2026年8月28日
科技

从“能答题”到“能干活”:工业智能体进入生产车间的工程化闯关

【硬核横测】打工人《鱿鱼游戏》,三款AI搭子谁能让我“活”着下班?

一台故障设备,考验的不只是大模型

车间里,一台关键设备突然报警。过去的处理流程是:工人上报,维修班组查手册,翻找备件库存,几个小时的排查是常态。现在,一些工厂希望AI来做这件事——查询设备实时数据、比对维修记录、核对操作规程和备件库存,再按照企业自己的维修规则给出结论,生成维修方案,创建工单,甚至直接触发备件申请。

这对大模型来说,远比“回答一个问题”困难。它不仅要懂语言,还要懂这家企业独有的业务逻辑。8月27日,创新奇智在北京举办工业智能体技术发布会,升级其工业本体智能平台,试图回应的正是这个问题。

工业智能体走向生产环节,竞争转向工程化落地能力
工业智能体走向生产环节,竞争转向工程化落地能力

从单点试用走向核心流程复制

回顾工业大模型这几年的演进,需求侧的关注点经历了一次明显的迁移。早期,企业关心的是大模型“能不能答对问题”、能否完成某个单点任务;如今,随着AI逐渐进入设备管理、能源管理、生产分析等业务环节,问题变成了“构建成本有多高、运行是否可靠、能否规模化复制”。

创新奇智对多家媒体表示,其接触的部分制造业头部客户,正将智能体开发从单点试用转向核心业务流程中的复制。这一转变意味着,工业智能体的竞争重心,正在从单纯的模型能力,转向工程化落地能力。

发布会上的三项平台更新——本体自动化构建、工作流自动化构建、自动化评测优化,以及设备管理智能体套件AEAM v2.0、能源管理智能体套件AEMS v2.0、制造数据分析智能体套件AMI v3.0,都围绕这一重心展开。

本体:让AI理解企业“暗知识”

所谓工业智能体,可以理解为一种结合企业数据、业务规则和软件工具,能够完成分析、判断或执行任务的AI系统。它面临的第一道坎,是理解企业内部那些“没有写进任何文档”的知识。

一台设备属于哪条产线、承担什么生产任务、对应哪些订单和工艺要求——这些关系对员工是日常常识,却不会自然存在于通用模型的训练数据中。企业数据往往分散在不同系统里,数据之间的关联需要被显性地结构化表达。

创新奇智的解法是“Ontology(本体)+Harness Engineering(驾驭工程)+AI Coding”的开发方式。其中,本体负责让智能体理解企业业务。创新奇智CTO李凡表示:“本体应被理解为‘资产’而非可运行的系统,是一种显性表达的资产。”它能将设备、人员、订单、物料、能耗、工艺等对象及其关联规则结构化,让智能体不仅知道企业“有什么数据”,还理解数据之间的业务关系。

AI下场造智能体:降本是关键一步

理解企业只是第一步。要扩大工业智能体的应用规模,还得降低开发成本。过去开发一个智能体,需要业务人员和开发人员反复沟通,再由开发人员手动配置节点、数据、调用工具和处理规则,业务越复杂,工作流越长。

此次升级的核心,是让AI参与智能体本身的开发。本体构建上,创新奇智采用“AI+FDE(前沿部署工程师)”模式:AI负责数据分析、关系推理和初稿生成,FDE与企业业务人员确认业务边界和最终关系。

工作流开发的变化更为直观。发布会现场的设备维修演示中,业务人员用自然语言输入设备编码和故障描述需求,平台先将其整理成更完整的需求说明,最终生成一个可运行的设备故障诊断工作流。

工业智能体走向生产环节,竞争转向工程化落地能力
工业智能体走向生产环节,竞争转向工程化落地能力

评测闭环:从“生成”到“敢用”

生成工作流之后,还要判断它是否真正可用。平台新增的自动化评测优化能力,可以用测试数据运行工作流,根据运行过程和结果生成评测报告,再据此给出优化建议,人工确认后重新调整工作流并再次验证。

由此,智能体开发形成了从构建、评测到优化的闭环。用创新奇智的框架来概括:本体解决“智能体是否理解企业业务”,AI Coding解决“能否降低开发和迭代成本”,Harness Engineering解决“系统进入生产环境后能否稳定运行”。这三者,正是工业智能体从开发走向生产系统的工程化门槛。

需求清单与政策细则:行业拐点已现

开发方式的变化,背后是企业需求本身的升级。今年7月举行的2026全球数字经济大会工业智能体发展论坛上,主办方发布了企业需求场景清单,来自11家行业龙头企业的14项需求覆盖产品研发、智能制造、设备运维、仓储物流和安全生产等环节,并要求项目设置可量化的提质增效指标。

政策要求也在变得具体。今年5月,北京市发布《北京市人工智能赋能工业互联网高质量发展实施方案(2026—2028年)》,提出面向工业场景构建具备高可靠、高实时、高安全特征的工业智能体,并推动其开发、部署、运行监控、行为审计和调优迭代过程可视化、可管控和可追溯。

对创新奇智而言,市场基础是其押注这一方向的底气:2026年上半年公司实现营业收入8.29亿元,同比增长18.6%,其中“AI+制造”业务收入占81.5%,目前聚焦8个制造业细分行业,累计服务1800多家企业客户。但挑战同样清晰:AI+FDE模式仍依赖人工确认业务边界,规模化复制的人力成本尚未完全消除;而西门子等工业软件巨头也在沿着类似方向演进产品,工程化落地能力的比拼,才刚刚进入深水区。

本文由AI辅助生成

分享到: