算界矩阵2025年08月22日 09:30消息，大模型加速向工业领域拓展，推动产业升级与智能化发展。
工业智能体是大模型与工业原理、机器学习等技术深度融合应用的最新成果，其产生的经济价值引起业界广泛关注。
近日召开的工业和信息化部两化融合工作领导小组会议指出，将以工业智能体为重要抓手，进一步推进人工智能在工业领域的应用，推动工业数据集和工业大模型的持续创新与优化。
最新行业报告显示，2025年全球工业智能化市场规模预计将突破3.5万亿元，其中中国占比超过40%，标志着工业智能体时代正加速来临。
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正在不断拓展。王宇霞指出，一方面，工业智能体正推动研发从传统的经验试错模式向智能驱动范式转变。过去，研发过程往往依赖工程师的经验，在有限的范围内进行试错，效率相对较低。而工业智能体能够深度分析海量数据，不仅有助于缩短研发周期，还能在庞大的可能性空间中进行搜索，从而探索出更多研发和设计的组合方案。另一方面，在生产制造环节，工业智能体推动制造过程从自动化向更高层次的自主化升级，在优化生产排程、设备维护控制以及跨系统协同等方面展现出显著成效。 从当前的发展趋势看，工业智能体的引入不仅是技术上的突破，更是对传统工业流程的一次深刻重构。它让企业能够在更短的时间内实现更高质量的产品创新，同时提升整体运营效率。随着人工智能技术的持续进步，工业智能体将在更多领域释放潜力，成为推动产业升级的重要力量。
传统工业机器人通常依赖预设程序，在稳定环境中完成固定单一的任务。浪潮云洲工业具身智能体通过整合多模态感知、大模型任务规划以及精细化运动控制技术，显著增强了机器人在复杂工业场景中的自主作业能力。
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展现的重要优势之一。“工业智能体在供应链优化和企业内部管理中发挥着关键作用。”王宇霞表示，通过智能推理与预测，智能体能够自主完成订单处理、库存预警和销量分析，从而增强供应链的灵活性与稳定性。同时，借助大模型的能力，智能体还能优化人力资源配置与财务决策，进一步提高企业的管理效率。 我认为，随着人工智能技术的不断深入应用，工业智能体正在成为推动企业数字化转型的重要力量。它不仅提升了运作效率，还为管理者提供了更精准的数据支持，有助于企业在复杂多变的市场环境中保持竞争力。这种智能化的管理方式，正在重塑传统工业的运行模式。
在上海黑湖网络科技有限公司CEO周宇翔看来，工业智能体的落地并不是单纯的技术堆砌，而是需要与整体的数字化转型同步推进，使智能体融入生产流程，成为工厂运行中“自然而然”的一部分。
“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。
注塑是家电制造中的关键步骤。卡奥斯工业大脑总经理杨健表示：“我们借助注塑工业智能体，支撑注塑工艺的知识管理与沉淀等高价值应用场景。目前，注塑工艺参数的调试时间缩短了90%以上，员工培训成本降低了75%。”
“能用、好用的工业智能体，核心在于提升工业生产效率。过去在数字化建设过程中，生产方式多以数字驱动或事件驱动为主。未来，这种模式将逐步向模型驱动转变，以模型作为知识和决策的核心，增强其主动性，更高效地整合需求与数据，灵活应对环境变化，实现资源的全局优化调度。”阿里巴巴达摩院算法专家赵亮表示。 我认为，从数字驱动到事件驱动，再到模型驱动，是工业智能化演进的必然趋势。模型驱动不仅提升了系统的自主性，也增强了对复杂环境的适应能力，标志着工业智能化进入了一个更加成熟和智能的新阶段。这种转变有助于推动制造业向更高效、更灵活的方向发展，为产业升级注入新的动力。
王宇霞还注意到，在营销与客户服务领域，智能体正在推动从被动应对向主动预测的转变。在售前阶段，可以主动分析潜在市场需求，推送个性化内容，实现精准营销；在售中环节，通过数字人和三维模型等技术提供沉浸式互动体验，帮助客户迅速做出决策；而在售后阶段，智能体将发展为未来的价值共创中心，高效解决客户问题，并将服务数据转化为对产品和市场的深入洞察。
落地仍需努力
真正促使工业智能体在工业领域实现应用仍面临诸多困难。
当前，许多大模型算法在通用场景中表现出色，但在工业领域却面临诸多挑战。由于工业门类繁多、行业壁垒较高、数据获取困难，加之工业现场环境复杂，这些算法在适应性、实时性和可靠性方面仍存在较大问题。此外，工业现场普遍存在数据孤岛、数据缺失以及噪声干扰等现象，现有数据是否足以支撑工业智能体的训练，使其达到安全可靠的应用水平，仍存在不确定性。
“最关键的是安全问题。”王宇霞指出，智能体通常以接口形式或自主生成代码的方式执行任务，这与大模型有显著不同。正因如此，它也面临更复杂的安全风险，例如API漏洞、代码供应链被破坏、提示词注入等问题，都可能引发智能体运行异常，带来潜在隐患。 在我看来，随着智能体在各领域的广泛应用，其安全性必须得到高度重视。相比传统系统，智能体的自主性和灵活性虽然提升了效率，但也为攻击者提供了更多可乘之机。因此，在推动技术发展的同时，必须建立更完善的安全机制和防护体系，确保智能体在实际应用中稳定、可靠地运行。
京东方科技集团股份有限公司的科学家冷长林指出，基础设施建设应成为重点加强的方向。他建议支持企业打造自主可控、兼容多种架构的工业AI平台，加快突破算力适配、模型压缩和调度推理等关键技术，实现工业智能体的高效、快速部署。同时，应加强智能体标准体系和评估机制的建设，通过国家或行业标准的引导，推动在排产、设备维修等领域的通用模型接口、数据规范及性能指标的研究制定，为企业应用提供指导。此外，可依托灯塔工厂、领航工厂等示范项目，建设工业智能体生态实验工厂，围绕典型应用场景开展模型复用、算法开源和平台对接等生态试验，促进企业内部应用向行业级协同创新转变。
“技术上，人工智能与工业机理的融合是推动发展的关键。在生态层面，还需进一步健全相关协议、安全伦理规范、法律责任划分以及应急接管和人工监督等机制。”王宇霞表示。
