当前，工业智能体成为学术界和产业界的研究热点，国内外诸多企业纷纷展开了相关战略布局。近日，《电子报》组织召开工业智能体创新发展座谈会，邀请产业界代表共同探讨工业智能体创新发展路径、挑战与机遇。本报将从四个方面呈现此次座谈会内容，也欢迎有识之士留言，参与“云讨论”。

01

学派认为——

赛迪研究信息化与软件产业研究所人工智能研究室主任 王宇霞

要真正推动工业智能体在工业领域落地仍面临诸多挑战。首先是技术成熟度问题，很多大模型算法在通用场景中表现良好，但由于工业门类多、行业壁垒高、数据难获取，工业现场复杂度高，其适应性、实时性、可靠性都存在较大问题。

其次是数据问题，工业现场存在诸多数据孤岛、数据缺失、噪声干扰等问题，现有数据是否足以用于训练工业智能体，使其达到安全可靠的水平尚且存疑。据某报告显示，制造业数据中只有44%被有效利用。智能体与大模型的智能很大一部分来自于提示词、CoT等数据，在通用场景中，提示词和CoT数据的获取与标注都相对容易，但在工业场景中，工业知识壁垒高，构建高级别的语料库存在非常大的难度。

还有安全问题，智能体会以接口形式或代码生成形式执行任务，这是它跟大模型*的一个区别——能够实现工具调用，正因如此，它也面临更多安全威胁，如API接口漏洞、代码供应链破坏、提示词注入等都可能导致智能体被认知投毒。

此外，商业模式也存在挑战。智能体投资回报不明显带来变现难题，工业智能体的算力、数据消耗及技术研发投入大，收益却是长远的且很多时候难以量化，难以出现在企业报表上。智能体在企业层面的赋能是横向的，整体提升企业人员的效率，企业运转的效率，很多企业看不到它实实在在带来的收益，投资意愿不足。过去工厂以产品级服务思维采购软件，通过一次性购买或版权购买获得产品；而在智能体时代，底座大模型持续进化，智能体交付的也并非固定产品，而是任务完成能力。商业模式需要从产品级服务转向智能级服务，企业采购也将从“买产品”变为“买长期服务”或“买任务结果”，这对企业组织架构和付费系统构成新挑战，目前多数企业尚未做好充分准备。

另外，还存在责任界定不清问题。决策的智能体责任归属不明，若因调整工艺参数导致产线报废或设备损坏，责任到底是归算法开发者、数据提供者还是部署应用的企业，无法清晰界定，这为智能体的应用和推广埋下法律和商业风险。

*是人因问题，如信任危机。生成式人工智能推出后，对人的替代效应明显加快，原本多替代低技能劳动密集型人才，进入生成式阶段后，对白领、知识密集型人才的替代作用也显著增强。智能体具备工具调用能力，甚至可装配于装备中，对低技能或劳动密集型一线员工的替代效应将大幅提升，这可能引发部分人的心理抵触。当代智能体以大模型为“大脑”，大模型的“黑箱”特性导致决策者难以看清完整决策链路，是否信任其决策成为导致信任危机的另一诱因。同时，当前智能体使用学成本较高，这也构成其应用落地的潜在门槛。

02

实践派认为——

卡奥斯工业大脑经理 杨健

*，场景适配问题。工业领域受到生产设备、物料流动、人员技能、环境等因素的影响较大，很难通过大模型或智能体解决所有问题，需要选择什么样的场景落地智能体。第二，高质量数据稀缺。工业领域中，真正能被AI利用的数据比“44%/www.shhzy3.cn/的有效数据”还要少一个数量级，可能4%都不到。例如，一台注塑机设备*产生1G运行数据，但一周内可用于模型训练的数据不过5条——大量数据存在但可用的高质量数据极少，这是AI落地的*障碍。第三，供需匹配与商业化路径问题。工业领域的场景价值能讲出来，但ROI（投资回报率）不高，投入到物联改造、数据清洗治理、AI算法开发训练需要大量人力和时间成本，而带来的效果往往与成本不成正比。此外，工业场景碎片化严重，一个场景落地后难以复制，无法通过规模化方式分摊成本投入，这也是多年来工业AI落地慢的重要原因。

和利时集团中央研究智能软件平台研究所所长 李天辉

我们认为不管是工业里的自动化、数字化还是智能化，核心都是软件加数据。每个工厂都有差异，即使智能体能力一样，但配置数据、工艺、管理方式都不同，不可能像手机APP那样装到每个工厂里不用配置就适应。要解决的核心问题不只是提哈上海自动化三厂效率，更大的目标是应对个性化应用、差异化需求和需求的快速变化。比如新能源汽车生产线，生产的车型可能三个月后就得变，这就要求工业软件和相关系统跟着调整，过去调整的代价太大。以后智能体来了，可能80%的变化只需要在软件里更新，这是我们能看到的未来趋势。

工业场景里的技术其实是相通的，只是现在落地还很早，还在尝试。比如自动化工程数据的自动翻译就需要做特定训练，文本转图不难，但控制领域的梯形图有特殊性，必须做针对性训练。我们现在做的，就是梳理典型场景里影响控制的关键参数，以及不同参数组合下的PID参数大概是什么，希望通过这些梳理构建一个PID智能体，以后到现场，比如火电，至少能让工程师达到现在的标准水平，不用因为是初级工程师就水平低。另外，我们也在探索如何利用工业智能体推动全流程优化。比如根据外围订单变化、生产工艺变化，APS分解任务后，根据各工厂、产线的资源准备情况，把工单下给*产线。执行中如果有扰动，比如设备坏了，过去靠人重新调度，现在能不能靠APS自动分配？做这类智能体是有可能的，但核心问题是技术不能靠单一智能体，要靠多种技术手段的融合。

生产工艺里的设备优化、能源优化、工艺参数优化、调度优化，这些都是优化问题，核心是优化算法。而工业智能体和一般智能体*主要的区别是它在受限计算资源里运行。工厂里的智能化应用场景跟生产相关的，数据不出厂是基本要求，没有一个工厂会用外部大模型或云；跟控制直接相关的，必须在安全网里，不可能出去，出去的也是处理过的、降维的，特定事故数据都过滤掉了，对于智能体的训练没有太大价值。

工业场景对实时性、准确度、自信度很高，不能有幻觉，所以一般会融合应用大模型、知识图谱、机理模型等多种技术。工业智能体未来的发展目标很明确：在工业里敢用、可用，不能可用明天不可用，那样就没有应用场景。

京东方科技集团股份有限公司科学家 冷长林

   在推进工业智能体落地过程中，我们也遇到一些共性问题。*，产业数据要素价值释放不够。工厂建设年份不同，设备智能化程度不一，导致上海仪表三厂的工业数据高度异构、碎片化。做人工智能需要对数据进行标注和处理，但获取高质量、标准化的多模态数据，需要投入大量资源，这目前是行业短板和痛点。第二，算力资源与模型部署难平衡。工厂分布地域广，工业场景对数据实时性、安全性有要求，算力受限于成本和网络通信环境，云端部署难以满足工厂的全场景需求，边端部署又对算法提出了更高要求。第三，工业智能体技术路径目前仍以通用AI为主，需要加强与制造生产工艺和工业知识的融合。当前多数工业大模型基于视觉语言构建，离真正掌握行业制造工艺还有很大差距，实践中还涉及跨组织协同、高价值场景挖掘等问题都需要解决。第四，评价标准和体系需要完善。我们做了一些工业核心应用，却很难判断在行业中是*还是落后、差距，缺乏明确的评价方向。

统信生态合作中心经理 张木梁

从*开始基于对话的通用模型解决单一问题，到现在智能体的出现逐渐能处理复杂问题，这是很大的进步。但目前这些成果在应用中，还都集中在辅助决策领域。核心原因在于：人工智能本质上还是概率问题——无论用多大算力，*终给出的都是高概率结果，存在不确定性；而工业生产制造的*终环节，要求的是*确定性，过程不确定，就不可能应用在工业生产中。现实中人工智能的不确定性恰恰存在，所以目前还只能停留在辅助决策阶段。

杭州炽橙科技副经理、运营官 韩鹏

工业智能体虽火，但在落地过程中还有很多难啃的“硬骨头”。*，数据“方言”难互通。构建高质量数据集的关键在于多元、异构数据的融合，包括IT、OT、ET数据的融合。技术很简单但有些系统没把数据集合在一起，所以先得进行系统集成，打通数据“方言”仍有一些工作量。第二，实时与控制“慢半拍”。大模型多部署在中央、云上或集团数据中心，边缘侧还会用小语言模型，大语言模型定义任务，小语言模型来执行控制，规划得很好但到执行层常常存在问题，大语言模型部署后，对于复杂的问题要等待2、3秒，这是已经优化很多的状态，但业务不会容忍。很多现场不喜欢用推理模型，因为想快速看结果，所以要把智能体真正落地到工业，落地到OT层、控制层，路还很长，不仅需要算力的优化，还有架构上的优化。第三，中小企业“够不着”。很多中小企业产值低，不仅基础差、缺数据，还缺人，缺既懂业务又懂技术的人，工业智能体需要不断降低成本、不断标准化后才可能逐步落地。

IBM科技事业部自动化技术* 林凯迪

Deepseek发布后，很多企业都表示要上AI、用智能体，但深入现场后发现，他们并不具备用AI的场景，甚至连*基本的信息化、数字化都没完成，这种情况在中小企业中非常普遍。要走向AI代表的智能化，信息化还是少不了。毕竟智能体是“AI+自动化”的结合，原来没补的课还是要补齐。

这里有个特别的现象：我们帮一个汽车客户做产线维修的备件管理，涉及库存预测、库存金额控制、向供应商发起采购流程等，整个链条用智能体打通，还升级了他们的旧系统。但*客户*认可的，不是大模型或智能体技术本身，而是基于他们原有系统，用小模型做的库存用量预测，因为这能带来实实在在的收益。智能体技术本质上还是在节省人力，但如果有一个更好的小模型，能够带来的几千万甚至上亿库存10%~20%的优化，这种收益远高于人力成本节约。

这就引出第二个点：投资回报率问题。我们和很多企业沟通发现，AI部署越复杂的场景，对模型能力要求越高，硬件、软件、部署等成本也越高。有些简单场景，我们能做到98%-99%的准确率，但客户一算账，会觉得投资回报率不高。所以，找到工业智能体的好应用场景很重要——让企业看到价值，愿意投入做试点，才能进一步在企业内部推广。现在很多企业哪怕和厂商合作，其实也是在“花钱买未来”，直白说就是买业绩。

阿里巴巴达摩算法* 赵亮

构建工业智能体的挑战主要有两方面：*，性和安全性的高要求。工业企业虽有大量数据，但可用、准确的数据少，影响智能体构建。解决工业生产问题时需将机理模型与生成式模型融合，这种融合不能靠堆积数据或硬件来解决，而要深入系统机理。第二，可复制性差。工业场景定制化程度高，适配难度大，导致推广成本高，影响长期商业化发展。

爱动越人工智能科技经理 高志勇

*，数据收集、治理、清洗难，很多企业工单、故障代码还是纸质的；第二，人才配合难，工业智能体不是纯做IT或人工智能的企业自己就能完成的，需要和业务部门进行协调和配合，但他们对智能体和大模型可能不熟悉；第三，整体实施落地中的配合性不高，智能体在很多企业都是一把手工程，但实际做这个事是有一定抵制的，数字员工、数字工程师会影响现有岗位；第四，安全与数据隐私问题；第五，持续优化与服务，初期期望值高，实际达标难，比如目了98%，实际做到60%-70%很容易，90%以上就很难，这也符合现在AI发展的状况。