自动化技术让工业生产得以按照预设流程精准运行，但人工智能的浪潮，正推动制造业从“自动化”迈向“自主化”的下一阶段——系统不仅能执行命令，更能自主决策、动态适应，在复杂多变的工业环境下寻找最优解。
想象一下，在这样的工厂中，系统会预测订单变化来灵活排产，提前感知设备潜在故障并触发维保方案，动态调整工艺参数以确保产品质量，根据生产节奏优化厂内物流路线……这一切都不需要人工逐条输入，而是由“工业智能体”在理解全局目标和约束的基础上自主决策、执行。
我们离这样的场景还有多远？企业在部署工业智能体方面都有哪些探索和挑战？这一技术究竟是现有自动化系统的锦上添花，还是足以颠覆生产范式的革命性力量？为了探寻答案，我们深入制造业一线，结合西门子与至顶科技在工博会期间联合发布的，以及对国内多家制造企业与行业专家的深度访谈，试图揭示工业智能体在真实世界中的应用现状、挑战与未来。
智能与自主：什么是“工业智能体”？
通用人工智能的演进遵循着从聊天『机器人』️（Chatbot）到“副驾驶”（Copilot），再到智能体（Agent）的路径。聊天『机器人』️被动地回答问题，智能“副驾驶”能辅助人类完成特定任务，已具备一定的自主能力，而智能体的核心特征就在于高度“自主性”——它不只是“听指令”，更能“做决策、真干活”，可以自主感知、规划，并调用工具来完成目标。
长久以来，工业控制的逻辑建立在精确的预设程序之上。这种基于规则驱动的自动化系统，虽然高效稳定，但其本质是“听话”的工具，一旦产品或环境发生变化，就需要人工重新编程和调整。
“‘智能体’的概念一直都有，比如说变压器开关就可以说是早期的智能体，它能够感知电压过载并进行熔断的决策，只不过这个决策非常简单。”复旦大学计算与智能创新学院教授、上海市数据科学重点实验室主任肖仰华解释道，“我们重提智能体，主要是因为它在大模型加持下，自主性有着以前达不到的水平。”
“传统的工业AI应用更多停留在‘感知+识别’层面，本质上是对人类经验的『数字化』复制和自动化执行。工业智能体则实现了从‘感知智能’到‘认知智能’再到‘决策智能’的跨越，具备了在复杂工业环境中进行自主判断、动态调整和持续优化的能力。”上海市人工智能行业协会秘书长钟俊浩说。
这些能力让工业智能体在车间和产线上“大显身手”。机械工业第六设计研究院有限公司总工艺师、智能制造研究院院长刘波认为，工业智能体“代表了一系列广义的AI技术应用，但其核心是要能实现环境感知、数据分析、决策优化，并最终驱动末端设备执行，本质上追求的是更高程度的自主化。”
“好的智能体具备四个条件：‘有知识’、‘善理解’、‘会思考’以及‘强执行’。”肖仰华说。
在许多一线从业者看来，工业智能体的应用是一场渐进式的革命。一家头部食品饮料企业的AI负责人认为，智能体的核心是“辅助和优化决策”，其公司早已基于机器学习、视觉识别等AI技术和垂类模型，在供应链预测、质量检测等场景中实现了初步的智能决策。而能够理解自然语言、进行推理的『大语言模型』，更像是为这些早已存在的“大脑”提供了一个更自然的交互界面。
另一家头部『新能源』汽车企业的AI负责人则更强调智能体作为一个完整系统的角色。他将其定义为“连接整个大模型跟整个应用场景的一个（载体）”，并强调其必须具备双向闭环能力。“他们必须要把整个大模型的能力赋予整个技术场景来解决问题，”他说，“同时要从整个产品里面把相关的反馈在整个大模型里面，再形成一个双向的闭环。”
要理解工业智能体如何工作，西门子携手中国十五冶打造的有色金属冶炼案例提供了具象的视角。在炼铜行业，冰铜是纯铜诞生前的“半成品”，冰铜品位指冰铜中铜的含量，过高或过低都会影响成品质量和炉体寿命。传统模式下，冰铜品位调控比较粗放，高度依靠“老师傅”把关。西门子与中国十五冶合作，整合多工艺段设备数据，以及行业文献、工艺规范和“老师傅”口口相传的经验，打造了炼铜行业首个下沉到边缘的智能体。它不需要反复通过聊天指令推进任务，自己就能独立完成从『趋势预测』、参数寻优到深度推理的全过程。
该案例是典型的智能体在生产制造过程中的应用。其实，不仅是生产制造环节，西门子Industrial Copilot融合生成式工业人工智能助手与智能化系统，覆盖研发、工程与运维等多个关键环节，能够全方位赋能工业价值创造。
在研发环节，集成智能体的工业软件基于简单的『工程师』指令即可告知操作方法，甚至直接生成相关模型；在工程环节，人工智能助手与TIA博途无缝集成，把『工程师』的自然语言需求直接转化为工程成果，快速生成PLC程序与HMI界面；在价值点分布更广的运维环节，人工智能助手与多智能体协同，通过简单交互即可灵活调用工业软件、模型等工具，提供诊断支持与优化建议。
总体来看，工业智能体是推动工业自动化向自主化演进的关键力量。它既包含了各类AI技术在工业场景的深化应用，也指向一个终极目标——构建能够像人一样思考、决策和行动的自主工业系统。
观望与探索：工业智能体的落地情况
·一半观望，一半探索
在国家“制造强国”与“人工智能+”战略的推动下，制造业的智能化转型已是大势所趋。今年8月，国务院发布《关于深入实施“人工智能+”行动的意见》，明确“推进工业全要素智能化发展”的目标。“这标志着国家层面将工业智能体发展提升到战略高度。”钟俊浩说。
然而，作为一项新兴技术，工业智能体行业仍处于早期发展阶段，大部分企业仍在“岸上”谨慎评估。由西门子与至顶科技联合发布的《2025工业智能体应用现状与趋势展望报告》（以下简称《报告》），调研对象覆盖约10个重点行业的200余家中国制造企业，结果显示，43%的受访制造企业尚未部署工业智能体，仍处在观望阶段；24%的企业仅在少量场景中初步应用；而实现多场景部署的，仅有8%。
化工与材料领域积极尝试工业智能体应用
一些先行者已经蹚出了务实的路径。一家头部重工制造企业的AI负责人透露，他们早在2021至2022年便开始部署相关系统，在新建的“灯塔工厂”中，已经能够实现从接收订单、动态排产到生产执行的全流程打通，基本无需人为介入。
更多的企业则选择了更适合现有工厂与产线的“点状突破”策略。前述『新能源』汽车企业将智能体应用聚焦在两个关键场景：一是将复杂的质量标准和工艺规范知识化，形成智能体，用于生产过程中的质量检测；二是在设备运维方面，通过智能体实现预测性维护和故障排查指引。而受访食品饮料企业部署的智能体则在供应链需求预测和营销端的视觉识别等场景取得了显著成效。
·全流程的自主化
从自动化到自主化的趋势，正在制造全流程中逐步渗透。报告数据显示，生产制造（44%）、研发设计（32%）和运行维护（25%）是企业部署工业智能体的三大核心场景。
生产制造为主要应用环节，化工、汽车、冶金企业积极尝试
在生产制造环节，智能体正成为提升效率与质量的关键。上述重工企业通过智能体实现了生产资源的动态排产与调度；『新能源』汽车企业利用智能体对焊接过程中的电流、电压等数据进行分析，实时优化参数，确保焊接质量；食品饮料企业则通过视觉智能体自动完成质检，替代了大量重复性的人工劳动。
在运行维护环节，智能体扮演着“数字专家”的角色。这家『新能源』汽车企业与科技厂商合作，开发了设备运维智能体，具备预测性维护的功能。当监测系统发现问题时，它会自动提示并分析故障来源。另外，该智能体还整合了工业领域的专家知识库，员工只需用自然语言描述故障，智能体便能分析原因并提供详细的解决方案和操作指引。
而在研发设计环节，不同行业的应用情况则呈现差异。汽车企业的负责人认为，由于已有成熟的虚拟仿真软件和代码生成工具，研发环节的智能化落地难度相对较小。但食品饮料企业因其行业特殊性（核心研发在于配方），AI的应用则相对有限，更多是辅助市场部门进行消费者口味偏好的数据分析。
刘波指出，在一些特定领域，智能化应用已相对成熟，例如构建数字孪生工厂进行仿真优化、产线的柔性换产、核心工艺过程的优化以及设备的预测性维护等。这些场景的成功落地为更广泛的应用提供了信心和范本。
·降本增效的核心价值
除了政策利好之外，企业为何要拥抱智能体？《报告》提到，提升效率（77%）和降低成本（62%）是企业最看重的两大价值。
企业普遍认同智能体可提升效率，小微企业看重降低成本和优化管理
“我们通过AI优化钢材的排版和使用，仅仅降低1%的用量，一年就能节约成本超一亿元。”受访的重工制造企业的负责人分享了工业智能体的部署所带来的切实效益。而上述食品饮料企业则表示，过去销售人员需要手动巡查、拍照、录入商超中的产品“堆头”（促销陈列），现在，通过视觉智能体，拍照即可自动识别和统计，极大地解放了人力，提升了数据反馈的及时性和准确性。
成本、人才、技术与安全：智能体落地的挑战
·成本与收益之问
尽管前景诱人，但将聪明的AI“请”进工厂，并让它可靠地“干活”，却面临着重重挑战。其中，成本是企业考虑最多的问题。《报告》显示，63%的企业将“部署成本高”列为首要挑战。这笔账远不止一笔采购费那么简单，还涉及与现有系统集成等隐性成本，改造投入甚至可能超过智能体开发和购买本身。
“不同厂商、不同时期的标准协议都不一样，”上述重工制造企业的负责人坦言，“我们工业智能体要串联起来，就需要全域的数据联通，这是非常难的一件事。”
除了前期投入之外，部署智能体的收益周期也相对较长。“如果是采用云端轻量级部署，投资回报可能就是一年到两年。企业级的本地部署，投资回收期会长一些，一般要五到六年。”刘波说。
这些因素让不少决策者望而却步。前述食品饮料企业的负责人也坦言：“没见到结果之前，无论是人员投入还是资源投入都会有所顾忌。”
尽管如此，专家们普遍认为企业仍应积极拥抱科技创新带来的产业变革。肖仰华强调，智能体带来的影响远超技术应用本身，它关乎生产关系的重构。即使面临ROI（投资回报率）不确定性，企业也应当从战略高度去思考和布局。
·“懂算法的不懂生产”：人才的结构性短缺
企业成本压力普遍较大，人才短缺也备受关注
报告中，“缺乏专业人才”（46%）是第二大挑战。这个问题在访谈中得到了所有企业负责人的共鸣——市场极度缺乏既懂技术又懂现场的“跨界人才”。“最大的挑战在于，算法的人员他不懂生产，生产的人员不懂算法，这两者之间怎么打通？”上述重工制造企业的负责人直言。
“我们今天处在一个技术供给远远超出我们技术消费的时代。解决问题的技术可能早就有了，最大的瓶颈是人，缺乏能够结合当下技术成熟度，分级分类地去选用相应技术来解决问题的人才。”肖仰华表示。
钟俊浩一针见血地指出了当前复合型人才培养面临的“三重脱节”困境：高校培养与企业需求脱节、产学研合作深度不够、行业认证体系不完善。刘波认为，人才培养的方向应该是让懂制造的人才具备『数字化』素养，“核心是制造，制造是本质，智能化是赋能手段。首先应该具备制造的知识，在此基础上去培养『数字化』素养。”而这个过程需要时间以及社会各方面的配合。
·面对复杂工业场景，智能体技术准备好了吗？
除了成本与人才，40%的企业也认为工业智能体的“技术不成熟”。这种“不成熟”主要体现在模型的“水土不服”和结果的“不可靠”。
“工业是含金量最高的‘战场’，却也是‘最难啃的骨头’。AI落地工业需要融合大模型、行业知识、高质量数据与应用场景，其中，行业know-how是工业企业制胜AI时代的底层核心能力。”西门子全球执行副总裁、大中华区总裁兼首席执行官肖松博士在《报告》发布现场提到。
尽管AI技术本身在不断进步，但通用语言大模型难以直接应用于工业生产。上述『新能源』汽车企业的负责人解释道，『大语言模型』主要基于『互联网』文本数据训练，而工业数据是“杂乱”且多模态的（包含时间序列、图纸参数、工艺配方、三维建模等），“这样的数据特征决定了它在工业领域的应用边界”。工业垂类模型因此成为必需品，但这需要深厚的行业知识积累和数据沉淀。
“现在通用人工智能就好比发电厂发出很强的电，但是不是大家就能用呢？最终还得有好的电器设备。”肖仰华也认为，通用AI抬高了智能的天花板，但真正落地需专业化路径，如知识图谱等弥补知识不足。
同时，AI的概率性输出与工业生产要求的高度确定性之间存在天然矛盾。上述重工企业负责人表示，AI无法达到“百分之百的准确率”，在安全生产等“零容忍”场景中应用受限。智能体目前更多是“辅助决策”，而非“替代决策”，最终判断仍需人的介入进行方向把控和价值判断，形成人机互补协同（human-in-the-loop），
·数据安全的隐忧
训练AI模型、建造智能平台都需要数据，企业可以自己部署，也可以向外部厂商购买智能化定制服务。即使在SaaS（软件服务）模式提供更低成本和更快部署的情况下，仍有50%的企业倾向于本地私有化部署，这背后主要是对工业数据安全的考量。
本地部署不仅意味着物理隔离，更能满足低延迟的生产环节。某重工业和汽车制造企业都明确，核心生产数据绝不出厂，外部供应商需要“来现场使用我们的数据”进行开发，这是典型的“数据不出域”策略，但也同时透露这种以自研为主的创新路径面临成本和效率的双重挑战。有企业负责人也表示，在业务敏感度低、实时性要求不高、数据分布广泛以及算力要求高的场景，如设备预测性维护、营销与售后客服、设计研发等，云端部署则更具性价比。
这些数据表明，企业正在根据业务的敏感度和实时性要求，灵活采用混合部署策略。对于中小企业来说，成本、AI技术本地化能力和柔性生产的能力可能是部署工业智能体最主要的障碍，而专业的服务提供商能够提供相应的解决方案。刘波指出，SaaS模式以其低成本、高效率的优势，为中小企业尝试工业智能体提供了可行的路径：“采用这种云端轻量级部署，算力资源、大模型采用云服务，在工厂侧布一些端侧设备，这样投资较小，回报较快。”
更自主，更系统，更开放：工业智能体的趋势未来
未来的工厂将是什么样？刘波描绘了一幅蓝图：“它会实现全工厂的动态感知和实时决策，具备柔性生产和自主组织的能力。”在这种模式下，人的角色将发生根本性转变，“人会从自己解决生产问题，变成向机器提出正确的问题，这可能是比较重要的一个转变。”
伴随着制造自主化水平的提升，工业智能体也将不再是解决单一问题的孤立工具，这一点已经在很多落地应用中初现端倪。未来的工厂将由多个智能体协同工作，形成一个庞大的“神经网络”，实现全链路的动态调优。“大型制造业无疑会从单点智能体走向系统智能体。”上述重工制造企业负责人判断。
同时，多智能体系统也能调用不同模型和工具的能力，比如通用大模型负责交互和通用知识，而处理具体工业任务（如工艺参数优化、异常检测）则交给更懂行的工业垂类模型。
肖仰华认为，工业智能体所带来的变革核心在于对生产力要素的重构。“具有高度自主决策水平的智能体，本质上就是新型的劳动力。”这将促使企业从组织架构、业务流程到经营管理都进行一场“智能原生”的深刻变革，而不仅仅是简单的“AI+”。
企业单打独斗的时代已经过去。《报告》显示，68%的企业愿意与外部科技厂商合作共创。这种合作并非简单的采购关系，而是数据、技术和场景知识的深度融合，包括工业模型的共创。实践中已经涌现出多种模式：食品饮料企业与大学的产学研合作，『新能源』车企与科技巨头的技术合作，以及重工企业与各类专业供应商的场景合作。
钟俊浩认为，一个完善的工业智能体生态，应包含技术底座提供方、行业解决方案商、数据服务商和系统集成商、标准认证机构和产业投资机构等关键角色，形成“技术-产业-应用-服务”的完整闭环。
一场工业的智能革命，或许已经悄然打响。工业智能体正从一个前沿概念，具体化为生产线上的质检员、供应链里的预测师、设备旁的维护专家。从自动化到自主化的跃迁之路，漫长而充满挑战，但它所指向的，是一个更高效、更柔性、更智能的制造业未来。对于国家而言，面对全球产业链重构和国内市场转型的挑战，工业智能体通过赋能生产线的自主决策与优化，有望将制造业的竞争优势从“人口红利”转向“技术红利”和“智能红利”。
