中国工业报记者 霍悦

凌晨两点，泵业企业的报价工程师还在对着上百项技术参数的询价单发愁；纺织厂里，质量主管被电话铃声吵醒，织布机又出问题了，几百米布料可能报废；轨道交通装备企业的工艺室里，焊接工程师正对着一张密密麻麻的焊缝符号图加班赶工……这些场景每天都在无数工厂重复上演。报价周期长、质检依赖人工、工艺编制繁琐，传统制造模式下的效率瓶颈，正成为企业数字化转型中最“疼”的痛点。

2026年初，工信部等八部门联合印发《“十四五”人工智能产业发展规划》，明确提出到2027年培育1000个高水平工业智能体的目标。半年过去，行业正站在向“规模落地”迈进的关键转折点。从报价到质检，从设备运维到PLC自动编程，工业智能体正在制造业的各个环节“生根发芽”。同时，一个深层的问题也随之浮现：工业智能体的未来在哪里？落地过程中还藏着哪些“暗礁”？

“工业智能体不是要取代人，也不会取代工业软件，而是连接人、软件与设备，成为工业生产力的新型组织方式。”制造业自动化国家工程研究中心工业人工智能实验室主任李敏的这一判断，成为许多业内人士的共识。

工具，还是新物种？

什么是工业智能体？根据国家网信办、国家发展改革委、工业和信息化部于2026年5月联合印发的《智能体规范应用与创新发展实施意见》，智能体被明确定义为“具备自主感知、记忆、决策、交互与执行能力的智能系统，是人工智能产品及服务的重要形态”。

在工业场景中，这一概念被进一步具体化。多位专家指出，工业智能体的本质是构建“感知-分析-推理-决策-执行”的完整闭环。“工业现场需要工业智能体——它不再是单一的事后分析工具，而是具备自主意识、可独立作业的主动智能主体。”中国电信集团政企信息服务事业群工业行业事业部产品经理吴道鸿向记者解释称，这一闭环能力包括：通过传感器、工业相机等多模态设备实时采集数据（感知）；融合深度学习算法与工业机理模型进行数据挖掘（分析）；结合领域专家知识库与实时工况进行因果推理（推理）；自主评估多维度策略并生成最优控制指令（决策）；无缝联动PLC、机械臂等设备将指令转化为物理动作（执行）。

“传统工业软件功能复杂难复刻，界面复杂难操作，重人工作、效率低；而工业智能体可感知、可理解、可执行，能力模块化、按需组合，目标驱动执行。”北京理工大学副教授王儒介绍，他所在的团队正在推动“工擎智元”这一企业级工业智能体平台，支撑高端装备“设计-制造-运维”全链路多场景的定制化开发需求。

李敏进一步将工业智能体在工业体系中的定位概括为三个层次：人是“创新与决策中心”，负责定义目标与创造价值；工业智能体是“执行与协同中心”，承担理解、规划、执行任务的工作；工业软件和自动化系统则分别扮演“流程与数据中心”和“设备与控制中心”的角色。“工业智能体更大的价值在于承担大量的重复性、标准化和知识密集型的工作，帮助工程师提高效率，而不是取代工程师。”李敏强调。

北京机械工业自动化研究所有限公司党委书记、董事长王振林提出，从“互联网+”到“人工智能+”，核心变化在于从“加”到“融”。“人工智能+更多的含义是‘融’，这意味着信息技术、人工智能技术赋能的深度、广度、方式进一步扩展和融合，特别是要推动产业链、创新链、资金链和人才链的深度融合。”他还特别提到了“提示工程”这一新兴能力：“提示工程是智能时代出现的全新智能领域，它正从一项专业技术能力，逐渐演变为几乎所有知识工作者都需要掌握的基本素养。”通过自然语言“对话”来引导复杂系统的行为，将成为人机交互的根本转变。

“问题找人”能实现吗？

政策推动和技术演进之外，工业智能体在具体场景中的价值正在被快速验证，一批成熟案例正在形成。

“翻开企业的电费单、设备维修记录、质检返工单，哪个数字最让你心疼，就从那个场景切入。”吴道鸿分享了中国电信集团的落地经验。在质检领域，他介绍了“星辰纺织智能体”，其专为大圆机织布场景打造，通过机器视觉智能识别织布过程中的坏针、破洞、横条、漏针、飞花、油封等常见瑕疵，并智能做出停机决策，瑕疵检出率超过95%，系统还支持瑕疵追溯与根因分析，结合大模型自动生成质检报告并提供AI问答服务。在广东某纺织集团220台大圆机的落地中，单人看机台数从3台提升到5-6台。

在设备运维领域，国内工业设备保有量已突破8亿台，覆盖通用机械、轨交、冶金、化工、电气自控等多品类。数据显示，44%的工业企业每月至少遭遇一次设备非计划停机，由此造成的年度损失高达2.3万亿元。“传统运维模式短板全面凸显：设备点检、巡检工作密集且冗余度高，运维难度依赖老员工个人经验；人工巡检难以捕捉设备微小数据波动与早期异常。”吴道鸿指出。设备运维智能体通过状态监测、故障预警、智能报修形成闭环，在某家具制造企业落地后，设备维修效率提高13.4%，故障图纸查询时长降低40%以上。

在更为细分和专业化的场景中，工业智能体同样展现出强大潜力。青翼工软（北京）科技有限公司董事长王文华分享了为国内某泵业龙头打造的案例。“针对特殊规格泵类产品报价效率低下的痛点，公司依托训练成熟的AI智能需求识别引擎，可自动抓取客户需求文档中的性能指标、使用场景、尺寸规格等各类技术需求信息，快速生成结构化、标准化的产品规格参数表。”在此基础上，AI自动匹配成本体系与定价规则，一键导出正式产品报价单，从需求梳理到报价输出全流程缩短80%以上的处理时间。

李敏则分享了工业智能体在工控领域的突破性进展。“PLC编程的本质不是代码生成，而是复杂控制逻辑背后的工业知识推理。一个控制方案的生成要综合考虑工艺机理、设备能力、控制策略以及安全约束等多方面的因素。”她强调，工业智能体能够将企业分散在文档、项目甚至老工程师经验中的隐性知识，通过结构化和知识图谱的方式让AI理解和推理。

“工业智能的核心不是AI模型有多强，而是能不能形成感知-分析-推理-决策-执行的自主闭环。闭环了，才能从‘人找问题’变成‘问题找人’，从‘经验决策’变成‘数据决策’，智能体才能越用越聪明。”王振林告诉记者。

规模化落地的三道坎

尽管前景广阔，工业智能体从单点试验走向规模落地仍面临多重挑战。李敏表示，第一道坎是高可靠性要求。工控系统要求99.999%的可用性，任何停机、事故甚至可能造成严重安全风险。

第二道坎是底层协议孤岛化。PLC开发平台、SCADA/MES、各家工业软件互不联通，厂商壁垒森严。数据打通成为智能化改造的第一步障碍。“很多工厂一上来就想做AI，结果发现设备数据采集、协议不通、传感器没装。”吴道鸿直言，“别急，先把底座搭好，实现设备联网、数据入库。”

第三道坎是知识高度隐蔽性。老工程师的经验、非结构化文档、Know-how不可公开、不透明、不标准。换言之，很多工厂的维修经验全在老师傅脑子里，没有沉淀在知识文档中。“一定要把故障记录、维修方案、操作经验尽量结构化存储下来，构建企业级的知识底座。很多企业已经完成了数据治理，现在需要做的是知识治理。”联想诺谛（北京）智能科技有限公司生态合作总监康海涛强调。

此外，还有一个绕不开的问题——工程责任边界模糊。当智能体执行任务出现问题时，责任谁来承担？开发者？用户？还是智能体本身？和利时科技集团公司总工程师朱毅明指出，用自然语言描述需求存在不精确性问题，如果后面要用AI自动生成，这一部分工作必须用严格规范的方式表述。同时，AI编码的确定性无法保证，测试标准和验收标准都需要重新定义。“工业系统有功能安全要求，对于涉及安全功能的AI应用，必须是可解释、可验证的，否则不能用。”华中科技大学教授周纯杰则从安全角度强调。

面对这些挑战，行业正在探索可行的落地路径。吴道鸿总结了三条实践经验，第一，老板支持，车间理解。先投入资金做试点，看到省钱、提效效果后再追加投入。同时要让车间理解智能体是帮工人减负，不是抢饭碗，把老师傅经验变成智能模型，工人转变为“智能管理员”。第二，数据打通与知识沉淀。先把设备联网、数据入库，再把故障记录、维修方案结构化存储。第三，聚焦场景，价值先行。电费高就先上节能，返工率高就先上质检，非计划停机损失大就先上运维。

在技术路径上，王儒提出，“工擎智元”平台正致力于打造低代码、灵活可定制的工业智能体平台，通过多类型小模型协同替代单一超大模型，降低企业对算力的依赖，同时实现复杂任务的多主体协同求解。“市场领导地位的本质是行业结构的话语权，而非单纯的销量规模。AI时代，企业需要回归本质——用技术和资源控制成本、提高质量、满足客户需求。”王振林则从企业战略层面提醒。

从政策目标到行业实践，从技术突破到组织变革，工业智能体正站在规模落地的门槛上。而接下来的关键任务，便是将一个个闪光案例中的经验提炼为可复制、可推广的方法论，让更多工业企业在这场智能化变革中真正受益。正如吴道鸿所言：“通过不断的自主闭环，工业智能体会越用越聪明。找到那个‘花了钱听着响’的痛点，智能体的价值才能被看见。”