● 工业智能体怎么落地？
● 关键点在哪儿？
● 面临哪些问题与挑战？
赛迪研究院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、数据获取难，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。数据显示，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（思维链）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自主生成形式执行任务，这是它跟大模型最大的一个区别——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很难量化，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以及企业运转的效率，很多企业看不到它带来的实实在在的收益，因此，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是固定产品，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将构成新挑战，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。自主决策的智能体责任归属不明，若因自主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，这就为智能体的应用和推广带来法律和商业风险。
最后是人因问题，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，这就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，当前智能体使用学习成本较高，这也构成其应用落地的潜在门槛。
卡奥斯工业大脑总经理杨健：第一，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%的有效数据”还要少一个数量级，可能连4%都不到。例如，一台注塑机设备一天产生超1G运行数据，但一周内可用于模型训练的数据不超过5条——大量数据存在但可用的高质量数据极少，这是AI落地的最大障碍。第三，供需匹配与商业化路径问题。工业领域的场景价值多少能讲出来，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院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升自动化效率，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，今天生产的车型可能3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，把工单下给最优产线。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最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；与控制直接相关的，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，不能今天可用，明天不可用，那样就没有应用场景了。
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。第一，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，这目前是行业的短板和痛点。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，云端部署难以满足全国工厂的全场景需求，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领先还是落后、差距在哪儿，缺乏明确的评价方向。
统信生态合作中心总经理张木梁：从最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，最终给出的都是高概率结果，存在不确定性；而工业生产制造的最终环节，要求的是绝对确定性，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。
杭州炽橙科技副总经理、首席运营官韩鹏：工业智能体虽火，但在落地过程中还有很多难啃的“硬骨头”。第一，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两三秒，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，还需要架构上的优化。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专家林凯迪：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，甚至连最基本的信息化、数字化都没完成，这种情况在中小企业中非常普遍。要走向以AI为代表的智能化，信息化还是少不了的。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。但最后客户最认可的，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，能够带来几千万元甚至上亿元库存10%~20%的优化，这种收益远高于人力成本的节约。
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。
阿里巴巴达摩院算法专家赵亮：构建工业智能体的挑战主要有两方面：第一，精确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。
爱动超越人工智能科技总经理高志勇：第一，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，比如目标定了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。
● 工业智能体何去何从？
● 未来发展趋势有哪些？
● 如何深化应用？
赛迪研究院信息化与软件产业研究所人工智能研究室主任王宇霞：技术上，AI与工业机理结合是关键；数据上，国家正构建工业高质量数据集；应用上，工业智能体的应用汇聚平台、交易平台十分重要；生态上，需要打造整个生态，完善协议、安全伦理、法律责任界定及应急接管、人工监督机制。
卡奥斯工业大脑总经理杨健：一是希望政府层面梳理、制定AI的应用路标，哪些场景应用AI能产生好的效果，给企业提供一个靶子，高效率、高价值、ROI高的企业优先做，能形成行业复制；二是监管牵头建立工业高质量数据的生态社区或共享机制，能大大加速工业大模型或智能体的落地效率，真正能产生价值的还是高质量数据，目前企业多需要自行寻找、清洗数据，若能有公共社区提供前期的验证和初步的训练，可以大幅提升效率；三是通过机制引导，通过政策、赛事等活动激发全社会参与，鼓励各行业、各企业贡献创新思路，为行业提供启发。
京东方科技集团股份有限公司科学家冷长林：第一，推动工业智能体领域的数据平台建设。建议在产业层面加强顶层设计，支持企业建立行业级、多模态高质量数据资产平台，为智能体训练提供“粮食”。第二，打造端云协同+软硬融合的工业智能体基础设施。支持企业构建自主可控、兼容异构的工业AI平台，强化算力适配、模型压缩、调度推理等关键技术突破，实现工业智能体高效、敏捷部署。第三，加强工业智能标准体系和评估机制建设。建议在国家或行业层面，通过标准牵引，推动排产、设备维修等核心领域的通用模型接口、数据规范、性能指标研制，指导企业应用拓展。第四，推动工业智能在产业落地。可依托灯塔工厂、领航工厂等样板，构建工业智能体生态实验厂，围绕典型场景开展模型复用、算法开源、平台对接等生态试验，推动从企业内生应用向行业级协同创新转变。建立工业时序数据孵化基地，把典型场景的工业现场状态模拟出来，专门试验这些智能体，这可能是有突破意义的。而要做好这些前提是在数字化阶段解决工业数据的基础问题：采集能力、模型化表达、数据质量、标识一致性，这些没解决，很难说具备数字化能力。
鼎捷数智AI研发中心总经理刘晖：第一，除了通用大模型或开源大模型，工业现场还有大量垂域模型，建议主管机构推动建立垂域模型的生态和评价标准。现场很多工作，比如图纸识别、复杂报告格式识别都需要微调、强化学习。第二，未来智能体不会是单一生态，而是多智能体共存，需要协作标准。智能体使用的工具的标准和智能体之间协作的标准现在还没有定论，现在切入制定标准还不晚。第三，工业现场普遍有私有化和端侧部署需求，涉及模型、算力配置等，建议出台一些规范和标准，避免目前的随机状态。
统信生态合作中心总经理张木梁：不同的算力架构，x86、ARM、RISC-V等，操作系统软件要在应用层面帮大家拉平成一个统一的开发接口的平面，需要很多的投入，未来可能还要把开发接口变成二进制访问接口。另外，操作系统在边缘或者工业场景的定制化也是方向。最后，关于MCP协议，现在业内有不同声音。我们的看法是MCP还在迭代，本质是上下文协议，怎么去落地是另外的事，现阶段作为规范不用排斥，应该去拥抱和尝试。它可能是未来的最终标准，也可能有新的标准，但只要基于规范而非被某类机构控制，就值得尝试。在人工智能快速发展的阶段，调度不同能力、任务可能需要用到自己的模型，也可能需要外部的模型，甚至国内外的各种模型，未来得走到一定阶段再看最终会不会有自己的标准。
杭州炽橙科技副总经理、首席运营官韩鹏：从企业角度提出七步建议：第一，AI是战略级项目，企业做AI最忌讳试试看，试试看基本不会成功，也不是一两个部门能推进的。第二，审视自身别盲目做，要看自己的底子，看清数据是否充足，有没有结构化和半结构化数据，战略是否清晰，AI落地不是喊口号。第三，精准选择场景，不是赶时髦，要优先降本增效，提升客户体验。第四，先做验证性的DEMO，从简单场景（如合同审核找异常）快速验证，再逐步深入。第五，资源准备要跟上，算力、数据、工具，尤其是人才要跟上。第六，分阶段实施，不要一步登天，先从RAG起步做知识库、文档生成、会议纪要，第二阶段延伸到复杂场景，第三阶段再优化。第七，评估不可少，从数据、用户、成本多维度评估，包括业务价值、转化率、体验，体验包括点击量、反应情况等。
总而言之，工业智能体的技术门槛不高，更像给企业“换脑”。要通“血管（相应数据）”接“神经（把系统集成起来）”，防排异（人机磨合）。现在很多企业尝试AI都是摸着石头过河，要把老师傅经验“塞进”AI，又让工人觉得AI是帮手而非对手，才可能真正破局。
阿里巴巴达摩院算法专家赵亮：要有一个“能用、好用”的工业智能体，核心是要解决工业生产中本质的效率问题。我们在这方面做了一些工作：比如自动建模智能体，能快速适配不同工业场景的实际问题，将其转化为数学和物理模型求解；针对板材切割的智能体，可为钢材厂、布料厂等提供支持；还有生产排程、供应链调度优化等领域的智能体。未来，这类智能体的构建会带来深远影响——过去数字化建设中，生产形式多是数字驱动或事件驱动，而未来会逐步转向模型驱动，以模型为知识中枢和决策中枢，发挥其主动性，更好地组织需求、数据、应对环境变化，协调资源进行全局调度和生产优化。
关于工业智能体的发展，我们建议，一方面，要加强政策引导，尤其是针对中小企业，他们不仅缺资金、资源，更缺人才，中小企业需要打开自己的业务逻辑和生产逻辑，与智能体提供方合作。另一方面，要推动机理模型与大模型融合，从机理模型出发，结合数据和大模型，共同推动关键问题，即安全问题的解决。
京东工业工业技术部智能算法工程师黄智超：今天我们聊GPT Agent的时候提到了几点能力——网页检索、大模型、深度研究（Deep Reaserch）、网页理解能力。在网页理解这块，我们希望智能体能真正做到网页理解，给出我们想要的结果，比如我们在做工业品属性补全和信息探索的过程中，希望它能自己理解搜索意图，对搜集到的信息进行总结，并补全缺失信息，但现在更多还停留在基础的网页搜索阶段。未来希望能出现一款工业智能体像Manus、GPT Agent一样，能自己做信息补全。
浪潮云洲行业推进本部公共事务部总经理张萌：希望政府侧能给予更多支持，行业侧加强生态建设，由龙头企业带领，服务商提供技术支持，组成生态共同做大做强。
爱动超越人工智能科技总经理高志勇：最重要的是做生态的扶持，工业智能体需要百花齐放的，未来工业智能体生态肯定会是类似“Store（商店）”的形态，最好由行业和政府部门牵头建设，参考工业互联网的经验，企业和开发者一起做贡献。其次，标准的建设也很重要，有了统一的标准做智能体连接的时候就比较容易有抓手。最后，如果某些指导性文件能在AI智能体引入后对新产生的岗位有新的定义，缓解人员替代的担忧，可能就能更好地推进落地情况。