一、工业智能体发展现状

(一) 工业智能体概念

智能体 (AI Agent) 是指具备自主感知、自主理解、自主规划并执行响应动作能力的自主智能系统，它以大模型为核心引擎、以记忆和规划为关键能力、以外部工具调用为手段，进而实现对复杂、动态实时任务的自主处理与目标达成 (图 1)。

图1 智能体架构

与通用智能体技术不同，工业智能体具有鲜明的工业属性，它以真实工业场景的刚性约束为前提，深度融合工业知识与人工智能 (AI)、物联网、数字孪生等新一代信息技术，是具备环境感知、逻辑推理、任务规划、工具调用、任务执行及多主体协同能力的软件系统或软硬一体实体。

工业智能体通过引入 “数据 — 知识” 这一新的内生生产要素，改变了传统生产函数框架下要素间的替代弹性与边际产出效率，实现了对制造业生产函数的结构性重塑。具体而言，首先是重构生产函数。工业智能体将数据与知识作为全新的、非消耗性生产要素引入传统生产函数，使劳动的边际产出不再受个体技能上限的硬约束，即将经验丰富的老师傅的隐性知识编码为可复用的算法模型，提高操作人员整体作业水平。其次是优化生产要素配置。工业智能体通过跨系统、跨工序的精准调度与实时工艺参数优化，显著提高资本的利用效率与能源配置的精准度，减少资源浪费，降低在制品库存等。最后是重塑分工协作。多智能体之间以标准化协议实现跨工序、跨企业协作，使产业链分工从线性链式结构演变成动态协同的产业生态网络, 大幅降低协调摩擦与交易成本。这一机理通过 “知识内化 — 智能执行 — 系统协同” 三个层次实现从技术功能到经济价值的跃迁。

由表1可见，工业智能体按照进化等级，可以分为从 L1 聊天助手到 L4 多智能体蜂群的四个关键阶段。

表 1 工业智能体等级划分

(二) 产业生态布局

1. 国外厂商布局动态

国外工业智能体领域主要厂商布局呈现出技术驱动、生态构建的特征，竞争焦点逐渐从单一技术扩展至平台化、标准化与系统互操作性层面。

一是形成平台化与垂直化并存的双主线格局。平台化路线以微软和西门子为代表。其中，微软通过 Azure AI Foundry 提供智能体开发与部署的基础设施，着力构建 “智能体操作系统”; 西门子则推动智能体与其现有的工业软件深度集成，逐步构建开放的智能体交易生态。垂直化路线以罗克韦尔和施耐德电气为代表，聚焦高保真数字孪生、能源管理等特定场景，打造知识驱动的场景化智能体，提升工程效率。

二是技术融合深化。基于通用模型在基础能力与原始创新方面的领先优势，加快推动智能体技术与工业既有体系的深度融合，一方面紧密连接企业资源计划 (ERP)、制造执行系统 (MES)、客户关系管理 (CRM) 等工业软件与实时数据源，确保智能体决策基于真实业务上下文；另一方面，强化智能体与机理模型、仿真技术融合，确保智能体决策在物理世界中的可靠性与安全性。在2026年国际消费电子展 (CES 2026) 上，西门子与英伟达宣布进一步深化合作伙伴关系，深度融合西门子在工业硬件、工业软件、数据领域的专业能力，以及英伟达全栈 AI 平台技术优势，携手深耕工业 AI 操作系统和数字孪生领域，加快推动 AI 在真实工业环境中的规模化落地。

三是竞争焦点从产品交付转向生态运营。以微软的 AI Foundry 平台和西门子的智能体交易中心为代表，着力构建支持智能体应用分发、协作与价值交换的枢纽平台。这标志着竞争核心正从提供单一产品，转向培育一个能吸引开发者、合作伙伴共同解决工业碎片化问题的活跃生态。

可以看出，国外厂商的工业智能体竞争已从单点技术突破迈向产业标准、协同架构与生态话语权的系统性布局。

2. 国内厂商布局动态

国内领先的云平台企业、AI 企业、垂直领域工业软件企业以及 AI 解决方案提供商等积极参与工业智能体的发展，纷纷加码布局，逐步呈现出自主创新、场景驱动、产业链协同的发展特色，工业智能体也随之逐渐成为重塑国内产业链分工、培育新质生产力的关键抓手。

一是深耕垂域场景，解决实际痛点。聚焦典型场景进行技术突破，追求 “用得起、见效快”。例如，杭州炽橙聚焦于降低三维设计门槛，通过 “语言生成模型” 解决一线工程师的实操难题；亚信科技则专注于运维领域的故障自愈。

二是头部厂商普遍采用 “自研工业平台+垂类大模型” 的技术架构。例如，华为、浪潮云洲等均以自身工业互联网平台为底座，以面向工业场景的大模型为核心，打造面向工业行业的专属智能体，深度赋能汽车、石化、钢铁等行业，助力企业提质增效。

三是科技巨头与平台企业多元协同。2025年9月，《互联网周刊》联合德本咨询发布了 “中国十大工业智能体”, 具体见表 2。其中，华为云、腾讯云、百度智能云等科技巨头依托其云基础设施和 AI 能力，打造开放平台，为广大制造企业及开发者提供智能体开发工具与模型服务。而卡奥斯、工业富联等从制造业内部生长出来的平台企业，则依托其深厚的行业知识与 “灯塔工厂” 实践经验，联合产业链伙伴构建行业联盟，推动智能体在家电、电子制造等重点产业链中进行深度渗透与标准化复制。

表 2 2025 年中国十大工业智能体

总体来看，我国工业智能体发展已形成场景驱动、技术深耕与生态共建并进的发展路径，产业发展特色鲜明。

(三) 典型应用案例

2025 年以来，关于智能体应用的探索持续深入，广大制造业踊跃参与，工业智能体应用呈现积极探索、加快布局的良好态势，在流程型和离散型行业均涌现出一批典型应用案例。其中，流程型行业以钢铁、石化化工等原材料行业为代表，应用重点聚焦关键工序的精准控制难题，以确保工艺参数稳定与产品质量一致；离散型行业以汽车、船舶等装备制造业为代表，应用重点聚焦供应链协同、库存管理、产品质量控制等环节，以提升生产流程柔性为目标。

在钢铁行业，高炉作为核心生产设备，其内部处于高温、高压、密闭的极端环境，难以直接观测与调控，长期被视为 “工业黑箱”。传统高炉操作高度依赖人工经验，易因信息获取滞后与主观判断偏差引发生产波动，严重影响工艺稳定性与生产安全。针对这一难题，永钢集团自主研发 “高炉智能体”, 通过对高炉运行数据的实时采集与智能分析，实现了对炉况的精准感知与智能研判，将不可见的内部反应转化为可视化、可解析的数据信息，从而有效打破 “黑箱” 状态，推动高炉生产从 “经验驱动” 向 “数据驱动” 转变。同时，该系统还能自动识别生产过程中的异常状况与潜在风险，使异常处置响应效率提升 83%。

在汽车制造行业，吉利集团旗下的广域铭岛 (Geega) 工业智能体，聚焦汽车整厂存在的 “信息孤岛”、信息化覆盖不完整、数据分析维度单一、开发上市周期长、供应链管理难、市场变化响应慢、业务集成度低等问题，以其工业 AI 平台为基础构建形成一体化数字基座，实现全厂数据透明化与互联互通，部署设计研发协同、工艺质量提升的工业智能体体系。广域铭岛工业智能体已在吉利、领克、极氪等工厂中规模化落地。其中，已助力领克多个工厂订单交付周期缩短 15%, 质量损失成本降低 13%, 库存成本降低 10%, 设备故障率减少 10%, 物料齐套率提升 20%, 作业效率提升 10%。

二、工业智能体推动 “人工智能+制造” 落地的机理

深入实施 “人工智能+制造” 行动，其核心在于构建一个以 “数据 — 知识 — 智能” 为驱动的协同系统。如图2所示，工业智能体并非单一技术结果，也不是简单的技术堆砌，而是一个从基础赋能到顶层应用的完整架构。具体而言，自下而上可分为知识底座层、智能执行层、系统协同层与场景应用层。其中，知识底座层是行业 Know-How、专业知识、工艺参数、历史数据等隐性和显性信息的结构化沉淀，是一个可被机器理解和调用的 “行业知识图谱”, 可确保智能体决策基于行业知识和物理规律。

智能执行层包含推理型智能体、协调型智能体以及各类特定场景下的专业智能体，不同类型智能体各司其职，并通过支持模型上下文协议 (MCP) 等标准化协议，实现智能体与外部工具、数据源、服务之间的安全、高效链接，是智能体能力边界得以拓展延伸的基础保障，也是 AI 技术从 “思考” 到 “行动” 的关键转换层。系统协同层针对单个智能体无法应对工业场景下全局性、跨部门的复杂问题，通过支持智能体到智能体 (A2A)、智能体网络协议 (ANP)、知识查询与操作语言 (KQML) 等智能体间通信协议，构建形成多智能体系统 (MAS) , 实现智能体间数据的互联互通，并完成从任务分解、协商谈判、系统协作直至结果输出的全部任务，保障智能体技术高质量赋能制造业。场景应用层通过智能体技术在流程型、离散型等行业的应用落地，完成从技术赋能到业务落地的关键闭环。

图 2 工业智能体赋能制造业的架构

(一) 知识内化：行业 Know-How 的深度融合

工业智能体聚焦工业场景，能够将 AI 与工业领域的专业知识深度融合，致力于从泛而不精的通才变成深度掌握行业知识的领域专家，切实解决通用智能体面向垂直领域深度应用时面临的专业知识不足、场景适应性有限的 “最后一公里” 挑战。

一是多源数据整合。工业数据作为工业智能体落地应用的核心燃料，是 AI 在工业领域发展应用的关键要素, 数据质量决定了工业智能体对行业 Know-How 的理解深度与应用准确度。工业场景下，数据往往散落在 ERP、MES、仓储管理系统 (WMS)、高级计划与排程系统 (APS) 等多个孤立的系统之间，这些数据承载着不同维度的行业 Know-How。只有打通各系统之间的通信链路，形成结构化的多源数据集合，才能实现对工业领域特有的设备机理、工艺约束、业务流程、行业规范等的系统性认知, 推动工业智能体完成符合物理世界需求的数据分析与智能决策。

二是行业知识萃取。工业知识是工业智能体理解工业场景、实现数据 “感知—分析—决策—执行” 全流程价值闭环的核心。需要将多系统之间的数据集合以及老师傅的 “手感”“听感”“直觉” 等操作类隐性知识、工艺专家模糊决策知识、人工多感官判断的特征类知识等提炼成可量化的参数规则，形成覆盖研、产、供、销、服全链路，贯通人、机、料、法、环等全要素的行业知识图谱和规则库，推动行业发展从 “经验驱动” 转向 “数据 + 智能驱动”。

工业智能体对行业Know-How的深度融合从根本上走出了传统生产模式中劳动技能积累缓慢、易流失、难复制等困境，知识复用和智能决策能力得以显著提升，制造业生产 “边际收益” 获得重塑，为全要素生产率的持续提升注入新动能。

(二) 智能执行：精准意图理解与外部工具调用

工业智能体不仅需要具备深厚的行业知识，更需要能够基于具体场景下的行业 Know-How 进行精准决策，其核心在于准确理解用户复杂、专业意图，并有效调用外部工具执行任务。这是工业智能体实现从被动数字化工具到主动数字化伙伴的根本转变。

一是精准意图理解与决策生成。智能决策的核心在于依托海量知识数据，解决工业场景下的复杂问题，并通过在线微调和提示工程等技术，实现决策实时优化和动态适应性调整。在制造业场景中，智能体依托具体场景下的业务模型，与 ERP、MES、WMS、APS 等现有工业软件深度集成，并通过统一数据平台融合工艺流程、物料供应、设备状态、订单排程等多维信息，实现对复杂业务逻辑的准确理解，进而将用户意图转化为一系列系统可执行的操作指令，并将结果以用户可理解的方式呈现。依托智能体的智能决策能力，可以替代人工完成大量重复性、高复杂度的分析判断与方案生成任务，提升决策效率和准确性。

二是基于标准化协议驱动数据价值释放。工业智能体灵活调用外部工具，是将意图与任务对齐的关键所在，也是智能体从认知智能迈向行动智能的关键一跃。然而，在制造业场景下，各类软硬件工具接口不一、数据割裂等问题突出。通过支持标准化工具调用协议，如 MCP 等，破解 “数据孤岛” 和通信兼容性问题，可实现智能体对外部资源的统一调用和对多源异构数据的集成学习与理解，从而构建形成面向研发、生产、营销、服务等各环节的专业智能体，驱动数据价值有效释放。

工业智能体的智能执行能力将AI的 “思考” 能力直接转化为对物理生产过程的 “操控” 能力，大幅缩短了从数据到决策、从决策到行动的时间与成本，推动了制造资源周转加速、库存成本降低和设备利用率提升，实现从 “人机交互” 到 “人机协同” 的范式转变。

(三) 系统协同：多智能体集群任务分解与协作

当前，智能体在制造业的应用已取得初步成效，但落地场景以处理独立、模块化任务为主。然而，工业业务流程冗长、场景复杂多变，跨工序、跨产线协同要求极高。单一智能体受限于能力边界与知识范围，难以独立完成复杂系统性任务的执行需求。因此，通过 MAS 实现任务分解与协同执行，已成为推动工业智能化升级的必然方向。

一是基于标准协议的互联互通。智能体之间以 A2A、ANP、KQML 等为代表的标准通信协议，实现实时、可靠、语义一致的点对点通信。例如，在美的洗衣机荆州工厂中，“美的工厂大脑” 采用分布式多智能体架构，通过 A2A 协议实现排产智能体、仓储智能体、品质智能体等的自治协同。面对不同机型混流生产场景，计划智能体与协作机器人实时联动，动态更新生产参数，使排产响应速度提升 90%, 首检效率由15min 缩短至 30s 。同时，面对紧急插单或设备故障等异常情况，智能体间通过高效的信息交换与任务接力，保持生产流程的韧性与灵活性。

二是基于知识图谱的协同调度。在制造业生产过程中，主智能体作为协同调度核心，基于端到端的业务逻辑，将复杂任务拆解为粒度合理、权责清晰的子任务。同时，由主智能体依据子任务与专业智能体的能力匹配原则，将各子任务分配至具备相应功能的专业智能体执行，构建形成高效协同的智能体调度网络。同时，当多个智能体在资源使用或任务优先级排序产生冲突时，系统通过协商协议快速达成全局最优共识，保障生产调度系统的整体运行效率与稳定性。

MAS的协同是工业智能体从 “单点增效” 迈向 “全局优化”、从 “企业级应用” 跃升到 “产业链重构” 的关键。它打破了传统企业间的信息围墙与流程壁垒，使生产计划、供应链管理、物流配送等环节无缝协作。这不仅降低了整个产业生态的协调成本与交易摩擦，更使价值创造活动围绕客户需求实时动态重组，催生出用户直连制造 (C2M)、共享制造等新业态，为我国构建弹性、高效、自主可控的现代化产业体系提供有力支撑。

三、工业智能体规模化应用的瓶颈分析

(一) 数据挑战：工业智能体训练数据集质量与获取难题

一是开源数据利用率较低。国家数据局连续三年对我国数据资源的摸底情况显示，在我国每年生产的海量数据中，由于数据复用价值较低，大部分过程类数据产生后即被丢弃或覆盖，仅有不到 3% 的数据被存储。其中，2023 年生产总量中仅 2.9% 的数据被存储；在被存储的数据中，一年未使用的数据占比近 40%。2024 年和 2025 年期 间，受统计口径变化和 AI、低空经济等新兴领域数据生产量高速增长的影响，年生产数据总量中仅不到 0.9% 的数据被存储。由此可以看出，我国对海量数据的加工能力严重不足，导致大量数据价值被低估、难以挖掘复用，存而未用的现象较为突出。

二是专业数据获取困难。工业智能体高质量发展，高度依赖与生产控制直接相关的高价值数据。然而，这类数据多属于企业的核心 KnowHow 与保密信息，长期封闭于企业内部系统中。工业大模型厂商能获取的训练数据，均已经过企业脱敏处理，特定事故数据更是被全数过滤，对于提升智能体垂直领域应用能力的价值十分有限。同时，中小企业的核心数据普遍呈现 “散点化”“黑箱化” 状态，大量分散于纸质材料、手工电子文档中，质量参差不齐，难以形成支撑工业模型训练的有效数据资源。高价值数据获取难题已成为制约工业智能体发展的核心瓶颈。

三是工业数据质量不高。工业现场数据规模庞大，但普遍存在噪声、缺失值、不均衡等问题，真正可用于智能体训练的高质量数据极为稀缺。例如，一台注塑机每天可产生超过 1 G 的运行数据，但每周可有效用于模型训练的仅不足 5条。同时，受企业设备智能化水平不一、场景碎片化严重等因素影响，工业数据异构性、碎片化特征明显，且数据标注成本高，数据隐私与安全问题突出，严重制约行业数据价值释放。

(二) 技术挑战：工业智能体尚不能满足工业场景的高可靠性要求

一是应用安全威胁。智能体以应用程序编程接口 (API) 或代码自主生成的形式执行任务，使智能体面临更多的安全威胁，如 API 漏洞、代码供应链破坏、提示词注入等都有可能导致智能体运行出现偏差。

二是数据实时性挑战。工业生产现场对数据实时性要求极高，任何延迟、抖动都可能带来停线甚至安全风险。从部署方式来看，本地部署对算力和网络通信环境要求较高，云端部署难以满足工业场景对数据实时性、安全性的高要求，而云边协同的任务编排、容错机制以及低延迟网络传输在工程化层面尚未普及。实践发现，对于生产现场的复杂问题，常常需要等待不少于 2~3 s, 而高速生产线上，常常需要毫秒级时间内完成决策和控制，难以满足生产实时性要求。

三是决策可信赖性不足。首先，工业智能体需深度融合工业机理模型与数据驱动方法，但当前技术对复杂物理规律、资源约束和安全边界的建模能力有限，其可靠性和稳定性尚未得到充分验证，决策缺乏严谨性，难以满足工业场景下严苛的安全标准。其次，工业智能体决策过程呈 “黑箱” 状态，内部决策逻辑透明性差，异常情况出现时无法有效追溯问题根源、界定权责归属，严重制约其在核心环节的实际部署。最后，由于工业场景高度碎片化特点，训练数据难以覆盖所有现场状况，大模型的 “幻觉” 现象可能在生产条件出现抖动时被放大，导致性能显著衰减，“感知—决策—执行” 闭环断裂。斯坦福大学的 AI 研究机构 (Stanford HAI) 报告指出，当前主流智能体在处理专业领域任务时，信息幻觉率仍达 17%~33%。

(三) 生态挑战：中小企业缺位制约工业智能体的规模化应用

一是资金投入成本高。首先，中小企业现有生产设备老旧，信息化、数字化基础薄弱，ERP、MES 等各类工业软件分散独立，要对其进行数字化改造并与智能体集成，需要较大的资金投入。其次，工业场景高度碎片化，智能体解决方案难以规模化复制，无法通过大范围推广降低技术研发成本，导致单个企业承担的定制与部署成本居高不下。最后，与消费领域大模型单次交互、轻量对话不同，工业智能体的大模型调用是持续、密集、闭环的，算力资源消耗成本高昂，成为制约工业智能体规模化应用落地的核心制约因素。

二是投资回报难量化。首先，在商业模式方面，企业需要从过去购买有形产品转向购买无形能力或结果，这对企业传统的采购流程、组织架构及付费体系构成挑战，目前大多数企业尚未做好充分准备。其次，智能体给企业带来的价值多为横向赋能，如整体运营效率与人员效能提升。这类效益难以直接、清晰地体现在财务报告中，导致资金回报无法被准确衡量，从而削弱了企业的投资意愿。

三是缺乏专业人才支撑。支撑工业智能体发展的关键要素是高质量行业数据集。也就是说，需要有既懂技术又懂行业的复合型人才将高价值数据从散乱的原始数据中挖掘出来并发挥其价值。然而，中小企业普遍长期处于专业人才不足的困境中，无法支撑工业智能体的基础创新与发展。以智能终端行业为例，在参与调研的超 300 家企业当中，仅有 10.8% 的企业具有专业 AI 人员，另有 33% 的企业有半专业 AI 技术人员，其余近 60% 的企业拥有非专业人员或无相关专业人员。

四、工作建议

(一) 夯实数据基础：加快构建高质量行业数据集

面向工业智能体规模化落地的数据要素供给约束，需建立行业级高质量标注数据集与基准测试集体系。由行业联盟、龙头企业联合科研机构共建垂直领域数据治理框架，统一数据采集、清洗、标注、脱敏标准；构建面向工艺机理、设备运行、质量缺陷等场景的多模态知识图谱，实现隐性经验的结构化沉淀与可计算化表达。同时，引入联邦学习、同态加密、安全沙箱等隐私增强技术，建立 “数据不出厂、价值可共享” 的跨域数据协同训练机制；研发时序特征提取、异常样本增强、小样本迁移学习算法，提升高价值数据密度与样本复用率，缓解工业场景数据稀疏、分布不均衡、标注成本高等问题。

(二) 模型能力优化：提升工业场景应用安全与可靠性

针对工业智能体决策黑箱、泛化能力弱、实时性不足等技术短板，构建机理模型与数据驱动双引擎融合架构。开发轻量化工业大模型与行业专用小模型协同推理框架，建立数字孪生仿真沙箱并用于策略验证与参数调优；采用云—边—端分级部署、低延迟推理优化、动态算力调度技术，满足工业现场毫秒级控制闭环需求。设计内生安全防御机制，集成API防护、代码沙箱、提示词注入检测、行为审计溯源模块；构建不确定性量化、置信度评估、故障自诊断、安全熔断体系，抑制大模型幻觉效应，提升复杂工况下决策的可解释性、可靠性与鲁棒性。

(三) 降低应用门槛：推动智能体标准化与平台化建设

针对工业场景碎片化、定制成本高、集成难度大等规模化瓶颈，建立工业智能体统一技术规范与接口标准体系，涵盖通信协议、数据格式、模型交互、安全接口等关键维度，支撑跨厂商、跨平台互操作与即插即用。构建模块化、组件化、可编排的智能体开发框架，提供低代码开发工具链、行业模型库、场景模板库，降低开发门槛；发展智能体即服务 (AaaS) 模式，通过容器化部署、微服务拆分、弹性扩容技术，实现算力、模型、数据资源的按需订阅与弹性供给。依托灯塔工厂、工业互联网平台构建场景化验证与迭代优化环境，形成可复制、可推广的行业解决方案模板，加速技术从试点示范向规模化产业化跃迁。同时，可设立 “工业智能体算力券”, 对首次接入的中小企业给予一定额度的免费调用配额，降低尝试门槛。

(四) 完善人才队伍：加强复合型人才培养与队伍建设

围绕工业智能体技术研发、工程实施、运维迭代全链条人才缺口，构建跨学科、校企深度融合的人才培养体系。开设工业AI、工业软件、数字孪生、机理建模等交叉学科课程，建设产教融合实训基地，强化算法能力、工业知识、工程实践三位一体培养。建立工业智能体应用工程师等职业技能认证体系，完善在岗人员数据素养、模型运维、人机协同能力培训机制；构建企业、科研院所、高校协同创新网络，推动技术成果转化、联合攻关、人才双向流动，形成支撑产业长期发展的技术人才梯队与创新生态。

原文刊载于《数字化转型》2026 年第7期  作者：乔静炜 伍志韬 谢克强