工業智能體落地仍有三道坎

ROBOT INDUSTRY

今年的政府工作報告提出，持續推進“人工智能+”行動，將數字技術與制造優勢、市場優勢更好結合起來，支持大規模廣泛應用。這是“人工智能+”第二次被寫入政府工作報告，與去年側重于技術研發和產業集群建設不同，今年的提法更側重于技術的落地應用，將人工智能的應用重點指向了制造業。

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端，驅動車企快速迭代和優化產品；在寶武鋼鐵，華為工業智能體通過高爐爐況優化，每年可以為寶鋼降本超過10億元……

作為新型工業化發展的核心驅動力，工業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，現階段工業智能體的落地仍面臨諸多挑戰。

1

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“工業智能體”產品和解決方案。從市場反饋來看，業界普遍對AI智能體的發展前景持樂觀態度。然而，阿里巴巴達摩院決策智能實驗室研究員王孟昌表示：“工業系統是受物理約束和資源約束的經濟工程系統，并且處于持續變動的外部環境之中，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。”

他認為，不深入系統機理、單純指望“堆”數據和硬件的方案，并不能算作真正的工業智能體。

只有能夠準確地感知和預測工業系統的狀態、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“工業智能體”。

鼎捷數智執行副總裁劉波指出，“要衡量一個產品是不是真正的工業智能體，首先要看它是否具備工業智能體的核心‘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、研發投入、應用案例等進行多維度的綜合評估。”

鼎捷數智積極打造“工業智能體”

工業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。“客觀來講，多數智能體的發展還處于初級階段，局限在為大語言模型添加基礎的規劃能力和工具調用（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，尤其缺乏原創性、顛覆性的技術突破。”劉波表示。

國家工業信息安全發展研究中心劉勁松等專家近期發布的研究報告顯示，工業智能體技術鏈仍存在硬件、軟件、算法等核心環節自主化程度低、生態體系薄弱等瓶頸，導致產業發展受制于外部技術壁壘。比如，硬件技術方面，高端工業傳感器、邊緣計算芯片、高精度伺服系統等核心器件國產化率不足30%，供應鏈穩定性受地緣政治影響較大。而在軟件技術方面，研發設計類（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、多系統兼容性等方面存在明顯短板。算法方面，自主創新的工業級深度學習模型、強化學習策略及數字孿生推演算法儲備不足，底層架構對工業機理模型的融合能力較弱。

這些技術瓶頸使工業智能體從概念走進真實應用場景面臨挑戰。“制造業通常涉及化學、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、壓力協同），導致智能體往往需處理超大規模非線性變量，這類場景通常需要更專業的數值方法，通用的‘數據驅動’等方法并不適用；同時，制造業中大量關鍵環節依賴專家經驗，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，制造業的數據條件（如數據協議、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。”王孟昌分析稱。

2

工業場景適配性參差不齊

不同于其他行業，制造業場景中，生產設備、物料流動、環境變量都是實體的、動態的，要求智能體必須具備實時、精準的狀態感知與場景理解能力，對工業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。

黑湖科技創始人周宇翔表示，“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。同時制造業訂單、工藝、設備狀況瞬息萬變，智能體需在復雜多變中持續保持最優或可行決策。”

工業智能體可實時跟蹤訂單執行情況

業內普遍認為，工業智能體的部署和實施是一個系統性工程，不能一蹴而就。TCL格創東智工業智能事業部總經理朱金童指出，要從場景出發，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，并且要明確企業期望智能體解決的問題，如提高生產效率、優化供應鏈管理等，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，要考慮工業智能體與現有工業系統的兼容性，應采用云邊協同的方式，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，持續對智能體進行訓練和優化，根據實際運行反饋調整模型參數。

不過，并非所有工業場景都適合立即部署工業智能體。優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化模型和求解器，可實現自主、安全、高效的決策。”王孟昌表示。

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

3

商業化路徑有待探索

盡管工業智能體的應用前景被業界看好，但制造業企業的AI投入意愿和能力存在差異，尤其是很多中小企業面臨“不會用、用不起”的雙重困境。劉波舉例說道：“工業數據來源廣，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，企業前期投資和運營成本是阻礙工業智能體落地的一個因素。此外，企業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、部署和維護工業智能體。”

周宇翔指出，許多人對工業智能體的理解仍舊是將它作為一種輔助工具，但工業智能體應該是打通制造業全流程的“如影隨形”的存在，這就需要轉變對于工業智能體的認知。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操作系統；在組織形態層面，構建動態的新型的交互關系，在產業協作上去打通各流程，真正去釋放工業智能體的潛力。

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智能體的商業化路徑：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經驗，已經在多個工業領域實現了相關技術落地；二是專注于垂直行業的解決方案提供商，如鼎捷，此類公司對行業有深入的理解，能夠提供定制化的工業智能體解決方案；三是與行業領導者合作的企業，此類企業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，加速產品的商業化進程。

“制造業供應鏈通常涉及多個供應商、制造商、分銷商和客戶等，工業智能體需要打通這些環節，則依賴生態鏈伙伴的大力配合。”劉波表示。他建議，一方面，應加強技術研發與創新的投入，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，以提高工業智能體的性能和適應性；另一方面，應制定工業智能體的技術標準和應用規范，促進工業智能體的快速推進。同時，還要加強企業、高校和研究機構之間的合作，共同進行技術研發和應用推廣，并在重點行業和關鍵領域建立示范項目案例，展示工業智能體的應用效果，引導更多企業跟進。

作者：《中國電子報》記者宋婧

閱讀更多內容，歡迎訂購《機器人產業》雜志。

點擊跳轉！圈內人都在看的專家觀點