凌晨兩點，泵業企業的報價工程師還在對著上百項技術參數的詢價單發愁；紡織廠里，質量主管被電話鈴聲吵醒，織布機又出問題了，幾百米布料可能報廢；軌道交通裝備企業的工藝室里，焊接工程師正對著一張密密麻麻的焊縫符號圖加班趕工……這些場景每天都在無數工廠重復上演。報價周期長、質檢依賴人工、工藝編制繁瑣，傳統制造模式下的效率瓶頸，正成為企業數字化轉型中最“疼”的痛點。
2026年初，工信部等八部門聯合印發《“十四五”人工智能產業發展規劃》，明確提出到2027年培育1000個高水平工業智能體的目標。半年過去，行業正站在向“規模落地”邁進的關鍵轉折點。從報價到質檢，從設備運維到PLC自動編程，工業智能體正在制造業的各個環節“生根發芽”。同時，一個深層的問題也隨之浮現：工業智能體的未來在哪里？落地過程中還藏著哪些“暗礁”？
“工業智能體不是要取代人，也不會取代工業軟件，而是連接人、軟件與設備，成為工業生產力的新型組織方式。”制造業自動化國家工程研究中心工業人工智能實驗室主任李敏的這一判斷，成為許多業內人士的共識。
工具，還是新物種？
什么是工業智能體？根據國家網信辦、國家發展改革委、工業和信息化部于2026年5月聯合印發的《智能體規范應用與創新發展實施意見》，智能體被明確定義為“具備自主感知、記憶、決策、交互與執行能力的智能系統，是人工智能產品及服務的重要形態”。
在工業場景中，這一概念被進一步具體化。多位專家指出，工業智能體的本質是構建“感知-分析-推理-決策-執行”的完整閉環。“工業現場需要工業智能體——它不再是單一的事后分析工具，而是具備自主意識、可獨立作業的主動智能主體。”中國電信集團政企信息服務事業群工業行業事業部產品經理吳道鴻向記者解釋稱，這一閉環能力包括：通過傳感器、工業相機等多模態設備實時采集數據（感知）；融合深度學習算法與工業機理模型進行數據挖掘（分析）；結合領域專家知識庫與實時工況進行因果推理（推理）；自主評估多維度策略并生成最優控制指令（決策）；無縫聯動PLC、機械臂等設備將指令轉化為物理動作（執行）。
“傳統工業軟件功能復雜難復刻，界面復雜難操作，重人工作、效率低；而工業智能體可感知、可理解、可執行，能力模塊化、按需組合，目標驅動執行。”北京理工大學副教授王儒介紹，他所在的團隊正在推動“工擎智元”這一企業級工業智能體平臺，支撐高端裝備“設計-制造-運維”全鏈路多場景的定制化開發需求。
李敏進一步將工業智能體在工業體系中的定位概括為三個層次：人是“創新與決策中心”，負責定義目標與創造價值；工業智能體是“執行與協同中心”，承擔理解、規劃、執行任務的工作；工業軟件和自動化系統則分別扮演“流程與數據中心”和“設備與控制中心”的角色。“工業智能體更大的價值在于承擔大量的重復性、標準化和知識密集型的工作，幫助工程師提高效率，而不是取代工程師。”李敏強調。
北京機械工業自動化研究所有限公司黨委書記、董事長王振林提出，從“互聯網+”到“人工智能+”，核心變化在于從“加”到“融”。“人工智能+更多的含義是‘融’，這意味著信息技術、人工智能技術賦能的深度、廣度、方式進一步擴展和融合，特別是要推動產業鏈、創新鏈、資金鏈和人才鏈的深度融合。”他還特別提到了“提示工程”這一新興能力：“提示工程是智能時代出現的全新智能領域，它正從一項專業技術能力，逐漸演變為幾乎所有知識工作者都需要掌握的基本素養。”通過自然語言“對話”來引導復雜系統的行為，將成為人機交互的根本轉變。
“問題找人”能實現嗎？
政策推動和技術演進之外，工業智能體在具體場景中的價值正在被快速驗證，一批成熟案例正在形成。
“翻開企業的電費單、設備維修記錄、質檢返工單，哪個數字最讓你心疼，就從那個場景切入。”吳道鴻分享了中國電信集團的落地經驗。在質檢領域，他介紹了“星辰紡織智能體”，其專為大圓機織布場景打造，通過機器視覺智能識別織布過程中的壞針、破洞、橫條、漏針、飛花、油封等常見瑕疵，并智能做出停機決策，瑕疵檢出率超過95%，系統還支持瑕疵追溯與根因分析，結合大模型自動生成質檢報告并提供AI問答服務。在廣東某紡織集團220臺大圓機的落地中，單人看機臺數從3臺提升到5-6臺。
在設備運維領域，國內工業設備保有量已突破8億臺，覆蓋通用機械、軌交、冶金、化工、電氣自控等多品類。數據顯示，44%的工業企業每月至少遭遇一次設備非計劃停機，由此造成的年度損失高達2.3萬億元。“傳統運維模式短板全面凸顯：設備點檢、巡檢工作密集且冗余度高，運維難度依賴老員工個人經驗；人工巡檢難以捕捉設備微小數據波動與早期異常。”吳道鴻指出。設備運維智能體通過狀態監測、故障預警、智能報修形成閉環，在某家具制造企業落地后，設備維修效率提高13.4%，故障圖紙查詢時長降低40%以上。
在更為細分和專業化的場景中，工業智能體同樣展現出強大潛力。青翼工軟（北京）科技有限公司董事長王文華分享了為國內某泵業龍頭打造的案例。“針對特殊規格泵類產品報價效率低下的痛點，公司依托訓練成熟的AI智能需求識別引擎，可自動抓取客戶需求文檔中的性能指標、使用場景、尺寸規格等各類技術需求信息，快速生成結構化、標準化的產品規格參數表。”在此基礎上，AI自動匹配成本體系與定價規則，一鍵導出正式產品報價單，從需求梳理到報價輸出全流程縮短80%以上的處理時間。
李敏則分享了工業智能體在工控領域的突破性進展。“PLC編程的本質不是代碼生成，而是復雜控制邏輯背后的工業知識推理。一個控制方案的生成要綜合考慮工藝機理、設備能力、控制策略以及安全約束等多方面的因素。”她強調，工業智能體能夠將企業分散在文檔、項目甚至老工程師經驗中的隱性知識，通過結構化和知識圖譜的方式讓AI理解和推理。
“工業智能的核心不是AI模型有多強，而是能不能形成感知-分析-推理-決策-執行的自主閉環。閉環了，才能從‘人找問題’變成‘問題找人’，從‘經驗決策’變成‘數據決策’，智能體才能越用越聰明。”王振林告訴記者。
規模化落地的三道坎
盡管前景廣闊，工業智能體從單點試驗走向規模落地仍面臨多重挑戰。李敏表示，第一道坎是高可靠性要求。工控系統要求99.999%的可用性，任何停機、事故甚至可能造成嚴重安全風險。
第二道坎是底層協議孤島化。PLC開發平臺、SCADA/MES、各家工業軟件互不聯通，廠商壁壘森嚴。數據打通成為智能化改造的第一步障礙。“很多工廠一上來就想做AI，結果發現設備數據采集、協議不通、傳感器沒裝。”吳道鴻直言，“別急，先把底座搭好，實現設備聯網、數據入庫。”
第三道坎是知識高度隱蔽性。老工程師的經驗、非結構化文檔、Know-how不可公開、不透明、不標準。換言之，很多工廠的維修經驗全在老師傅腦子里，沒有沉淀在知識文檔中。“一定要把故障記錄、維修方案、操作經驗盡量結構化存儲下來，構建企業級的知識底座。很多企業已經完成了數據治理，現在需要做的是知識治理。”聯想諾諦（北京）智能科技有限公司生態合作總監康海濤強調。
此外，還有一個繞不開的問題——工程責任邊界模糊。當智能體執行任務出現問題時，責任誰來承擔？開發者？用戶？還是智能體本身？和利時科技集團公司總工程師朱毅明指出，用自然語言描述需求存在不精確性問題，如果后面要用AI自動生成，這一部分工作必須用嚴格規范的方式表述。同時，AI編碼的確定性無法保證，測試標準和驗收標準都需要重新定義。“工業系統有功能安全要求，對于涉及安全功能的AI應用，必須是可解釋、可驗證的，否則不能用。”華中科技大學教授周純杰則從安全角度強調。
面對這些挑戰，行業正在探索可行的落地路徑。吳道鴻總結了三條實踐經驗，第一，老板支持，車間理解。先投入資金做試點，看到省錢、提效效果后再追加投入。同時要讓車間理解智能體是幫工人減負，不是搶飯碗，把老師傅經驗變成智能模型，工人轉變為“智能管理員”。第二，數據打通與知識沉淀。先把設備聯網、數據入庫，再把故障記錄、維修方案結構化存儲。第三，聚焦場景，價值先行。電費高就先上節能，返工率高就先上質檢，非計劃停機損失大就先上運維。
在技術路徑上，王儒提出，“工擎智元”平臺正致力于打造低代碼、靈活可定制的工業智能體平臺，通過多類型小模型協同替代單一超大模型，降低企業對算力的依賴，同時實現復雜任務的多主體協同求解。“市場領導地位的本質是行業結構的話語權，而非單純的銷量規模。AI時代，企業需要回歸本質——用技術和資源控制成本、提高質量、滿足客戶需求。”王振林則從企業戰略層面提醒。
從政策目標到行業實踐，從技術突破到組織變革，工業智能體正站在規模落地的門檻上。而接下來的關鍵任務，便是將一個個閃光案例中的經驗提煉為可復制、可推廣的方法論，讓更多工業企業在這場智能化變革中真正受益。正如吳道鴻所言：“通過不斷的自主閉環，工業智能體會越用越聰明。找到那個‘花了錢聽著響’的痛點，智能體的價值才能被看見。”（記者 霍悅）
轉自：中國工業報
【版權及免責聲明】凡本網所屬版權作品，轉載時須獲得授權并注明來源“中國產業經濟信息網”，違者本網將保留追究其相關法律責任的權力。凡轉載文章及企業宣傳資訊，僅代表作者個人觀點，不代表本網觀點和立場。版權事宜請聯系：010-65363056。
延伸閱讀
