“工業(yè)智能體的核心價(jià)值在于讓生產(chǎn)裝置具備學(xué)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(chǎng)景、解決工業(yè)核心問(wèn)題的技術(shù)并不多?！敝锌貏?chuàng )始人褚健認為，“未來(lái)最可能率先在裝置級自主調控環(huán)節規模應用?！?

通過(guò)實(shí)時(shí)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(guān)鍵指標的動(dòng)態(tài)影響、生成調控指令并自動(dòng)校驗和執行。由工業(yè)智能體形成的閉環(huán)將會(huì )把傳統依賴(lài)人工經(jīng)驗的生產(chǎn)操作升級為“動(dòng)態(tài)感知-智能分析-自主決策-實(shí)時(shí)執行”的自治系統，尤其適用于煉油、化工等連續生產(chǎn)場(chǎng)景，推動(dòng)裝置從自動(dòng)化邁向自主化。此外，隨著(zhù)技術(shù)的不斷發(fā)展，AI大模型的能力不斷增強，必將進(jìn)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(zhù)力從哪幾個(gè)方向突破？規模應用和商業(yè)化的關(guān)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(fǎng)時(shí)表示，工業(yè)智能體未來(lái)需要實(shí)現三個(gè)轉變。

第⼀，從“副駕駛”走向“主駕駛”，從“決策輔助”走向“自主運行”。在很多場(chǎng)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(lái)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(fēng)雨”何時(shí)來(lái)，還能自主規劃航線(xiàn)并執飛?！耙獙?shí)現這⼀點(diǎn)，光靠數據是不夠的。工業(yè)背后有非常清晰的物理和化學(xué)規律——機理，需要把工業(yè)機理和知識深度融合到AI模型里，避免出現幻覺(jué)問(wèn)題，讓決策有理有據，工程師才敢于信任它、放手讓它去控制”。

第二，從單場(chǎng)景應用走向跨場(chǎng)景協(xié)同工作。目前，智能體只是某個(gè)設備或某個(gè)工序的“專(zhuān)家”，但工廠(chǎng)的生產(chǎn)是⼀個(gè)整體，光有⼀個(gè)環(huán)節最優(yōu)是不夠的。未來(lái)，這些獨立的智能體需要協(xié)同，組成“交響樂(lè )團”。如果負責裝置生產(chǎn)的智能體實(shí)時(shí)和負責物料調度的智能體進(jìn)行“對話(huà)”和協(xié)同，⼀起優(yōu)化整個(gè)工廠(chǎng)的運行節奏，告別各自為戰，每個(gè)智能體既是決策節點(diǎn)又是執行終端，智造就真正實(shí)現了?！斑@種協(xié)同不僅是橫向打通生產(chǎn)環(huán)節，還要縱向貫穿設備、產(chǎn)線(xiàn)、工廠(chǎng)乃至整個(gè)供應鏈。當所有智能體都能協(xié)同工作時(shí)，才能實(shí)現全局的、真正的優(yōu)化，奏出最美的‘交響曲’”。

第三，從“定制開(kāi)發(fā)”到“即插即用”，讓智能體走向規模應用。我們不能指望每家工廠(chǎng)都養⼀個(gè)AI團隊。如果工業(yè)智能體需要復雜的定制開(kāi)發(fā)流程，那它永遠只能是少數大企業(yè)的“奢侈品”?！拔磥?lái)的方向⼀定是降低應用門(mén)檻，讓它變得像手機上的APP⼀樣簡(jiǎn)單易用?？梢源蛟?#12032;個(gè)工業(yè)智能體生成平臺，用戶(hù)只需要用語(yǔ)言描述自己的需求，系統就可以自動(dòng)生成智能體，下載后就能在邊緣端部署應用。這樣，成千上萬(wàn)的中小企業(yè)也能享受到AI技術(shù)進(jìn)步帶來(lái)的紅利，這也是其能否規模應用、實(shí)現商業(yè)化的關(guān)鍵”。

跨越技術(shù)可行到商業(yè)可行的鴻溝

有研究機構預測垂類(lèi)智能體將迎來(lái)藍海市場(chǎng)，未來(lái)三年內呈現顯著(zhù)增長(cháng)。但工業(yè)場(chǎng)景容錯率極低、無(wú)法覆蓋核心生產(chǎn)場(chǎng)景、企業(yè)基礎條件參差不齊等因素成為工業(yè)智能體規模應用的難題。

首先，工業(yè)場(chǎng)景容錯率極低，核心裝置及生產(chǎn)場(chǎng)景對于安全性、精準性、時(shí)效性、泛化能力等都有著(zhù)極高的要求，用戶(hù)普遍不愿承擔試錯風(fēng)險，更傾向觀(guān)望同類(lèi)企業(yè)成功案例后再跟進(jìn)，這一心理顯著(zhù)拉長(cháng)技術(shù)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(jià)值，如何與已有業(yè)務(wù)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(wù)場(chǎng)景并量化產(chǎn)出，導致企業(yè)在投入決策上持觀(guān)望態(tài)度，延緩了商業(yè)化進(jìn)程。

其次是基礎條件參差不齊，不同企業(yè)的自動(dòng)化和數據治理水平差異很大。頭部企業(yè)憑借較為完善的數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、數據碎片化、缺乏專(zhuān)業(yè)人才。他們既拿不出高質(zhì)量數據“喂養”智能體，也難以承擔前期的系統改造投入。褚健表示，這種基礎的差異，決定了無(wú)法用“一刀切”的模式推廣智能體，增加了規?；瘡椭频碾y度。

褚健建議，當前需要政策驅動(dòng)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(jià)值，形成可復制的模板，為中小型制造業(yè)樹(shù)立標桿和信心，最終跨越從技術(shù)可行到商業(yè)可行的鴻溝。

工業(yè)數據復用難、普惠化更難

當前工業(yè)領(lǐng)域的數據與AI應用雖致力于優(yōu)化生產(chǎn)流程、降低風(fēng)險并輔助決策，但實(shí)際對工廠(chǎng)運營(yíng)的改進(jìn)效果有限。褚健認為，核心癥結在于數據質(zhì)量和工業(yè)場(chǎng)景的復雜性。一方面，工業(yè)數據的復雜性遠超通用場(chǎng)景，不僅體現在數據格式不統一、采集不完整，更在于特定場(chǎng)景數據往往質(zhì)量不高、準確度不足，僅能反映局部規律，導致“數據復用難、普惠化更難”。另一方面，工藝保密性要求與數據敏感性筑起高墻，即便同一集團內的分公司也會(huì )由于保密壁壘形成“數據孤島”，嚴重制約AI模型的訓練效果。這種“數據既少又散還封閉”的現狀，使得AI模型難以捕捉工業(yè)生產(chǎn)的深層規律，訓練出來(lái)的模型自然泛化能力弱、可遷移性不強。此外，因缺乏統一的平臺支撐，工業(yè)應用場(chǎng)景碎片化，導致工業(yè)AI只能實(shí)現“點(diǎn)狀突破”，難以形成跨場(chǎng)景的復用遷移，長(cháng)時(shí)間停留在“解決單一問(wèn)題”的階段，無(wú)法觸及工廠(chǎng)運營(yíng)的核心流程，從而影響對于整體工廠(chǎng)的改進(jìn)效果。

“突破這些瓶頸，需要通過(guò)‘數據筑基、場(chǎng)景聚焦、平臺賦能’體系化解決?！瘪医≌f(shuō)。在數據層面，中控技術(shù)通過(guò)“預訓練+微調”模式，基于行業(yè)共性數據預訓練構建基礎模型，再結合企業(yè)私有數據微調進(jìn)行場(chǎng)景適配；同時(shí)建立數據聯(lián)盟與保密機制（如“數據不出廠(chǎng)”的本地部署模式），在合規前提下實(shí)現數據價(jià)值流動(dòng)。

在需求層面，中控技術(shù)鎖定“AI+安全、AI+質(zhì)量、AI+低碳、AI+效益”四大核心目標，聚集高價(jià)值場(chǎng)景和需求，全面幫助企業(yè)“穩運行、提人效、增收益”。

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

免責聲明：本站轉載自媒體的資訊，版權歸原作者所有，如有侵權，請聯(lián)系我們刪除。我們對文中觀(guān)點(diǎn)持中立態(tài)度，僅供參考、交流。若轉載或下載使用，必須保留本網(wǎng)注明的"稿件來(lái)源"。