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；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”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(ye)AI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。

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

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(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。