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。

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、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(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

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、anquanxingyouyaoqiu，suanlishouxianyuchengbenhewangluotongxinhuanjing，yunduanbushunanyimanzuquanguogongchangdequanchangjingxuqiu
，bianduanbushuyouduisuanfatichulegenggaoyaoqiu。disan
，gongyezhinengtijishulujingmuqianrengyitongyongAI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

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(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。