論道工業智能體：落地關鍵與挑戰？
http://www.debgrams.com 2025-08-18 10:06 來源：中國電子報
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。本報將從四個方面呈現此次座談會內容，也歡迎有識之士留言，參與“云討論”。
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
要真正推動工業智能體在工業領域落地仍面臨諸多挑戰。首先是技術成熟度問題，很多大模型算法在通用場景中表現良好，但由于工業門類多、行業壁壘高、數據難獲取，工業現場復雜度高，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、噪聲干擾等問題，現有數據是否足以用于訓練工業智能體，使其達到安全可靠的水平尚且存疑。據某報告顯示，制造業數據中只有44%被有效利用。智能體與大模型的智能很大一部分來自于提示詞、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，它也面臨更多安全威脅，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、數據消耗及技術研發投入大，收益卻是長遠的且很多時候難以量化，難以出現在企業報表上。智能體在企業層面的賦能是橫向的，整體提升企業人員的效率，企業運轉的效率，很多企業看不到它實實在在帶來的收益，投資意愿不足。過去工廠以產品級服務思維采購軟件，通過一次性購買或版權購買獲得產品；而在智能體時代，底座大模型持續進化，智能體交付的也并非固定產品，而是任務完成能力。商業模式需要從產品級服務轉向智能級服務，企業采購也將從“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系統構成新挑戰，目前多數企業尚未做好充分準備。
另外，還存在責任界定不清問題。自主決策的智能體責任歸屬不明，若因自主調整工藝參數導致產線報廢或設備損壞，責任到底是歸算法開發者、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。
最后是人因問題，如信任危機。生成式人工智能推出后，對人的替代效應明顯加快，原本多替代低技能勞動密集型人才，進入生成式階段后，對白領、知識密集型人才的替代作用也顯著增強。智能體具備工具調用能力，甚至可裝配于裝備中，對低技能或勞動密集型一線員工的替代效應將大幅提升，這可能引發部分人的心理抵觸。當代智能體以大模型為“大腦”，大模型的“黑箱”特性導致決策者難以看清完整決策鏈路，是否信任其決策成為導致信任危機的另一誘因。同時，當前智能體使用學習成本較高，這也構成其應用落地的潛在門檻。
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、環境等因素的影響較大，很難通過大模型或智能體解決所有問題，需要選擇什么樣的場景落地智能體。第二，高質量數據稀缺。工業領域中，真正能被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，一臺注塑機設備一天產生超1G運行數據，但一周內可用于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算法開發訓練需要大量人力和時間成本，而帶來的效果往往與成本不成正比。此外，工業場景碎片化嚴重，一個場景落地后難以復制，無法通過規模化方式分攤成本投入，這也是多年來工業AI落地慢的重要原因。
和利時集團中央研究院智能軟件平臺研究所所長 李天輝
我們認為不管是工業里的自動化、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那樣裝到每個工廠里不用配置就適應。要解決的核心問題不只是提升自動化效率，更大的目標是應對個性化應用、差異化需求和需求的快速變化。比如新能源汽車生產線，今天生產的車型可能三個月后就得變，這就要求工業軟件和相關系統跟著調整，過去調整的代價太大。以后智能體來了，可能80%的變化只需要在軟件里更新，這是我們能看到的未來趨勢。
工業場景里的技術其實是相通的，只是現在落地還很早，還在嘗試。比如自動化工程數據的自動翻譯就需要做特定訓練，文本轉圖不難，但控制領域的梯形圖有特殊性，必須做針對性訓練。我們現在做的，就是梳理典型場景里影響控制的關鍵參數，以及不同參數組合下的PID參數大概是什么，希望通過這些梳理構建一個PID智能體，以后到現場，比如火電，至少能讓工程師達到現在的標準水平，不用因為是初級工程師就水平低。另外，我們也在探索如何利用工業智能體推動全流程優化。比如根據外圍訂單變化、生產工藝變化，APS分解任務后，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。
生產工藝里的設備優化、能源優化、工藝參數優化、調度優化，這些都是優化問題，核心是優化算法。而工業智能體和一般智能體最主要的區別是它在受限計算資源里運行。工廠里的智能化應用場景跟生產相關的，數據不出廠是基本要求，沒有一個工廠會用外部大模型或云；跟控制直接相關的，必須在安全網里，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，對于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：在工業里敢用、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
在推進工業智能體落地過程中，我們也遇到一些共性問題。第一，產業數據要素價值釋放不夠。工廠建設年份不同，設備智能化程度不一，導致工業數據高度異構、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、標準化的多模態數據，需要投入大量資源，這目前是行業短板和痛點。第二，算力資源與模型部署難平衡。工廠分布地域廣，工業場景對數據實時性、安全性有要求，算力受限于成本和網絡通信環境，云端部署難以滿足全國工廠的全場景需求，邊端部署又對算法提出了更高要求。第三，工業智能體技術路徑目前仍以通用AI為主，需要加強與制造生產工藝和工業知識的融合。當前多數工業大模型基于視覺語言構建，離真正掌握行業制造工藝還有很大差距，實踐中還涉及跨組織協同、高價值場景挖掘等問題都需要解決。第四，評價標準和體系需要完善。我們做了一些工業核心應用，卻很難判斷在行業中是領先還是落后、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
從最開始基于對話的通用模型解決單一問題，到現在智能體的出現逐漸能處理復雜問題，這是很大的進步。但目前這些成果在應用中，還都集中在輔助決策領域。核心原因在于：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；而工業生產制造的最終環節，要求的是絕對確定性，過程不確定，就不可能應用在工業生產中。現實中人工智能的不確定性恰恰存在，所以目前還只能停留在輔助決策階段。
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于多元、異構數據的融合，包括IT、OT、ET數據的融合。技術很簡單但有些系統沒把數據集合在一起，所以先得進行系統集成，打通數據“方言”仍有一些工作量。第二，實時與控制“慢半拍”。大模型多部署在中央、云上或集團數據中心，邊緣側還會用小語言模型，大語言模型定義任務，小語言模型來執行控制，規劃得很好但到執行層常常存在問題，大語言模型部署后，對于復雜的問題要等待2、3秒，這是已經優化很多的狀態，但業務不會容忍。很多現場不喜歡用推理模型，因為想快速看結果，所以要把智能體真正落地到工業，落地到OT層、控制層，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、不斷標準化后才可能逐步落地。
IBM科技事業部自動化技術專家 林凱迪
Deepseek發布后，很多企業都表示要上AI、用智能體，但深入現場后發現，他們并不具備用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。
這里有個特別的現象：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、庫存金額控制、向供應商發起采購流程等，整個鏈條用智能體打通，還升級了他們的舊系統。但最后客戶最認可的，不是大模型或智能體技術本身，而是基于他們原有系統，用小模型做的庫存用量預測，因為這能帶來實實在在的收益。智能體技術本質上還是在節省人力，但如果有一個更好的小模型，能夠帶來的幾千萬甚至上億庫存10%~20%的優化，這種收益遠高于人力成本節約。
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部署越復雜的場景，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，愿意投入做試點，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。
阿里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面：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、準確的數據少，影響智能體構建。解決工業生產問題時需將機理模型與生成式模型融合，這種融合不能靠堆積數據或硬件來解決，而要深入系統機理。第二，可復制性差。工業場景定制化程度高，適配難度大，導致推廣成本高，影響長期商業化發展。
愛動超越人工智能科技總經理 高志勇
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制的，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。
編輯精選
