原標題：大模型加快向工業領域拓展

工業智能體是大模型與工業機理、機器學習等技術融合應用的最新產物，其帶來的經濟價值備受業界關注。

前不久舉行的工業和信息化部兩化融合工作領導小組會議提出，以工業智能體為抓手深化人工智能工業應用，帶動工業數據集、工業大模型創新迭代。

行業最新報告顯示，全球工業智能化市場規模今年將突破3.5萬億元，中國市場份額超過40%，工業智能體時代正在加速到來。

改變傳統方式

工業智能體是指專為工業生產制造設計，具備自主感知、認知、決策和學習能力的軟硬一體系統。與通用智能體的區別在于，它不僅涉及信息技術，還融合工業知識圖譜等多領域知識，實現了從預設編程、機械響應向自主決策、動態自適應的躍遷。

“工業智能體能夠理解高層次語言和自然語言指令，改變了人機交互方式——無需人工逐步點擊、操作軟件，只需下達命令即可直接得到結果。”賽迪研究院信息化與軟件產業研究所人工智能研究室主任王宇霞介紹，它可以拆解任務、調用工具，如子軟件、外部數據源，還可以通過多智能體協同，實現以語言下達任務、智能體完成后反饋結果，這是其與自動化系統的主要差異。若將工業大模型比作“發動機”，那么工業智能體就是能在工業場景中自主行駛、功能完備的“汽車”。

工業智能體的應用場景有哪些？王宇霞分析，一方面，工業智能體正推動研發從經驗試錯模式向智能驅動范式轉變。傳統研發依賴工程師經驗，在有限空間試錯，效率較低。工業智能體可深度分析海量數據，縮短研發周期，還能在海量空間搜索，推動更多研發和設計組合。另一方面，在生產制造環節，推動制造過程從自動化向自主化升級，在優化生產排程、設備維護控制、跨系統協同等方面作用明顯。

傳統工業機器人依賴預設程序，一般是在穩定環境中執行固定單一任務。浪潮云洲工業具身智能體通過融合多模態感知、大模型任務規劃、精細化運動控制技術，有效提升機器人在復雜工業環境中的自主作業能力。

為了實現智能體持續優化，浪潮云洲構建了集安全監測、風險預警、作業標準化于一體的工業具身智能體，提升動態感知和決策規劃能力，有效解決了傳統工業機器人對于多種零部件抓取、檢測等場景中適應性不足的問題。該平臺打造了“感知自調節、任務自組織”的工業化生態，涵蓋全流程的智能化解決方案并建立數據閉環機制。通過構建高質量、多模態的通用具身智能數據集，智能體可以不斷從環境中學習新知識，優化任務執行策略，完成迭代更新。

杭州熾橙科技副總經理韓鵬則表示，工業智能體不是簡單的大語言模型應用，而是重新定義生產力的AI工具集，是機器學習、強化神經網絡等的集合，是以大模型作為“腦”，工業知識為“心”，具體執行控制為“手”的三位一體智能系統。

提升運營效率

提升運營效率是工業智能體表現出的另一關鍵優勢。“工業智能體在供應鏈優化和企業內部管理中發揮著重要作用。”王宇霞說，智能體通過智能推理和預測，自主開展訂單處理、庫存預警、銷量分析，增強供應鏈彈性。同時，借助大模型能力優化人力、財務決策，提升管理效率。

在上海黑湖網絡科技有限公司CEO周宇翔看來，工業智能體落地絕非簡單技術疊加，而是需要與整體數字化轉型協同推進，讓智能體融入生產流程，成為工廠運轉的“自然部分”。

“我們將智能體嵌入生產制造各個環節，在解決工廠原有生產難題的同時盤活冗余產能，為承接定制化訂單提供更多可能性。”周宇翔補充說，例如，在讀單過程中，OCR（光學字符識別）技術結合多模態與推理模型，可以自動識別訂單字段與圖樣，降低人工錄入時間和出錯率；拆單排期智能體自動生成工藝流、報價與生產計劃。在這些智能體的助力下，工廠工藝準備時間縮短60%，訂單準交率提升20%，智能體正在引領一場效率革命。

注塑是家電生產的重要環節。“我們通過注塑工業智能體支撐注塑工藝知識管理、沉淀等高價值場景。目前，注塑工藝參數的調試時間縮短90%以上，員工培訓成本下降75%。”卡奧斯工業大腦總經理楊健說。

“能用、好用的工業智能體，核心是要解決工業生產中的效率問題。過去數字化建設中，生產形式大多是數字驅動或事件驅動。未來，會逐步轉向模型驅動，以模型為知識中樞和決策中樞，發揮其主動性，更好地組織需求、數據，以應對環境變化協調資源進行全局調度。”阿里巴巴達摩院算法專家趙亮說。

王宇霞還觀察到，在營銷和客戶服務環節，智能體正推動從被動響應向主動預測變革。售前可主動分析潛在市場需求，提供個性化內容，實現精準營銷；售中借助數字人三維等模型提供沉浸式交互，幫助客戶快速決策；售后可成為未來的價值共創服務中心，高效處理客戶疑問，將服務數據轉化為對產品和市場的洞察。

落地仍需努力

真正推動工業智能體在工業領域落地仍面臨諸多挑戰。

首先是技術成熟度問題，很多大模型算法在通用場景中表現良好，但由于工業門類多、行業壁壘高、數據難獲取，工業現場復雜度高，其適應性、實時性、可靠性都存在較大問題。其次，工業現場存在數據孤島、數據缺失、噪聲干擾等問題，現有數據是否足以用于訓練工業智能體，使其達到安全可靠的水平，仍有不確定性。

“最關鍵的是安全問題。”王宇霞認為，智能體會以接口形式或代碼自主生成形式執行任務，這是它和大模型最大的區別。正因如此，它也面臨更多安全威脅，如API（應用程序編程接口）漏洞、代碼供應鏈破壞、提示詞注入等都可能導致智能體運行出現偏差。

京東方科技集團股份有限公司科學家冷長林將基礎設施建設視為最應該加強的環節。“要支持企業構建自主可控、兼容異構的工業AI平臺，盡快突破算力適配、模型壓縮、調度推理等技術瓶頸，實現工業智能體高效、敏捷部署。加強智能體標準體系和評估機制建設，通過國家或行業標準牽引，推動排產、設備維修等領域的通用模型接口、數據規范、性能指標研制，指導企業拓展應用。此外，可依托燈塔工廠、領航工廠等樣板，構建工業智能體生態實驗廠，圍繞典型場景開展模型復用、算法開源、平臺對接等生態試驗，推動從企業內生應用向行業級協同創新轉變。”

“技術上，人工智能與工業機理結合是關鍵。生態上，需要進一步完善協議、安全倫理、法律責任界定及應急接管、人工監督機制等。”王宇霞說。