“工業(yè)智能體的核心價值在于讓生產(chǎn)裝置具備學習能力和適應能力，當前仍處于探索突破期，真正觸及核心場景、解決工業(yè)核心問題的技術并不多?！敝锌貏?chuàng)始人褚健認為，“未來最可能率先在裝置級自主調控環(huán)節(jié)規(guī)模應用?！?/p>

通過實時預測及推理，智能體可以精準感知裝置運行狀態(tài)、推演操作變量對關鍵指標的動態(tài)影響、生成調控指令并自動校驗和執(zhí)行。由工業(yè)智能體形成的閉環(huán)將會把傳統(tǒng)依賴人工經(jīng)驗的生產(chǎn)操作升級為“動態(tài)感知-智能分析-自主決策-實時執(zhí)行”的自治系統(tǒng)，尤其適用于煉油、化工等連續(xù)生產(chǎn)場景，推動裝置從自動化邁向自主化。此外，隨著技術的不斷發(fā)展，AI大模型的能力不斷增強，必將進一步拓展工業(yè)智能體的應用范圍，提高其靈活性。

工業(yè)智能體發(fā)展三大趨勢

工業(yè)智能體發(fā)展趨勢是什么？應該著力從哪幾個方向突破？規(guī)模應用和商業(yè)化的關鍵是什么？中控創(chuàng)始人褚健在接受中國信息化周報記者采訪時表示，工業(yè)智能體未來需要實現(xiàn)三個轉變。

中控創(chuàng)始人 褚健

第?，從“副駕駛”走向“主駕駛”，從“決策輔助”走向“自主運行”。在很多場景，AI還只是“副駕駛”，只能提供建議，最終還需要人決策或者操作。未來的工業(yè)智能體，更懂工業(yè)、更可信，要成為“主駕駛”，不僅能預測“暴風雨”何時來，還能自主規(guī)劃航線并執(zhí)飛?！耙獙崿F(xiàn)這?點，光靠數(shù)據(jù)是不夠的。工業(yè)背后有非常清晰的物理和化學規(guī)律——機理，需要把工業(yè)機理和知識深度融合到AI模型里，避免出現(xiàn)幻覺問題，讓決策有理有據(jù)，工程師才敢于信任它、放手讓它去控制”。

第二，從單場景應用走向跨場景協(xié)同工作。目前，智能體只是某個設備或某個工序的“專家”，但工廠的生產(chǎn)是?個整體，光有?個環(huán)節(jié)最優(yōu)是不夠的。未來，這些獨立的智能體需要協(xié)同，組成“交響樂團”。如果負責裝置生產(chǎn)的智能體實時和負責物料調度的智能體進行“對話”和協(xié)同，?起優(yōu)化整個工廠的運行節(jié)奏，告別各自為戰(zhàn)，每個智能體既是決策節(jié)點又是執(zhí)行終端，智造就真正實現(xiàn)了?！斑@種協(xié)同不僅是橫向打通生產(chǎn)環(huán)節(jié)，還要縱向貫穿設備、產(chǎn)線、工廠乃至整個供應鏈。當所有智能體都能協(xié)同工作時，才能實現(xiàn)全局的、真正的優(yōu)化，奏出最美的‘交響曲’”。

第三，從“定制開發(fā)”到“即插即用”，讓智能體走向規(guī)模應用。我們不能指望每家工廠都養(yǎng)?個AI團隊。如果工業(yè)智能體需要復雜的定制開發(fā)流程，那它永遠只能是少數(shù)大企業(yè)的“奢侈品”?！拔磥淼姆较?定是降低應用門檻，讓它變得像手機上的APP?樣簡單易用。可以打造?個工業(yè)智能體生成平臺，用戶只需要用語言描述自己的需求，系統(tǒng)就可以自動生成智能體，下載后就能在邊緣端部署應用。這樣，成千上萬的中小企業(yè)也能享受到AI技術進步帶來的紅利，這也是其能否規(guī)模應用、實現(xiàn)商業(yè)化的關鍵”。

跨越技術可行到商業(yè)可行的鴻溝

有研究機構預測垂類智能體將迎來藍海市場，未來三年內呈現(xiàn)顯著增長。但工業(yè)場景容錯率極低、無法覆蓋核心生產(chǎn)場景、企業(yè)基礎條件參差不齊等因素成為工業(yè)智能體規(guī)模應用的難題。

首先，工業(yè)場景容錯率極低，核心裝置及生產(chǎn)場景對于安全性、精準性、時效性、泛化能力等都有著極高的要求，用戶普遍不愿承擔試錯風險，更傾向觀望同類企業(yè)成功案例后再跟進，這一心理顯著拉長技術普及的周期。其次，企業(yè)普遍面臨“三不知”困擾——工業(yè)智能體是什么，能創(chuàng)造什么具體價值，如何與已有業(yè)務結合。褚健認為，難以厘清工業(yè)智能體如何覆蓋核心業(yè)務場景并量化產(chǎn)出，導致企業(yè)在投入決策上持觀望態(tài)度，延緩了商業(yè)化進程。

其次是基礎條件參差不齊，不同企業(yè)的自動化和數(shù)據(jù)治理水平差異很大。頭部企業(yè)憑借較為完善的數(shù)字化基礎設施能夠較快適配工業(yè)智能體，而大量中小企業(yè)因設備老舊、數(shù)據(jù)碎片化、缺乏專業(yè)人才。他們既拿不出高質量數(shù)據(jù)“喂養(yǎng)”智能體，也難以承擔前期的系統(tǒng)改造投入。褚健表示，這種基礎的差異，決定了無法用“一刀切”的模式推廣智能體，增加了規(guī)?；瘡椭频碾y度。

褚健建議，當前需要政策驅動和引導，央企及頭部民企率先打造一批“燈塔項目”，釋放工業(yè)智能體價值，形成可復制的模板，為中小型制造業(yè)樹立標桿和信心，最終跨越從技術可行到商業(yè)可行的鴻溝。

工業(yè)數(shù)據(jù)復用難、普惠化更難

當前工業(yè)領域的數(shù)據(jù)與AI應用雖致力于優(yōu)化生產(chǎn)流程、降低風險并輔助決策，但實際對工廠運營的改進效果有限。褚健認為，核心癥結在于數(shù)據(jù)質量和工業(yè)場景的復雜性。一方面，工業(yè)數(shù)據(jù)的復雜性遠超通用場景，不僅體現(xiàn)在數(shù)據(jù)格式不統(tǒng)一、采集不完整，更在于特定場景數(shù)據(jù)往往質量不高、準確度不足，僅能反映局部規(guī)律，導致“數(shù)據(jù)復用難、普惠化更難”。另一方面，工藝保密性要求與數(shù)據(jù)敏感性筑起高墻，即便同一集團內的分公司也會由于保密壁壘形成“數(shù)據(jù)孤島”，嚴重制約AI模型的訓練效果。這種“數(shù)據(jù)既少又散還封閉”的現(xiàn)狀，使得AI模型難以捕捉工業(yè)生產(chǎn)的深層規(guī)律，訓練出來的模型自然泛化能力弱、可遷移性不強。此外，因缺乏統(tǒng)一的平臺支撐，工業(yè)應用場景碎片化，導致工業(yè)AI只能實現(xiàn)“點狀突破”，難以形成跨場景的復用遷移，長時間停留在“解決單一問題”的階段，無法觸及工廠運營的核心流程，從而影響對于整體工廠的改進效果。

“突破這些瓶頸，需要通過‘數(shù)據(jù)筑基、場景聚焦、平臺賦能’體系化解決?！瘪医≌f。在數(shù)據(jù)層面，中控技術通過“預訓練+微調”模式，基于行業(yè)共性數(shù)據(jù)預訓練構建基礎模型，再結合企業(yè)私有數(shù)據(jù)微調進行場景適配；同時建立數(shù)據(jù)聯(lián)盟與保密機制（如“數(shù)據(jù)不出廠”的本地部署模式），在合規(guī)前提下實現(xiàn)數(shù)據(jù)價值流動。

在需求層面，中控技術鎖定“AI+安全、AI+質量、AI+低碳、AI+效益”四大核心目標，聚集高價值場景和需求，全面幫助企業(yè)“穩(wěn)運行、提人效、增收益”。

在應用層面，中控技術以運行數(shù)據(jù)基座(DCS)、設備基座(PRIDE)、質量基座(Q-Lab)、模擬基座(APEX)4大數(shù)據(jù)基座為支撐，打造一個AI核心引擎(TPT)，構建工業(yè)智能基座平臺，并通過SaaS等模式迅速賦能工業(yè)客戶。