlishouxianyuchengbenhewangluotongxinhuanjing
，yunduanbushunanyimanzuquanguogongchangdequanchangjingxuqiu，bianduanbushuyouduisuanfatichulegenggaoyaoqiu。disan，gongyezhinengtijishulujingmuqianrengyitongyongAIweizhu，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

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
；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(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、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。