工業智能體應用現狀、挑戰及對策建議

ROBOT INDUSTRY

近年來，工業智能體逐漸從單一智能體向多工業智能體集群協作模式轉變，成為制造業智能升級的核心引擎，呈現出技術融合、應用多元、生態協同的發展態勢。然而，當前工業智能體發展仍面臨核心零部件自主可控不足、算法可靠性挑戰，及產業生態和商業模式尚不完善等問題，制約產業的規模化應用和效率提升。為深入研判工業智能體發展趨勢及產業機遇，本文聚焦技術進展、應用實踐與產業生態，系統梳理制造業、能源、物流等重點行業的應用案例和國內外產品動向，深入探討工業智能體發展面臨的技術攻關、應用推廣及生態建設等挑戰，并從技術創新、場景拓展、生態建設和政策引導等維度提出相關建議。

1

工業智能體概述與發展現狀

工業智能體的定義和特征

工業智能體是指在特定的、復雜的工業環境中，為完成特定目標或任務而設計、部署和運行的，具有高度自主性、反應性、主動性、社會性和適應性的軟件實體。它并非單一技術，而是融合信息技術、自動化技術與人工智能技術的綜合智能系統，實現對生產設備、工藝流程和物流管理等環節智能化控制與優化的系統。工業智能體可從不同維度進行多種分類。按照功能可劃分為執行型智能體、決策型智能體和協作型智能體，按照部署方式可劃分為本地智能體、云端智能體和邊緣智能體，按照服務范圍可劃分為場景級智能體、環節級智能體和產業鏈級智能體。國家工業信息安全發展研究中心劉勁松等認為，工業智能體作為智能體技術與行業Know-How深度融合的產物，實現了對生產設備、工藝流程和物流管理等環節的智能化控制與優化，是制造業數字化轉型從“信息化建設”邁向“價值創造”的關鍵推手。華為等單位聯合編制的《工業數字化/智能化2030白皮書》提出，工業智能體如同人體，工業軟件是“大腦”，工業云底座是“心臟”，工業邊緣引擎、數字工業裝備是“四肢”，先進工業網絡是貫通全身的“神經”，工業數據是無處不在、流動的“血液”，端到端安全則是“免疫系統”。亞信科技工程總監劉長水表示，工業智能體擁有自主決策能力，具備更好的復雜系統協同能力，能自主形成知識沉淀并復用，是AI Agent技術在工業垂直場景中的應用深化，本質上是“工業機理+大模型+業務系統”的融合體。

全球主要經濟體工業智能體發展動向

工業智能體作為實現制造智能化、高效化、靈活化的重要路徑，成為各國產業政策布局的關鍵一環。全球主要經濟體正加快推進工業智能體的研發與應用，力圖在智能制造新一輪變革中占據先機。美國、中國、日本和歐盟等國家和地區，圍繞核心算法、工業基礎設施與行業落地場景等抓手，呈現出各具特色的發展動向。

美國在工業智能體領域的發展處于全球領先地位，其將工業智能體視為推進先進制造和保障技術主導權戰略的重要支點，工業智能體整體呈現出“技術驅動+場景牽引+生態構建”協同推進的特征。在技術層面，OpenAI、Anthropic、Google DeepMind等一批世界領先的人工智能企業，正推動大語言模型、多模態模型等技術快速演進；微軟、英偉達、亞馬遜等企業正在加快布局云邊端一體化的算力平臺和開發工具體系，構建支撐工業智能體高效部署與運行的底層基礎設施。在實際應用層，美國企業普遍將智能體作為AI助手嵌入到具體生產場景中，以人機協同為導向推動柔性制造與智能運維等場景落地。在政策引導方面，美國政府將人工智能發展納入國家戰略層面，通過《美國人工智能倡議》《美國人工智能行動計劃》等系列文件部署專項資金、推動標準建設與產業試點。

我國推動制造業數字化、智能化轉型是實現新型工業化、構建現代產業體系的重要路徑，工業智能體正逐步成為制造業智能升級的核心引擎。政策層面，2025年6月，工業和信息化部兩化融合工作領導小組提到，要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、工業大模型的創新迭代。通過智能體推動制造業全流程智能化變革，助力培育新質生產力。2025年8月，《國務院關于深入實施“人工智能+”行動的意見》進一步強調，要推動新一代智能終端、智能體等廣泛應用，提出2027年實現應用普及率超70%，2030年普及率達90%的目標。在一系列政策的推動下，工業智能體作為落實關鍵任務的重要環節，其重要性不言而喻。與此同時，人工智能賦能新型工業化的相關工作也在穩步部署，工業智能體作為其中的關鍵構成，其具體要求與覆蓋率規劃正逐步成型，將成為未來重點發力的方向。企業方面，華為、阿里巴巴、百度等廠商基于自身云計算和大模型能力，陸續推出面向不同工業場景的智能體解決方案，涵蓋流程優化、設備管理、質量監控、能源調度等關鍵環節，加快推動從通用智能體向工業垂直智能體演進。IDC 2025中國工業企業調研顯示，工業企業中已經應用了大模型及智能體的比例，從2024年的9.6%，顯著提升到2025年的47.5%。其中，已經在多環節開展應用的企業從1.7%顯著提升到35%。已經應用大模型及智能體的企業中，超過73.7%的應用場景在十個到幾十個左右。

日本在工業智能體發展方面聚焦制造業核心競爭力的提升，將工業智能體作為推進智慧制造和“社會5.0”的重要支撐力量，利用人工智能體技術解決人口老齡化帶來的社會問題。日本政府通過《人工智能相關技術研究開發及應用推進法》《人工智能運營商指南》等系列政策文件，推動AI與機器人、物聯網、大數據深度融合，打造以智能體為基礎的下一代制造模式。制造巨頭，如日立、松下、三菱電機、富士通等企業，加快部署工業智能體解決方案，廣泛應用于智能車間管理、設備預測性維護、質量控制優化等環節，提升柔性制造與快速響應市場的能力。工業智能體不僅廣泛部署于高危、高強度、重復性強的崗位，替代或輔助年長工人完成復雜操作，還延伸至服務機器人、智慧養老制造等新興領域，為老齡社會構建更高效、更智能的服務供給體系。

歐洲在工業智能體領域的發展呈現出綠色導向、倫理合規的獨特路徑，強調在推動先進制造智能化的同時，兼顧可持續發展與社會責任。歐洲以《人工智能大陸行動計劃》、德國“工業4.0”戰略為引領，積極推動工業大模型、智能體平臺與工業軟件、自動化系統融合，打造具備自主學習、知識推理和跨系統協同能力的工業智能體。西門子、ABB、施耐德電氣、SAP等領軍企業，通過開放平臺構建多層級、可復用的工業智能體架構。歐洲傾向于將工業智能體用于流程工業、高端裝備制造、能源系統等領域，特別是在汽車、航空和制藥等行業，幫助企業實現數字化、綠色化轉型。同時，在工業智能體的發展進程中，歐洲始終把數據隱私保護和倫理合規視為核心關注點。受法規影響，歐洲在工業智能體系統的數據采集、處理與共享過程中，強調用戶授權、數據最小化和使用可追溯性原則，確保工業數據在流通和訓練模型過程中不觸及隱私紅線。

2

工業智能體的應用場景與實踐

主要應用場景分類

工業智能體通過感知工業現場環境，基于決策結果調用相關工具逐步實現既定目標，在研發設計、生產制造、運行維護、倉儲物流等場景中發揮重要作用。

在研發設計場景中，工業智能體正重塑工業研發設計的范式，實現從經驗導向數據智能驅動的質的飛躍。在強大的算法模型和豐富的數據資源的支撐下，工業智能體能夠深入分析市場趨勢、用戶偏好、競品特征等多維信息，構建精確的需求畫像，提前預判研發方向。研發人員也可借助智能體強大的知識圖譜激發創意靈感并優化建議。智能體依托數字孿生與仿真技術，還可對設計方案進行虛擬迭代與性能預測，大幅降低企業試錯成本與開發周期。

在生產管理場景中，工業智能體憑借強大的系統集成與實時響應能力，正在重塑工業生產管理的運轉流程。通過動態感知訂單、設備、物料與人員等核心資源的狀態，智能體能夠設計最優排產計劃，實現產能與訂單的精準配對，打破傳統線性管理的剛性限制。智能體還可以在生產全過程中持續監測關鍵質量指標，動態識別潛在偏差與異常波動，并在第一時間發出預警并優化參數設置，減少不良品率。

在設備運維場景中，工業智能體通過持續采集設備運行數據，如溫度、電流、能耗等參數，能夠提前識別異常趨勢，實現對故障的預測性防范，而非被動響應。當系統出現異常趨勢時，智能體能夠迅速鎖定故障源頭，分析可能成因，并且協同調度維修資源，自動匹配合適的工程人員、所需備件與檢修窗口，提升運維效率并降低停機損失。

在倉儲物流場景中，工業智能體已成為提升供應鏈韌性與效率的有力抓手。借助物聯網、人工智能、大數據等技術，智能體打通了企業與供應商、倉儲、物流等上下游數據壁壘，可根據訂單波動與庫存變化，自動調整貨物出入庫與揀選策略，優化倉位布局，實現跨節點的信息聯動與流程協同。智能體還能構建可視化物流追蹤系統，對運輸全鏈路進行狀態監控與風險預警，動態識別并快速響應供應鏈中斷風險，自動推薦替代路徑與備選方案，提升整體供應鏈的韌性。

典型應用案例分析

隨著人工智能體在工業領域的深入部署，不同行業正逐步形成契合自身商業模式的應用推廣和價值轉化路徑。在鋼鐵、石化、汽車制造、電子制造、紡織等典型行業中，工業智能體深度融合了行業工藝、設備系統與業務流程，幫助企業全鏈條各環節的智能化轉型。

在鋼鐵行業中，湖南湘鋼集團利用大模型部署的行車智能調度系統集成了煉鋼生產計劃、行車檢修信息、鋼水包實時位置、各類業務規則等大量數據，利用算法智能生成行車調度計劃，涵蓋鋼鐵流程中的焦化、燒結、煉鐵、煉鋼、軋鋼等32個場景，超100個創新應用場景調研孵化中。華為云盤古大模型5.0在寶鋼的一條熱軋生產線上線，精軋寬展預測精度較傳統模型提升了5%以上，每年有望多生產2萬噸鋼板，增收超9000萬元。日照鋼鐵板材廠也構建了全流程智能化質量管控體系，通過“數智化檢測+數智化控制”技術，賦能生產全流程，推動企業產品質量邁上新臺階。

在石化行業中，江漢油田推動中國石化長城大模型與油田業務深度融合，打造了“AI+鉆井技術決策”“AI+壓裂技術決策”“AI+頁巖氣動態管理”三大智能化應用場景，鉆井井下風險實時預警準確率達85%以上，壓裂施工中砂堵發生率下降至千分之五，氣藏動態分析效率提升60%以上。中國石油研發3000億參數昆侖大模型，成為能源化工領域首個通過國家備案的行業大模型。訓練形成3000億參數語言、44億參數視覺、800億參數多模態大模型，構建起我國勘探行業的全領域大模型，統籌開展油氣勘探開發、煉油化工、戰略支持產業鏈等領域的場景建設，已有100個場景投產使用。

在汽車制造行業中，雪浪云助力某汽車工廠進行生產優化，構建“數據+模型”雙驅動的數字孿生工廠，集成工廠仿真智能體與生產運營管控智能體，助力汽車工廠資源配置效率提高12%，原材料庫存資金占用下降18%，倉儲和管理成本下降15%。阿維塔5G數智工廠以“全制造流程數字化”為核心，集成5G、AI、數字孿生等40余項前沿技術，平均每60秒即可下線一臺新車，并支持跨品牌共線生產。

在電子制造行業中，格創東智基于Deepseek升級的章魚智腦Agentic AI平臺，開創出多個工業場景創新方案：面向半導體顯示研發場景的垂類專家大模型，效率提升50%；面向設備管理場景的設備知識庫Agent“小魯班”，覆蓋超100個科室的設備智控輔助，小故障處理效率提升62%，大故障提升30%；面向質量管理售后場景的AI生產8D報告，助力質量工程師編撰效率提升90%。芯愛科技智能工廠構建了“智能裝備+工業互聯網+數字孿生”三位一體的制造體系，實現了高端封裝基板的國產化突破，自動化導入人員效率提升50%，在線檢測準確率達100%。

在鐵路行業中，和利時打造的“和行”軌道交通大模型憑借“通用大模型底座+行業數據定調”的智能模式，以及在多源異構數據處理、多模型安全接入等方面的優勢，能夠為軌道交通提供更智能、更高效、更精準的運輸輔助決策、運維故障診斷和主動安全防護解決方案。通號低空公司以自主研發的無人機飛控系統為核心，深度融合AI視覺識別技術，構建出專為鐵路電務場景定制的低空飛行巡檢解決方案，與中國鐵路成都局集團聯合打造的電務低空巡檢場景在重慶電務段驗證成功。

在紡織行業中，柯橋紡織業依托Deepseek等主流開源大模型，全力打造紡織產業垂類大模型，構建了“人工智能+紡織”應用體系，目前已完成面料、技術、人才等領域的8個產業服務智能體建設。中國電信基于自研的星辰視覺大模型，將AI算法應用于針織生產環節，幫助紡織企業提升驗布的準確率及速度，顯著提升降本增效效果，已在多個企業落地應用。浪潮云洲工業裝備節能智能體可根據細紗機、織布機等核心生產設備的車速、狀態等實時運行數據，動態調節送風參數，并支持跨設備協同調控。

多工業智能體集群協作模式

隨著工業智能體技術的不斷演進，單一智能體的能力邊界已難以滿足日益復雜的工業場景需求，多智能體協作模式正成為推動工業智能化升級的重要發展方向。工業智能體正經歷從L1聊天助手到L4多智能體蜂群的四次關鍵進化：L1聊天助手本質上是聊天工具，主要提供建議或情感陪伴，屬于“玩具級”智能體；L2低代碼工作流智能體以低代碼模式搭建工作流，已從“玩具”進化為“工具”，但交付的仍是半成品；L3自主規劃智能體具備推理能力，可以看作領域專家，能夠針對特定任務進行多步邏輯推演，但面對跨領域復雜問題時仍會因缺乏協同規劃能力而陷入瓶頸；L4多智能體蜂群則能實現多個智能體協作，通過不同專長的推理型智能體組合完成復雜任務。

在工業應用中，多智能體蜂群展現出獨特的協作優勢。通過蜂群協作框架，多個推理型智能體可以靈活拉群、多層嵌套、組隊協作，在統一指揮系統下分工執行生產規劃、質量監控等關聯任務，比如復雜產品研發中，設計、仿真、優化智能體并行形成迭代閉環。不過，要進一步突破復雜制造場景的協作瓶頸，未來還需重點推進三大方向：一是強化多智能體協同機制，二是構建高通量、高可信、低時延的智能體通信網絡，三是打造具備協同探索、協同決策、高效互聯能力的智能體系統，最終實現復雜制造場景下智能體協作水平的顯著提升。目前，先進的多智能體蜂群已能夠連續執行超過1000步的復雜任務，為未來目標的落地奠定了技術基礎，也為工業領域處理超長流程、多環節協同的復雜任務提供了新的技術路徑。

3

工業智能體的技術支撐體系

技術棧構成

智能體技術棧是支持工業智能體開發、部署和運行的核心框架和工具集合，主要由基礎設施、模型服務、可信應用框架、數據存儲、工具庫、運行框架等關鍵組件組成。基礎設施層是整個技術棧的底座，為智能體提供算力、存儲和網絡等基礎資源保障。算力資源主要依托GPU、TPU或AI加速芯片集群，為大語言模型的訓練和推理提供強大的并行計算能力。存儲系統需要支持高吞吐量、低延遲的數據讀寫操作，既要滿足海量訓練數據的存儲需求，也要保證運行過程中狀態數據的快速訪問。網絡架構則需要支持低時延、高帶寬的數據傳輸，特別是在邊云協同部署場景中，穩定高效的網絡連接是保障智能體響應速度的關鍵。模型服務是整個智能體體系的基礎，依托大語言模型的能力接口，提供強大的推理、生成與理解服務。可信應用框架層是工業智能體技術棧的關鍵創新，專門解決大模型在工業專業應用中的可靠性挑戰。高階程序（High-Order Program）作為這一層的核心技術，通過業務邏輯的程序化表達、場景知識圖譜和受控工具鏈三大組件，在全流程中貫穿核驗機制。數據存儲層負責工業智能體的狀態保持與記憶管理，常采用向量數據庫來存儲歷史對話、上下文信息和長期知識，以支持連續性與個性化交互。工具庫賦予智能體動態調用外部函數和接入多源數據的能力，使其具備任務執行與功能擴展的可編程性。運行框架在此基礎上承擔智能體行為的整體調度，支持多記憶機制、上下文狀態跟蹤，及跨智能體間的通信與協作。

產業鏈分析

從產業鏈協同的角度來看，人工智能體的落地應用依托一個自下而上、層層聯動的支撐體系，主要包括底層算力資源、中間平臺框架和上層垂直應用三個關鍵環節。底層的算力基礎是智能體運行的根本保障，依靠以GPU、AI芯片和高性能云服務為核心的計算架構，支撐大規模模型的訓練與高頻次推理，云服務提供商如百度智能云、華為云、阿里云等在這一層扮演著關鍵角色。中間層則是人工智能體生態的中樞，涵蓋各類平臺框架、開發工具和系統組件，為企業和開發者提供統一的建模環境、流程自動化工具及多模態接口支持，代表產品有聯匯、扣子、天工AI等。這一層既承載著模型的快速部署與協同運作，也推動了跨平臺、多場景智能體的高效連接與統一調度。在應用層，人工智能體深度嵌入多個垂直行業場景，包括金融、制造、零售、醫療、政務等領域，圍繞客戶服務、智能分析、輔助決策等具體需求提供專業化解決方案，加速業務流程的智能化重構。

4

主要廠商布局與產品動向

國外廠商布局

國外主要廠商在工業智能體領域呈現出技術驅動、生態構建的布局特征，重點圍繞平臺化、標準化和互操作性展開競爭。

西門子作為傳統工業自動化龍頭，采用“智能體+生態平臺”的策略，通過Industrial Copilot系列產品覆蓋設計、規劃、運營等工業流程關鍵環節。其技術路線的核心在于將智能體能力與現有工業軟件體系深度集成，如與TIA博途打通，幫助工程團隊為PLC生成基礎的虛擬化任務和代碼。此外，西門子正在基于Xcelerator平臺構建工業AI智能體交易中心，旨在打破封閉的生態，讓工業AI智能體不僅可以與其他西門子智能體協作，還能與第三方智能體集成，達到更高的互操作水平。

微軟依托其云計算和AI技術優勢，發布Factory Operations Agent，連接了MES（制造執行系統）、QMS（質量管理系統），確保必要的工廠系統和數據源到位且可訪問。微軟還發布了一款企業級綜合人工智能平臺Azure AI Foundry，支持開發者構建、部署和管理大規模AI代理、應用及工作流，并幫助用戶輕松設計、部署和擴展生產級人工智能智能體。已有超過10,000家企業通過該平臺實現業務流程自動化，顯示出云原生智能體解決方案的市場接受度。

羅克韋爾自動化在NVIDIA GTC 2025大會上首次推出其全新的Emulate3D Factory Test功能。Emulate3D Factory Test集成了多項關鍵功能，旨在提升工廠級系統測試的效率與可視化水平。該工具支持多模型協調，能夠同步多個系統模型，實現工廠規模的協同仿真測試。此外，與英偉達合作基于NVIDIA Omniverse構建的數字孿生系統實現高級全工廠可視化能力，支持千萬級部件的實時交互模擬，使設計驗證效率提升40%以上；通過模塊化建模技術實現機械、電氣、控制系統的多維協同驗證，將傳統數周的測試周期壓縮至小時級；開放式API架構與DevOps工作流的無縫銜接，使跨團隊協作效率提升60%。

施耐德電氣聚焦能源管理需求，構建EcoStruxure Building GPT。基于知識圖譜和大語言模型深度融合，通過自主感知和決策，實現知識梳理、意圖理解、智能診斷、快速制定解決方案和運行優化方案的綜合能力。其邊緣智能設備在百威工廠的應用案例顯示，通過智能調控實現過濾效率提升15%、物料節約20%，體現了工業智能體在降本增效方面的實際價值。

國內廠商動向

國內廠商在工業智能體領域呈現出自主創新、場景驅動的發展特色，更加注重與本土工業場景的適配和產業化落地。

杭州熾橙基于國產底座構建AIDT工業多智能體開發平臺，通過“大語言模型+幾何建模引擎”的技術融合，實現了語言指令到三維模型的直接轉換，支持“將夾具基座直徑改為70cm，厚度增至12cm”等指令，讓新員工通過指令對話，無需掌握專業建模軟件即可輸出生產級模型，使設計崗培訓周期縮短50%。

華為通過整合工業機理、數據智能與開放生態，在解決工業場景中的小數據、高精度、強安全等核心痛點方面具備顯著優勢。華為FusionPlant平臺的三大中心建設為其工業智能體提供完整的生態支持。其推出的華為云工業智能體IIT依托盤古大模型，提供設計、生產、物流、銷售、服務全鏈式智能服務，具備端邊云結合、可視化建模、預置多種算法模型等技術優勢，實現了從人工經驗到數據智能、從數字化到智能化、從產品生產到產品創新，可應用于產品質量優化提升、智能設備維護、生產物料預估等多類工業場景。

浪潮云洲是國內領先的工業互聯網平臺運營商，依托工業制造領域的豐富的實踐經驗、數據資源與服務能力，構建了以其自研的工業垂類大模型為核心的大模型智能體群。目前已圍繞典型行業與關鍵應用場景打造出一系列具備場景適配能力的工業智能體群，覆蓋包括皮革行業表面缺陷檢測、化工行業工藝優化、光纜行業生產管控、中小企業業務問答、工業設備節能管理等在內的12類智能體應用場景。

亞信科技專注運維場景，推出了AISWare Usights·AIOps Agents智能運維智能體系統。該系統是一款基于運維專屬大模型，融合多源異構運維數據，通過運維知識融合增強、大小模型融合增強、決策執行能力增強提供智能運維服務的產品。該系統通過異常檢測、故障根因定位和智能分析等核心功能，實現故障自愈和預警。

5

工業智能體應用面臨的主要挑戰

技術適配挑戰

人工智能體在工業場景中的應用面臨諸多技術適配挑戰，核心問題在于如何將通用智能能力有效嵌入高度復雜、多變且強專業性的工業體系中。一是行業與場景適配難。工業領域橫跨多個子行業，每個行業在流程、設備、控制邏輯和合規要求上都差異顯著，導致智能體難以建立統一的模型結構和交互方式；同時，工業場景碎片化嚴重，不同工廠在配置數據、工藝、管理方式上都不同，智能體在單一場景落地后難以復制，無法通過規模化方式分攤成本投入。二是數據基礎支撐弱。從數據基礎角度看，雖然制造業數據中有44%被有效利用，但真正符合AI訓練要求的高質量數據占比僅約4%。以注塑機為例，設備單日產生超1G運行數據，但一周內可用于模型訓練的數據不超過5條。此外，工業知識壁壘高，構建高級別的語料庫存在非常大的難度，部分工業現場仍處于信息化基礎薄弱階段，存在數據采集能力不足、關鍵環節缺乏感知、數據孤島嚴重等問題，導致智能體無法構建穩定的感知—認知—執行閉環。三是人機協作信任度低。目前，工業現場高度依賴操作人員的經驗與判斷，工業智能體要真正贏得一線操作者和管理者的信任，不僅要提供準確判斷，還需設計出可理解、可干預、可信任的人機交互機制，才能打通人、機、系統之間的信息壁壘。但現有智能體以大模型為核心，其“黑箱”特性導致決策鏈路不透明，操作人員難以追溯判斷依據，進而影響人機協同效率與信任基礎。四是與現有體系融合差。智能體與工業軟件、商業軟件的互聯存在明顯壁壘，缺乏標準化的通信框架與協議工具集，無法高效對接外部數據源與業務工具；從功能來看，消費端智能體在趨勢感知、精準推薦、個性化服務上能力不足，工業端智能體則未完全達到“響應快、推理強、適配復雜工況”的要求，難以充分支撐消費服務升級與制造業提質增效。

應用推廣挑戰

工業智能體的落地推廣并非單純技術問題，而是涉及企業認知、經濟成本、風險責任的系統性挑戰，核心是企業從“認知接受”到“模式適配”的轉化難度大。一是認知與組織層面存在阻力。許多傳統制造企業對于人工智能體的理解尚停留在表層，管理層缺乏對其戰略價值的系統認知，生產一線也缺少懂技術、懂業務的復合型人才來支撐智能體的選型、部署。智能體在很多企業都是一把手工程師，但實際執行中存在一定抵制，數字員工、數字工程師會影響現有崗位，整體實施落地中的配合性不高。從經濟性層面來看，二是經濟性與商業模式難以適配，工業智能體的算力、數據消耗及技術研發投入大，收益卻是長遠的且很多時候難以量化，難以出現在企業報表上。智能體在企業層面的賦能是橫向的，很多企業看不到它實實在在帶來的收益，投資意愿不足。同時，商業模式需要從產品級服務轉向智能級服務，企業采購也將從“買產品”變為“買長期服務”或“買任務結果”，這對企業組織架構和付費系統構成新挑戰，目前多數企業尚未做好充分準備。三是安全風險與責任界定模糊，智能體會以接口形式或代碼自主生成形式執行任務，面臨API接口漏洞、代碼供應鏈破壞、提示詞注入等安全威脅。自主決策的智能體責任歸屬不明，若因自主調整工藝參數導致產線報廢或設備損壞，責任到底是歸算法開發者、數據提供者還是部署應用的企業，無法清晰界定，使其推廣過程阻力重重。

生態建設挑戰

工業智能體生態尚未形成協同合力，核心問題是“產業協同不足”與“商業落地支撐弱”，導致生態整體成熟度低。在產業生態協同層面，當前工業智能體賽道存在主體多但分散的特征，大模型開發者、工業平臺提供商、設備制造商等尚未建立起信任高效的合作機制。工業現場存在大量不同廠商、不同代際的設備系統，缺乏統一的接口規范與開發框架，使得智能體跨設備、跨場景的通用部署的門檻高、適配成本大，進一步導致智能體與商業軟件、工業軟件的互聯缺乏統一標準支撐，標準化通信框架和協議工具集的缺失，成為制約智能體與外部體系融合的關鍵生態瓶頸。目前，工業智能體技術路徑仍以通用AI為主，需要加強與制造生產工藝和工業知識的融合，當前多數工業大模型基于視覺語言構建，離真正掌握行業制造工藝還有很大差距。在商業生態建設層面，當前大多數人工智能體仍處于試點驗證階段，缺乏成熟的商業模式和服務閉環，導致市場推動力不足，應用效果難以規模復制。工業場景定制化程度高，適配難度大，導致推廣成本高。中小企業產值低，不僅基礎差、缺數據，還缺既懂業務又懂技術的復合型人才，工業智能體需要不斷降低成本、不斷標準化后才可能逐步落地。同時，評價標準和體系需要完善，企業做了一些工業核心應用，卻很難判斷在行業中是領先還是落后、差距在哪，缺乏明確的評價方向。

6

政策建議

完善頂層設計，引導有序發展

完善頂層設計是推動人工智能體在工業領域健康有序發展的基礎保障。一是要加強戰略統籌與規劃引導，明確人工智能體在制造強國、新型工業化等國家重大戰略中的定位與發展目標，制定專項發展規劃或行動方案，提升政策引導的前瞻性和針對性。二是要健全跨層級、跨部門的統籌協調機制，打破私人、企業、政府數據的流通壁壘，實現資源在能源、金融、安防、制造等行業的自由流動。三是強化資金扶持、標準制定、人才支持等方面的政策協同，建設一套覆蓋研發、應用、治理全鏈條的政策保障，為產業發展營造清晰、穩定的發展環境。

加強技術攻關，提升供給能力

加強關鍵技術攻關是提升工業智能體核心供給能力、夯實產業基礎的重要抓手。一是要聚焦底層技術短板，加大對大模型訓練框架、多模態感知融合、智能體架構設計等關鍵核心技術的研發投入，鼓勵產學研協同創新，突破一批制約智能體發展的瓶頸，提升國產智能體自主可控的平臺化供給能力。二是重點攻關智能體與現有體系的融合技術，加快研發智能體與商業軟件、工業軟件的互聯技術，推進功能型智能體研發，全面提升智能體對工業場景的適配性。三是構建面向工業場景的高效開發體系，支持建設公共平臺、標準化接口，加速訓練迭代，強化工業知識的結構化沉淀與復用機制。四是推動工業智能體領域的開源創新，鼓勵建設多層次的開源技術社區與高質量代碼倉庫，支持關鍵工具、開發框架和基礎模型的開源共享，促進資源協同與技術積累，激發開發者參與熱情。

推進試點示范，加速應用推廣

推進試點示范是打通人工智能體工業化應用“最后一公里”的重要路徑。一是聚焦重點行業與典型場景，支持在鋼鐵、石化、裝備制造、電子等產業鏈關鍵環節開展智能體試點應用，優先選擇“智能體+商業/工業軟件互聯”等融合方向，鼓勵龍頭企業牽頭打造可復制、可推廣的標桿項目，通過以點帶面推動行業整體智能化水平提升。二是健全試點示范支持機制，建立“揭榜掛帥+多方協作”的任務組織模式，推動智能體開發企業與工業用戶深度融合，提升智能體產品的實用性和適配性。三是健全智能體應用效果的評估體系，構建涵蓋場景適配性、應用成熟度、經濟效益，及安全可靠性等多維度的評價指標體系，推動從實驗驗證向實際落地轉變，確保智能體在工業場景中的可衡量、可復制與可推廣。

優化發展環境，激發市場活力

優化發展環境是釋放人工智能體產業潛力、推動創新應用廣泛落地的關鍵保障。一是強化數據、算力、算法等關鍵要素資源的高效配置與公平獲取，推動建立跨行業、跨區域的數據共享機制和公共算力平臺，鼓勵中小企業以更低成本參與智能體應用開發與實踐。二是完善法規標準和治理體系，明確數據安全、隱私保護、算法透明等規范要求，構建公平公正的市場秩序。三是鼓勵社會資本參與智能體創新項目，構建政府引導基金、產業資本、風險投資、債券融資等多元創新金融支持體系，形成政府引導、市場驅動、協同共建的良好局面。

深化國際合作，提升發展水平

深化國際合作是推動我國工業智能體技術突破與產業升級的重要支撐。一是參與國際標準制定與規則建設，共同應對智能體技術帶來的全球性挑戰，推動我國在工業智能體關鍵技術規范、數據治理和倫理框架等方面發揮更大影響力，提升國際話語權。二是拓寬國際合作的形式與內容，鼓勵跨國企業、高校和創新機構在技術研發、標準互認、數據共享等領域開展多層次、多渠道的協作，形成開放包容的合作網絡。三是健全國際化的人才交流與協同培養機制，鼓勵高校、科研機構與企業開展跨國聯合培養、科研合作與項目交流，吸引全球優秀人才參與智能體技術研發與應用推廣。

強化風險防控，確保安全發展

強化風險防控是推動人工智能體在工業領域安全可持續發展的前提保障。一是聚焦工業場景中人工智能體潛在的安全隱患與倫理風險，設立倫理委員會，盡快制定涵蓋算法透明性、責任可追溯性等方面的標準規范，推動形成適應智能體特點的安全治理制度體系。二是提升技術層面的風險識別與應對能力，開發偏見檢測工具，強化對關鍵工業流程中智能體自主行為的審計與干預。三是推動建立多層次的風險評估與應急響應機制，強化跨部門、跨企業的安全協同，提升產業鏈整體的風險識別和防范能力，確保工業智能體運行環境的可信賴性與穩定性。

本文作者：

高旖蔚 中國電子信息產業發展研究院未來產業研究中心研究人員

鐘新龍 中國電子信息產業發展研究院未來產業研究中心人工智能研究室主任

李皓威 中國電子信息產業發展研究院未來產業研究中心研究人員

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