编者按：今年的政府工作报告提出，持续推进“人工智能+”行动，将数字技术与制造优势、市场优势更好结合起来，支持大规模广泛应用。这是“人工智能+”第二次被写入政府工作报告，与去年侧重于技术研发和产业集群建设不同，今年的提法更侧重于技术的落地应用，将人工智能的应用重点指向了制造业。《中国电子报》特开设“AI+制造”深度调研行栏目，深入基层、走进一线展开实地调研，报道各地方、各企业优秀案例，探讨新一代AI技术落地带来的机遇与挑战，推广“AI+制造”中国方案。
振华重工利用基于书生·浦语自研的多任务AI智能体将图纸设计、物资采购、生产进度、船期信息、船运计划整合，实现跨平台跟踪，作业效率大大提升；上汽乘用车通过豆包大模型及AI智能体让用户心声直达研发端，驱动车企快速迭代和优化产品；在宝武钢铁，华为工业智能体通过高炉炉况优化，每年可以为宝钢降本超过10亿元……
工业智能体正在走进生产场景
作为新型工业化发展的核心驱动力，工业智能体正加速向我们走来。然而，值得关注的是，受限于技术成熟度、场景复杂度以及市场供需情况等多方面因素的影响，现阶段工业智能体的落地仍面临诸多挑战。
技术成熟度尚不及预期
伴随智能体概念大火，市面上涌现出了各种各样的“工业智能体”产品和解决方案。从市场反馈来看，业界普遍对AI智能体的发展前景持乐观态度。然而，阿里巴巴达摩院决策智能实验室研究员王孟昌在接受《中国电子报》记者采访时坦言：“工业系统是受物理约束和资源约束的经济工程系统，并且处于持续变动的外部环境之中，单纯基于昨天经验的‘数据驱动’方案通常无法很好地适应今天的问题。”
他认为，不深入系统机理、单纯指望“堆”数据和硬件的方案，并不能算作真正的工业智能体。
只有能够准确地感知和预测工业系统的状态、并在自主决策中严格遵守数量关系和安全边界约束的产品，才能够被称之为“工业智能体”。
“要衡量一个产品是不是真正的工业智能体，首先要看它是否具备工业智能体的核心‘标签’，如是否能实现基于数据感知‘自主决策’，是否是‘智能生成驱动’等；其次，还要从核心技术、可视化展现、研发投入、应用案例等进行多维度的综合评估。”鼎捷数智执行副总裁刘波对《中国电子报》记者说道。
鼎捷数智积极打造“工业智能体”
工业智能体并非单一技术，而是一个融合了多领域前沿技术的综合智能系统。“客观来讲，多数智能体的发展还处于初级阶段，局限在为大语言模型添加基础的规划能力和工具调用（或者说函数调用）功能，在简单场景中可以选择正确的工具完成任务，但面对更复杂、更个性化的场景时，技术成熟度仍显不足，尤其缺乏原创性、颠覆性的技术突破。”刘波表示。
国家工业信息安全发展研究中心刘劲松等专家近期发布的研究报告显示，工业智能体技术链仍存在硬件、软件、算法等核心环节自主化程度低、生态体系薄弱等瓶颈，导致产业发展受制于外部技术壁垒。比如，硬件技术方面，高端工业传感器、边缘计算芯片、高精度伺服系统等核心器件国产化率不足30%，供应链稳定性受地缘政治影响较大。而在软件技术方面，研发设计类（CAD、CAE等）、生产控制类（PLC、DCS等）、运营管理类（ERP、MES等）等工业软件市场长期被国外品牌垄断，国产软件在复杂场景适配、多系统兼容性等方面存在明显短板。算法方面，自主创新的工业级深度学习模型、强化学习策略及数字孪生推演算法储备不足，底层架构对工业机理模型的融合能力较弱。
这些技术瓶颈使工业智能体从概念走进真实应用场景面临挑战。“制造业通常涉及化学、机械、材料等多学科工艺叠加（如半导体光刻与蚀刻需严格温度、压力协同），导致智能体往往需处理超大规模非线性变量，这类场景通常需要更专业的数值方法，通用的‘数据驱动’等方法并不适用；同时，制造业中大量关键环节依赖专家经验，可获取的数据量小，数据标注成本极高；此外，制造系统中的高安全性要求，对智能体的性能和可靠性要求极高；另外，制造业的数据条件（如数据协议、数据质量等）通常较差，数据整理和清洗成本高，智能体部署难度大。”王孟昌分析称。
工业场景适配性参差不齐
不同于其他行业，制造业场景中，生产设备、物料流动、环境变量都是实体的、动态的，要求智能体必须具备实时、精准的状态感知与场景理解能力，对工业智能体的决策逻辑和决策的可靠性提出了很高的要求。比如，在高速生产线上，工业智能体需要在极短时间内做出决策，但一些复杂算法运算时间长，很难满足实时控制需求。
“智能体实际上应该是一个‘永不掉线’的实时决策引擎，其内部状态与物理世界紧密同步，需要保障智能决策与产线运行的高一致性。同时制造业订单、工艺、设备状况瞬息万变，智能体需在复杂多变中持续保持最优或可行决策。”黑湖科技创始人周宇翔对《中国电子报》记者说道。
工业智能体可实时跟踪订单执行情况
业内普遍认为，工业智能体的部署和实施是一个系统性工程，不能一蹴而就。TCL格创东智工业智能事业部总经理朱金童指出，要从场景出发，通过需求和目标的分析，找到可以充当整个体系中智能体的关键单元，可以是硬件或者软件，并且要明确企业期望智能体解决的问题，如提高生产效率、优化供应链管理等，然后根据需求选择合适的技术框架和算法，搭建智能体模型。
其中，数据是智能体的“燃料”，需收集和整合企业内部的生产数据、设备数据以及外部的市场数据等，并进行清洗和预处理，确保数据质量。在部署阶段，要考虑工业智能体与现有工业系统的兼容性，应采用云边协同的方式，将部分智能体部署在边缘设备以实现实时响应，部分复杂处理在云端完成。最后，持续对智能体进行训练和优化，根据实际运行反馈调整模型参数。
不过，也并非所有工业场景都适合立即部署工业智能体。优先部署的场景应具备痛点明确且数据可获取的特点。“基于机器视觉的辅助质量检测场景有望率先落地，原因在于场景封闭，受环境影响小，数据采集效率高。另外，一些数据条件良好，可以建立优化决策模型的场景也有望顺利落地，在智能体中嵌入相应的优化模型和求解器，可实现自主、安全、高效的决策。”王孟昌表示。
数据可获取性、标准化程度以及业务场景的迫切度等因素将直接影响到工业智能体的落地进展。“像研发设计、生产制造、供应链管理、质量控制等环节，往往能够产生大量可用于分析的数据，且这些环节的业务流程更加标准化，便于工业智能体的实施和集成。”刘波表示。
商业化路径有待探索
尽管工业智能体的应用前景被业界看好，但制造业企业的AI投入意愿和能力存在差异，尤其是很多中小企业面临“不会用、用不起”的双重困境。刘波举例说道：“工业数据来源广，噪声多，标注成本高，构建数据标准化及清洗，是一个复杂的过程，需要大量人工介入，成本非常高。与此同时，算力构建成本高，企业前期投资和运营成本是阻碍工业智能体落地的一个因素。此外，企业技术人才和技能缺口明显，缺乏足够的AI技术人才和技能来开发、部署和维护工业智能体。”
周宇翔指出，许多人对工业智能体的理解仍旧是将它作为一种辅助工具，但工业智能体应该是打通制造业全流程的“如影随形”的存在，这就需要转变对于工业智能体的认知。不应仅将智能体视为一个简单的工具，而是要将其视为工业体系的原生中枢而非辅助工具。在技术层面，构建以其为内核的工业操作系统；在组织形态层面，构建动态的新型的交互关系，在产业协作上去打通各流程，真正去释放工业智能体的潜力。
工业智能体赋能工业生产优化
从技术提供方来看，目前主要有三类参与者有望快速走通工业智能体的商业化路径：一是大型科技公司，如华为、阿里等，这些公司通常拥有先进的算法、大数据处理能力和云计算资源，能够提供从底层模型到上层应用的全栈解决方案，它们依托强大的技术实力和丰富的行业经验，已经在多个工业领域实现了相关技术落地；二是专注于垂直行业的解决方案提供商，如鼎捷，此类公司对行业有深入的理解，能够提供定制化的工业智能体解决方案；三是与行业领导者合作的企业，此类企业具有较强的合作能力和资源整合能力，能够快速获得市场认可和信任，加速产品的商业化进程。
“制造业供应链通常涉及多个供应商、制造商、分销商和客户等，工业智能体需要打通这些环节，则依赖生态链伙伴的大力配合。”刘波表示。他建议，一方面，应加强技术研发与创新的投入，投入更多资源进行人工智能、机器学习、大数据分析等关键技术的研发，以提高工业智能体的性能和适应性；另一方面，应制定工业智能体的技术标准和应用规范，促进工业智能体的快速推进。同时，还要加强企业、高校和研究机构之间的合作，共同进行技术研发和应用推广，并在重点行业和关键领域建立示范项目案例，展示工业智能体的应用效果，引导更多企业跟进。
