振華重工利用基于書生·浦語自研的多任務AI智能體將圖紙設計、物資采購、生產進度、船期信息、船運計劃整合，實現跨平臺跟蹤，作業(yè)效率大大提升；上汽乘用車通過豆包大模型及AI智能體讓用戶心聲直達研發(fā)端，驅動車企快速迭代和優(yōu)化產品；在寶武鋼鐵，華為工業(yè)智能體通過高爐爐況優(yōu)化，每年可以為寶鋼降本超過10億元......

作為新型工業(yè)化發(fā)展的核心驅動力，工業(yè)智能體正加速向我們走來。然而，值得關注的是，受限于技術成熟度、場景復雜度以及市場供需情況等多方面因素的影響，現階段工業(yè)智能體的落地仍面臨諸多挑戰(zhàn)。

工業(yè)智能體正在走進生產場景

技術成熟度尚不及預期

伴隨智能體概念大火，市面上涌現出了各種各樣的“工業(yè)智能體”產品和解決方案。從市場反饋來看，業(yè)界普遍對AI智能體的發(fā)展前景持樂觀態(tài)度。然而，阿里巴巴達摩院決策智能實驗室研究員王孟昌在接受《中國電子報》記者采訪時坦言：“工業(yè)系統(tǒng)是受物理約束和資源約束的經濟工程系統(tǒng)，并且處于持續(xù)變動的外部環(huán)境之中，單純基于昨天經驗的‘數據驅動’方案通常無法很好地適應今天的問題?！?/p>

他認為，不深入系統(tǒng)機理、單純指望“堆”數據和硬件的方案，并不能算作真正的工業(yè)智能體。只有能夠準確地感知和預測工業(yè)系統(tǒng)的狀態(tài)、并在自主決策中嚴格遵守數量關系和安全邊界約束的產品，才能夠被稱之為“工業(yè)智能體”。

“要衡量一個產品是不是真正的工業(yè)智能體，首先要看它是否具備工業(yè)智能體的核心‘標簽’，如是否能實現基于數據感知‘自主決策’，是否是‘智能生成驅動’等；其次，還要從核心技術、可視化展現、研發(fā)投入、應用案例等進行多維度的綜合評估?！倍輸抵菆?zhí)行副總裁劉波對《中國電子報》記者說道。

工業(yè)智能體融合了多領域前沿技術

工業(yè)智能體并非單一技術，而是一個融合了多領域前沿技術的綜合智能系統(tǒng)。“客觀來講，多數智能體的發(fā)展還處于初級階段，局限在為大語言模型添加基礎的規(guī)劃能力和工具調用（或者說函數調用）功能，在簡單場景中可以選擇正確的工具完成任務，但面對更復雜、更個性化的場景時，技術成熟度仍顯不足，尤其缺乏原創(chuàng)性、顛覆性的技術突破?！眲⒉ū硎?。

國家工業(yè)信息安全發(fā)展研究中心劉勁松等專家近期發(fā)布的研究報告顯示，工業(yè)智能體技術鏈仍存在硬件、軟件、算法等核心環(huán)節(jié)自主化程度低、生態(tài)體系薄弱等瓶頸，導致產業(yè)發(fā)展受制于外部技術壁壘。比如，硬件技術方面，高端工業(yè)傳感器、邊緣計算芯片、高精度伺服系統(tǒng)等核心器件國產化率不足30%，供應鏈穩(wěn)定性受地緣政治影響較大。而在軟件技術方面，研發(fā)設計類（CAD、CAE等）、生產控制類（PLC、DCS等）、運營管理類（ERP、MES等）等工業(yè)軟件市場長期被國外品牌壟斷，國產軟件在復雜場景適配、多系統(tǒng)兼容性等方面存在明顯短板。算法方面，自主創(chuàng)新的工業(yè)級深度學習模型、強化學習策略及數字孿生推演算法儲備不足，底層架構對工業(yè)機理模型的融合能力較弱。

這些技術瓶頸使工業(yè)智能體從概念走進真實應用場景面臨挑戰(zhàn)。“制造業(yè)通常涉及化學、機械、材料等多學科工藝疊加（如半導體光刻與蝕刻需嚴格溫度、壓力協(xié)同），導致智能體往往需處理超大規(guī)模非線性變量，這類場景通常需要更專業(yè)的數值方法，通用的‘數據驅動’等方法并不適用；同時，制造業(yè)中大量關鍵環(huán)節(jié)依賴專家經驗，可獲取的數據量小，數據標注成本極高；此外，制造系統(tǒng)中的高安全性要求，對智能體的性能和可靠性要求極高；另外，制造業(yè)的數據條件（如數據協(xié)議、數據質量等）通常較差，數據整理和清洗成本高，智能體部署難度大?！蓖趺喜治龇Q。

工業(yè)場景適配性參差不齊

不同于其他行業(yè)，制造業(yè)場景中，生產設備、物料流動、環(huán)境變量都是實體的、動態(tài)的，要求智能體必須具備實時、精準的狀態(tài)感知與場景理解能力，對工業(yè)智能體的決策邏輯和決策的可靠性提出了很高的要求。比如，在高速生產線上，工業(yè)智能體需要在極短時間內做出決策，但一些復雜算法運算時間長，很難滿足實時控制需求。

“智能體實際上應該是一個‘永不掉線’的實時決策引擎，其內部狀態(tài)與物理世界緊密同步，需要保障智能決策與產線運行的高一致性。同時制造業(yè)訂單、工藝、設備狀況瞬息萬變，智能體需在復雜多變中持續(xù)保持最優(yōu)或可行決策?！焙诤萍紕?chuàng)始人周宇翔對《中國電子報》記者說道?。

工業(yè)智能體可實時跟蹤訂單執(zhí)行情況

業(yè)內普遍認為，工業(yè)智能體的部署和實施是一個系統(tǒng)性工程，不能一蹴而就。TCL格創(chuàng)東智工業(yè)智能事業(yè)部總經理朱金童指出，要從場景出發(fā)，通過需求和目標的分析，找到可以充當整個體系中智能體的關鍵單元，可以是硬件或者軟件，并且要明確企業(yè)期望智能體解決的問題，如提高生產效率、優(yōu)化供應鏈管理等，然后根據需求選擇合適的技術框架和算法，搭建智能體模型。

其中，數據是智能體的“燃料”，需收集和整合企業(yè)內部的生產數據、設備數據以及外部的市場數據等，并進行清洗和預處理，確保數據質量。在部署階段，要考慮工業(yè)智能體與現有工業(yè)系統(tǒng)的兼容性，應采用云邊協(xié)同的方式，將部分智能體部署在邊緣設備以實現實時響應，部分復雜處理在云端完成。最后，持續(xù)對智能體進行訓練和優(yōu)化，根據實際運行反饋調整模型參數。

不過，也并非所有工業(yè)場景都適合立即部署工業(yè)智能體。優(yōu)先部署的場景應具備痛點明確且數據可獲取的特點。“基于機器視覺的輔助質量檢測場景有望率先落地，原因在于場景封閉，受環(huán)境影響小，數據采集效率高。另外，一些數據條件良好，可以建立優(yōu)化決策模型的場景也有望順利落地，在智能體中嵌入相應的優(yōu)化模型和求解器，可實現自主、安全、高效的決策?！蓖趺喜硎?。

數據可獲取性、標準化程度以及業(yè)務場景的迫切度等因素將直接影響到工業(yè)智能體的落地進展?！跋裱邪l(fā)設計、生產制造、供應鏈管理、質量控制等環(huán)節(jié)，往往能夠產生大量可用于分析的數據，且這些環(huán)節(jié)的業(yè)務流程更加標準化，便于工業(yè)智能體的實施和集成。”劉波表示。

商業(yè)化路徑有待探索

盡管工業(yè)智能體應用前景被業(yè)界看好，但制造業(yè)企業(yè)AI投入意愿和能力存在差異，尤其是很多中小企業(yè)面臨“不會用、用不起”的雙重困境。劉波舉例說道：“工業(yè)數據來源廣，噪聲多，標注成本高，構建數據標準化及清洗，是一個復雜的過程，需要大量人工介入，成本非常高。與此同時，算力構建成本高，企業(yè)前期初期投資和運營成本是阻礙工業(yè)智能體落地的一個因素。此外，企業(yè)技術人才和技能缺口明顯，缺乏足夠的AI技術人才和技能來開發(fā)、部署和維護工業(yè)智能體?！?/p>

周宇翔指出，許多人對工業(yè)智能體的理解仍舊將它作為一種輔助工具，但工業(yè)智能體應該是打通制造業(yè)全流程的“如影隨形”的存在，這就需要轉變對于工業(yè)智能體的認知。不應僅將智能體視為一個簡單的工具，而是要將其視為工業(yè)體系的原生中樞而非輔助工具。在技術層面，構建以其為內核的工業(yè)操作系統(tǒng)；在組織形態(tài)層面，構建動態(tài)的新型的交互關系，在產業(yè)協(xié)作上去打通各流程，真正去釋放工業(yè)智能體的潛力。

工業(yè)智能體賦能工業(yè)生產優(yōu)化

從技術提供方來看，目前主要有三類參與者有望快速走通工業(yè)智能體的商業(yè)化路徑：一是大型科技公司，如華為、阿里等，這些公司通常擁有先進的算法、大數據處理能力和云計算資源，能夠提供從底層模型到上層應用的全棧解決方案，它們依托強大的技術實力和豐富的行業(yè)經驗，已經在多個工業(yè)領域實現了相關技術落地；二是專注于垂直行業(yè)的解決方案提供商，如鼎捷，此類公司對行業(yè)有深入理解，能夠提供定制化的工業(yè)智能體解決方案；三是與行業(yè)領導者合作的企業(yè)，此類企業(yè)具有較強的合作能力和資源整合能力，能夠快速獲得市場認可和信任，加速產品的商業(yè)化進程。

“制造業(yè)供應鏈通常涉及多個供應商、制造商、分銷商和客戶等，工業(yè)智能體需要打通這些環(huán)節(jié)，則依賴生態(tài)鏈伙伴的大力配合。”劉波表示。他建議，一方面，應加強技術研發(fā)與創(chuàng)新的投入，投入更多資源進行人工智能、機器學習、大數據分析等關鍵技術的研發(fā)，以提高工業(yè)智能體的性能和適應性；另一方面，應制定工業(yè)智能體的技術標準和應用規(guī)范，促進工業(yè)智能體的快速推進。同時，還要加強企業(yè)、高校和研究機構之間的合作，共同進行技術研發(fā)和應用推廣，并在重點行業(yè)和關鍵領域建立示范項目案例，展示工業(yè)智能體的應用效果，引導更多企業(yè)跟進。