工业智能体是大模型与工业机理、机器学习等技术融合应用的最新产物，其带来的经济价值备受业界关注。

前不久举行的工业和信息化部两化融合工作领导小组会议提出，以工业智能体为抓手深化AI工业应用，带动工业数据集、工业大模型革新迭代。

行业最新报告显示，全球工业自动化市场规模今年将突破3.5万亿元，国内市场份额超越40%，工业智能体年代正在加速到来。

改变传统方法

工业智能体是指专为工业生产制造设计，拥有自主感知、认知、决策和学习力的软硬一体系统。与通用智能体有什么区别在于，它不只涉及信息技术，还融合工业常识图谱等多范围常识，达成了从预设编程、机械响应向自主决策、动态自适应的跃迁。

“工业智能体可以理解高层次语言和自然语言指令，改变了人机交互方法——不需要人工越来越点击、操作软件，仅需下达命令即可直接得到结果。”赛迪研究院信息化与软件产业研究所AI研究室主任王宇霞介绍，它可以拆解任务、调用工具，如子软件、外部数据源，还可以通过多智能体协同，达成以语言下达任务、智能体完成后反馈结果，这是其与智能化系统的主要差异。若将工业大模型比作“发动机”，那样工业智能体就是能在工业场景中自主行驶、功能完备的“汽车”。

工业智能体的应用场景有什么？王宇霞剖析，一方面，工业智能体正推进研发从经验试错模式向智能驱动范式转变。传统研发依靠工程师经验，在有限空间试错，效率较低。工业智能体可深度剖析大量数据，缩短研发周期，还能在大量空间搜索，推进更多研发和设计组合。其次，在生产制造环节，推进制造过程从智能化向自主化升级，在优化生产排程、设施维护控制、跨系统协同等方面用途明显。

传统工业机器人依靠预设程序，一般是在稳定环境中实行固定单一任务。浪潮云洲工业具身智能体通过融合多模态感知、大模型任务规划、精细化运动控制技术，有效提高机器人在复杂工业环境中的自主作业能力。

为了达成智能体持续优化，浪潮云洲构建了集安全监测、风险预警、作业标准化于一体的工业具身智能体，提高动态感知和决策规划能力，有效解决了传统工业机器人对于多种零部件抓取、测试等场景中适应性不足的问题。该平台塑造了“感知自调节、任务自组织”的工业化生态，涵盖全步骤的自动化解决方法并打造数据闭环机制。通过构建优质、多模态的通用具身智能数据集，智能体可以不断从环境中学习新常识，优化任务实行方案，完成迭代更新。

杭州炽橙科技副总经理韩鹏则表示，工业智能体不是简单的大语言模型应用，而是重新概念生产力的人工智能工具集，是机器学习、强化神经互联网等的集合，是以大模型作为“脑”，工业常识为“心”，具体实行控制为“手”的三位一体智能管理软件。

提高运营效率

提高运营效率是工业智能体表现出的另一重点优势。“工业智能体在Supply chain优化和企业内部管理中发挥着要紧用途。”王宇霞说，智能体通过智能推理和预测，自主拓展订单处置、库存预警、销售量剖析，增强Supply chain弹性。同时，借用大模型能力优化人力、财务决策，提高管理效率。

在上海黑湖互联网科技公司CEO周宇翔看来，工业智能体落地绝不是简单技术叠加，而是需要与整体数字化转型协同推进，让智能体融入生产步骤，成为工厂运转的“自然部分”。

“大家将智能体嵌入生产制造每个环节，在解决工厂原有生产难点的同时盘活冗余产能，为承接定制化订单提供更多可能性。”周宇翔补充说，比如，在读单过程中，OCR（光学字符辨别）技术结合多模态与推理模型，可以自动辨别订单字段与图样，减少人工录入时间和出错率；
拆单排期智能体自动生成工艺流、价格与生产计划。在这类智能体的帮助下，工厂工艺筹备时间缩短60%，订单准交率提高20%，智能体正在引领一场效率革命。

注塑是家用电器生产的要紧环节。“大家通过注塑工业智能体支撑注塑工艺常识管理、沉淀等高价值场景。现在，注塑工艺参数的调试时间缩短90%以上，职员培训本钱降低75%。”卡奥斯工业大脑总经理杨健说。

“可以用、好使的工业智能体，核心是要解决工业生产中的效率问题。过去数字化建设中，生产形式大多是数字驱动或事件驱动。将来，会越来越转向模型驱动，以模型为常识中枢和决策中枢，发挥其主动性，更好地组织需要、数据，以应付环境变化协调资源进行全局调度。”阿里巴巴达摩院算法专家赵亮说。

王宇霞还察看到，在营销和顾客服务环节，智能体正推进从被动响应向主动预测变革。售前可主动剖析潜在市场需要，提供个性化内容，达成精确营销；
售中借用数字人三维等模型提供沉浸式交互，帮助顾客迅速决策；
售后可成为将来的价值共创服务中心，高效处置顾客疑问，将服务数据转化为对商品和市场的洞察。

落地仍需努力

真正推进工业智能体在工业范围落地仍面临很多挑战。

第一是技术成熟度问题，不少大模型算法在通用场景中表现好，但因为工业门类多、行业壁垒高、数据难获得，工业现场复杂度高，其适应性、实时性、靠谱性都存在较大问题。第二，工业现场存在数据孤岛、数据缺失、噪声干扰等问题，现有数据是不是足以用于练习工业智能体，使其达到安全靠谱的水平，仍有不确定性。

“最重要的是安全问题。”王宇霞觉得，智能领会以接口形式或代码自主生成形式实行任务，这是它和大模型最大有什么区别。正因这样，它也面临更多安全威胁，如API（应用程序编程接口）漏洞、代码Supply chain破坏、提示词注入等都可能致使智能体运行出现偏差。

京东方科技集团股份公司科学家冷长林将基础设施建设视为最应该加大的环节。“要支持企业构建自主可控、兼容异构的工业人工智能平台，尽快突破算力适配、模型压缩、调度推理等技术瓶颈，达成工业智能体高效、敏捷部署。加大智能体标准体系和评估机制建设，通过国家或行业准则牵引，推进排产、设施修理等范围的通用模型接口、数据规范、性能指标研制，指导企业拓展应用。除此之外，可依托灯塔工厂、领航工厂等样板，构建工业智能体生态实验厂，围绕典型场景拓展模型复用、算法开源、平台对接等生态试验，推进从企业内生应用向行业级协同革新转变。”

“技术上，AI与工业机理结合是重点。生态上，需要进一步健全协议、安全伦理、法律责任界定及应对接管、人工监督机制等。”王宇霞说。