原标题：大模型加快向工业领域拓展
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人工智能工业应用，带动工业数据集、工业大模型创新迭代。
行业最新报告显示，全球工业智能化市场规模今年将突破3.5万亿元，中国市场份额超过40%，工业智能体时代正在加速到来。
改变传统方式
工业智能体是指专为工业生产制造设计，具备自主感知、认知、决策和学习能力的软硬一体系统。与通用智能体的区别在于，它不仅涉及信息技术，还融合工业知识图谱等多领域知识，实现了从预设编程、机械响应向自主决策、动态自适应的跃迁。
“工业智能体能够理解高层次语言和自然语言指令，改变了人机交互方式——无需人工逐步点击、操作软件，只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人工智能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，实现以语言下达任务、智能体完成后反馈结果，这是其与自动化系统的主要差异。若将工业大模型比作“发动机”，那么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哪些？王宇霞分析，一方面，工业智能体正推动研发从经验试错模式向智能驱动范式转变。传统研发依赖工程师经验，在有限空间试错，效率较低。工业智能体可深度分析海量数据，缩短研发周期，还能在海量空间搜索，推动更多研发和设计组合。另一方面，在生产制造环节，推动制造过程从自动化向自主化升级，在优化生产排程、设备维护控制、跨系统协同等方面作用明显。
传统工业机器人依赖预设程序，一般是在稳定环境中执行固定单一任务。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，有效提升机器人在复杂工业环境中的自主作业能力。
为了实现智能体持续优化，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，提升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、检测等场景中适应性不足的问题。该平台打造了“感知自调节、任务自组织”的工业化生态，涵盖全流程的智能化解决方案并建立数据闭环机制。通过构建高质量、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知识，优化任务执行策略，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，而是重新定义生产力的AI工具集，是机器学习、强化神经网络等的集合，是以大模型作为“脑”，工业知识为“心”，具体执行控制为“手”的三位一体智能系统。
提升运营效率
提升运营效率是工业智能体表现出的另一关键优势。“工业智能体在供应链优化和企业内部管理中发挥着重要作用。”王宇霞说，智能体通过智能推理和预测，自主开展订单处理、库存预警、销量分析，增强供应链弹性。同时，借助大模型能力优化人力、财务决策，提升管理效率。
在上海黑湖网络科技有限公司CEO周宇翔看来，工业智能体落地绝非简单技术叠加，而是需要与整体数字化转型协同推进，让智能体融入生产流程，成为工厂运转的“自然部分”。
“我们将智能体嵌入生产制造各个环节，在解决工厂原有生产难题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，例如，在读单过程中，OCR（光学字符识别）技术结合多模态与推理模型，可以自动识别订单字段与图样，降低人工录入时间和出错率；拆单排期智能体自动生成工艺流、报价与生产计划。在这些智能体的助力下，工厂工艺准备时间缩短60%，订单准交率提升20%，智能体正在引领一场效率革命。
注塑是家电生产的重要环节。“我们通过注塑工业智能体支撑注塑工艺知识管理、沉淀等高价值场景。目前，注塑工艺参数的调试时间缩短90%以上，员工培训成本下降75%。”卡奥斯工业大脑总经理杨健说。
“能用、好用的工业智能体，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。未来，会逐步转向模型驱动，以模型为知识中枢和决策中枢，发挥其主动性，更好地组织需求、数据，以应对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。
王宇霞还观察到，在营销和客户服务环节，智能体正推动从被动响应向主动预测变革。售前可主动分析潜在市场需求，提供个性化内容，实现精准营销；售中借助数字人三维等模型提供沉浸式交互，帮助客户快速决策；售后可成为未来的价值共创服务中心，高效处理客户疑问，将服务数据转化为对产品和市场的洞察。
落地仍需努力
真正推动工业智能体在工业领域落地仍面临诸多挑战。
首先是技术成熟度问题，很多大模型算法在通用场景中表现良好，但由于工业门类多、行业壁垒高、数据难获取，工业现场复杂度高，其适应性、实时性、可靠性都存在较大问题。其次，工业现场存在数据孤岛、数据缺失、噪声干扰等问题，现有数据是否足以用于训练工业智能体，使其达到安全可靠的水平，仍有不确定性。
“最关键的是安全问题。”王宇霞认为，智能体会以接口形式或代码自主生成形式执行任务，这是它和大模型最大的区别。正因如此，它也面临更多安全威胁，如API（应用程序编程接口）漏洞、代码供应链破坏、提示词注入等都可能导致智能体运行出现偏差。
京东方科技集团股份有限公司科学家冷长林将基础设施建设视为最应该加强的环节。“要支持企业构建自主可控、兼容异构的工业AI平台，尽快突破算力适配、模型压缩、调度推理等技术瓶颈，实现工业智能体高效、敏捷部署。加强智能体标准体系和评估机制建设，通过国家或行业标准牵引，推动排产、设备维修等领域的通用模型接口、数据规范、性能指标研制，指导企业拓展应用。此外，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，围绕典型场景开展模型复用、算法开源、平台对接等生态试验，推动从企业内生应用向行业级协同创新转变。”
“技术上，人工智能与工业机理结合是关键。生态上，需要进一步完善协议、安全伦理、法律责任界定及应急接管、人工监督机制等。”王宇霞说。