Geega工业智能体，如何助力领克交付提速15%？【AI落地洞察】

在过去十年汽车行业“软件定义”的浪潮中，新能源车企的竞争焦点已全面转向效率、柔性与智能化。面对订单个性化、供应链高波动、以及高复杂工艺下的质量维保难题，传统制造模式在适应分钟级业务变化时，已显现出结构性挑战。

从动力电池、三电系统到总装，生产中的柔性排产、动态库存优化、以及“小概率高损失”的质量异常处理，都迫切需要一个能够提供实时决策、动态优化与自适应控制的新一代智能制造底座。

工业智能体，或将是解决这一挑战的关键。它们以数据、知识和算法为驱动，赋能关键业务场景实现“自治化”，并通过多智能体协同，消除跨部门断点。

广域铭岛（Geega）依托吉利体系多年的实践经验，以其工业AI平台为基础打造的工业智能体体系，已经在吉利、领克、极氪等工厂中规模化落地。并助力领克多个工厂订单交付周期缩短15%。

为此，虎嗅智库对吉利集团智能制造副总裁、广域铭岛CIO张兴进行了深度调研，旨在系统、流畅地呈现其工业智能体的落地路径、核心价值与方法论。为面临智能化升级挑战的工业企业提供清晰的、经过实践检验的转型参考。

我们深挖并重点分析以下三个核心维度：

1.平台核心能力边界：Geega工业AI应用平台如何实现数据标准化、知识封装与智能体开发/部署？

2.主机厂真实项目实践：智能体的构建逻辑、协同机制、典型应用案例，以及通过实际项目验证的ROI投入产出表现。

3.行业落地方法论：实施中遇到的技术、组织与合规挑战及应对经验。

以下是对话精华：

1、过去几年，工业互联网经历了从热潮到沉寂的周期。这种情况是否会重演在工业AI身上？

很多工业互联网平台消声的根本原因，不是技术不行，而是脱离了场景。

工业互联网最初的设想，是通过跨企业的数据融合实现产业协同，但现实中遭遇了数据确权、标准不一、生态壁垒等多重障碍。于是，越来越多的企业开始从“跨企业协同”回到“企业内部提效”，从构建“数据中台”转向构建“问题闭环”。

传统的数字化建设是完成数字化的“填空”，在计划、生产等领域的建设APS、MES等业务系统实现领域内业务的管控和运行。但是当数字化达到一定规模之后就会碰到天花板，单纯堆砌软件会导致底层能力割裂。因此广域铭岛借助工业互联网平台能力转向建设了GOS（GeelyOS）工业操作系统，以期解决大规模数字化体系的底层支撑问题。

2023年底开始全面向AI转型，在GOS之上衍生出工业AI应用平台。核心逻辑发生质变：传统的数字化是“流程管控”（如MES保证合规），但无法解决流程之外的“波动”和“异常”。现在的目标是通过智能体（Agent）和工厂大脑（PDCA机制），实现对业务异常问题的感知、分析、决策和闭环处理，即从“呈现问题”转向“解决问题”。

平台核心能力可以概括为三句话：连接工业世界的复杂性、沉淀工业知识的可复用性、通过智能体实现业务的可自治性。

2、如何证明这个平台不是给旧的IT系统，套了层AI的皮肤？都做了哪些改造工作？

从“系统数字化”到“智能体协同”，我们做了如下工作：

第一阶段：打基础——工业软件的产品化与标准化。广域铭岛的起点是吉利集团内部数字化经验的外化。早期的工作重心并不是AI，而是把定制化系统变成标准化产品，从而让能力可以复用、推广。

核心动作：将MES、WMS、设备管理、能源管理、质量管理等系统模块化封装。

第二阶段：搭底座——构建GOS工业操作系统。在完成应用层积累后，广域铭岛推出了“GOS工业操作系统”，目标是统一计算环境和应用门户，实现跨系统一致体验。

关键目标：让数据、算力、接口在同一环境下互通，为AI提供“可运行”的统一生态。同时，不再强调“系统功能”，而是强调“系统协同”。

第三阶段：加智能——AI平台与智能体落地。2023年底，AI浪潮推动广域铭岛全面转型：

推出工业AI应用平台，帮助企业快速构建AI基础设施（数据、知识、模型、算力）。

在此基础上推出业务智能体（AIAgent），叠加在原有工业软件之上，形成“人机协同—AI代行”的业务新形态。

对此，我们认为这种关系是“加持”而非替代：智能体并不是独立系统，而是对既有工业软件的赋能。它通过感知、决策、执行的闭环，让系统从‘被动响应’变成‘主动决策’。

第四阶段：构生态——工厂大脑与流程自动化。在“智能体”成熟后，广域铭岛进一步推出“工厂大脑”，以问题驱动的PDCA（Plan-Do-Check-Act）机制实现企业持续改善。

AI不仅参与问题分析，更负责经验沉淀与知识库建设。企业从“发现问题”转向“用AI自我改善”，形成真正意义上的智能运营。

3、具体到落地应用，效果如何？比如领克等主机厂？

领克成都工厂，整厂存在信息孤岛、信息化覆盖不完整、数据分析维度单一、管理缺乏全局视角。

对此的解决方案是，构建一体化数字基座，实现全厂数据透明化、互联互通部署设计研发协同、工艺质量提升、高级计划排程、场内仓流协同、通用动力能耗优化等一批工业软件，实现全生命周期数字化管理搭建智能化决策平台统一管理资产、系统、流程。

应用效益:质量损失成本降低13%，物流配送效率提升10%，年度能耗成本降低10%，订单交付周期缩短15%。

另外，领克的余姚工厂，同样年产能30万辆新能源汽车。主要痛点是开发上市周期长，物料异常追溯慢，供应链管理难，市场变化响应慢。那么对于该工厂的解决方案，则是搭建统一数字化平台，重点部署供应链协同管理和柔性高级计划排程方案。

应用效益除了订单交付周期缩短15%，还有库存成本降低10%，物料齐套率提升20%，作业效率提升10%。

极氪宁波工厂，主要面临的问题是业务集成度低、数据共享性低、管理效率低，因而产能提升难，为此我们建立了一个全连接工厂基座，部署了多个智慧场景，从而使得设备故障率减少10%，设备开动率提升11%。

4、Geega平台的智能体体系架构如何设计？包括标准组件、知识模块、业务建模框架等。

Geega平台的智能体体系架构主要由三个层级构成：感知层、决策层和执行层。感知层通过实时数据采集与监控，对生产、设备、质量等方面进行全面感知；决策层利用机器学习、优化算法等技术进行智能决策；执行层则通过与现有工业系统的协作，实现业务指令的执行。

在标准组件方面，平台提供了多个工业智能体模块，例如排产、仓储、质量检测、设备监控等，这些模块可以根据企业需求进行定制和组合。知识模块则通过构建企业知识图谱，沉淀行业经验，为智能体提供决策支持。业务建模框架帮助用户将业务流程转化为可执行的智能任务模型。

5、平台是否提供标准化的工业组件和模块？如何实现“像搭积木一样”的拖拽组合？

是的，Geega平台提供了多种标准化的工业组件和模块，包括设备管理、生产调度、仓储管理等功能模块。这些模块通过低代码平台进行集成，可以实现“像搭积木一样”的拖拽组合，用户无需深厚的技术背景，也能轻松配置和定制智能体应用。平台的标准化组件有助于加速企业智能化部署，降低个性化开发的难度。

6、总体来说，一个智能体从设计到上线的完整流程是怎样的？

智能体从设计到上线的流程包括以下几个关键环节：

数据准备：收集并整理相关业务数据，确保数据的完整性和准确性；

模板选择：根据企业的实际需求，选择合适的智能体模板或定制化模板；

参数配置：设置智能体的参数，包括决策规则、优化目标、约束条件等；

验证上线：通过模拟运行验证智能体的决策逻辑和执行效果，确保系统稳定后正式上线；

持续学习：上线后，智能体会通过实时数据和反馈进行自我学习，不断优化决策模型和执行效果。

7、单个智能体的开发成本与周期？客户侧的投入占比？

智能体的开发周期根据应用复杂性不同，通常为1到3个月，开发成本主要集中在数据整合、模型训练和系统集成方面。客户侧的投入主要用于设备改造、系统对接以及员工培训，培训成本占比大约为15%-20%。

8、ROI指标如何计算？

ROI指标主要从生产效率、人工成本节省、设备利用率、停机时间减少等方面进行计算。例如，排产智能体应用后，生产效率提高了30%，人工工时减少了40%，设备利用率提升了15%，库存周转率提高了20%。

9、以目前比较成熟的排产智能体，从接收生产需求到输出最优计划的完整流程主要有哪些。

排产智能体的工作流程如下：

接收生产需求：通过与企业ERP系统对接，获取最新的生产需求数据；

需求分析与约束设定：分析生产需求，并根据设备、人员、物料等约束条件，制定生产计划；

计划推荐：通过优化算法（如约束求解、强化学习等），生成最优生产计划；

验证与调整：验证生产计划的可行性，根据实时数据进行必要的调整；

下发执行：将最终的生产计划下发至生产系统，实施生产作业。

10、排产智能体是否具备多目标优化能力？

除了传统的设备利用率、生产周期等优化目标外，排产智能体还能考虑到能源消耗、人工工时、订单优先级等多个因素，进行综合优化。通过多目标优化算法，智能体能够在满足各项生产约束的同时，最大化资源利用率和生产效率。

11、在吉利的20个基地中，智能体落地带来了哪些具体的量化收益？能否举一个最具代表性的场景案例？

效益最显著的场景之一是“基于停线问题的闭环管控”。

场景痛点：汽车工厂停线一分钟损失巨大。传统模式下，停线原因分析涉及生产、设备、物料等多个割裂系统，人工分析极其耗时。

解决方案：利用工厂大脑机制，打通跨域数据（数芯工场），AI自动结合知识库进行故障定位、匹配历史解决方案（如8D报告），并推送决策建议。

ROI数据：通过缩短问题分析与决策时间，减少停线时长。测算显示，仅在单个基地，该场景每年节省的工时及停线损失挽回价值就达到748万元左右。

12、在工业现场，阻碍AI完全替代人工的核心瓶颈是什么？

目前的智能体主要是“辅助”而非“替代”。完全替代岗位还面临两大挑战：

业务标准化的缺失：AI落地的天花板取决于业务管理的标准化程度。如果现场工人的操作习惯五花八门，或者缺陷描述没有统一标准（如代码化、结构化），大模型就无法进行有效的归因分析和策略推荐。

还有物理世界的“非理性”干扰：纯信息处理（如文档生成）容易替代，但涉及线下物理交互和利益协调的很难替代。比如系统指示去A库位取货，但工人发现B库位更近且有货，可能直接取B，导致系统账实不符。

通过此次调研，虎嗅智库总结了关于智能体构建的三大要点：

（一）从问题出发：明确业务目标

AI必须被嵌入到具体业务流程中，从最具痛点的场景入手——

停线问题：一条生产线的停线，可能由设备、质量、人员、能源等多因素引起。传统系统难以跨域追溯。能源浪费：车间供能时间与生产节奏不匹配，导致能耗异常。维修履历分散：各工厂维修记录割裂，知识无法复用。

这些问题的共同点是——跨系统、跨部门、缺乏闭环。而这正是AI能够“发挥乘法效应”的位置。

（二）反向定义：用AI倒推数据与系统改造

在确定场景后，广域铭岛不会立即“堆AI”，而是反向梳理：1.这个问题涉及哪些系统？2.哪些数据结构缺失或不可用？3.哪些决策逻辑需要知识化封装？

例如在“停线分析”场景中，他们先定义“停线时长”这一指标对象，明确其数据来源、计算逻辑、阈值与异常处理流程，然后再将其语义化封装，供大模型调用。

“以前我们系统记录的是‘发生了什么’，现在我们要让数据‘解释为什么’。”这一逻辑实现了从“数据记录”向“数据理解”的跃迁，也使得智能体可以准确访问与分析真实业务语义。

（三）持续演化：场景拉动+能力沉淀

每个智能体的诞生，都成为平台能力的积累。当停线分析的指标体系建好，未来在质量、物流等其他场景可直接复用。每一次问题处理的经验，都沉淀入知识库，形成可被后续AI调用的“企业经验模型”。

同时，通过AI驱动企业持续改善，也会让企业管理回归到“持续改善”的哲学，只不过驱动者从人变成了AI。