“工業(yè)智能體的核心價值在于讓生產(chǎn)裝置具備學(xué)習(xí)能力和適應(yīng)能力，當(dāng)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(shù)并不多。”中控創(chuàng)始人褚健認為，“未來最可能率先在裝置級自主調(diào)控環(huán)節(jié)規(guī)模應(yīng)用。”

通過實時預(yù)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)鍵指標的動態(tài)影響、生成調(diào)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(shù)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(yīng)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(yīng)該著力從哪幾個方向突破？規(guī)模應(yīng)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時表示，工業(yè)智能體未來需要實現(xiàn)三個轉(zhuǎn)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(yù)測“暴風(fēng)雨”何時來，還能自主規(guī)劃航線并執(zhí)飛。“要實現(xiàn)這⼀點，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(xué)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(yīng)用走向跨場景協(xié)同工作。目前，智能體只是某個設(shè)備或某個工序的“專家”，但工廠的生產(chǎn)是⼀個整體，光有⼀個環(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(zé)裝置生產(chǎn)的智能體實時和負責(zé)物料調(diào)度的智能體進行“對話”和協(xié)同，⼀起優(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。“這種協(xié)同不僅是橫向打通生產(chǎn)環(huán)節(jié)，還要縱向貫穿設(shè)備、產(chǎn)線、工廠乃至整個供應(yīng)鏈。當(dāng)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(yīng)用。我們不能指望每家工廠都養(yǎng)⼀個AI團隊。如果工業(yè)智能體需要復(fù)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”。“未來的方向⼀定是降低應(yīng)用門檻，讓它變得像手機上的APP⼀樣簡單易用。可以打造⼀個工業(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(yīng)用。這樣，成千上萬的中小企業(yè)也能享受到AI技術(shù)進步帶來的紅利，這也是其能否規(guī)模應(yīng)用、實現(xiàn)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(gòu)預(yù)測垂類智能體將迎來藍海市場，未來三年內(nèi)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(chǔ)條件參差不齊等因素成為工業(yè)智能體規(guī)模應(yīng)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(dān)試錯風(fēng)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(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)造什么具體價值，如何與已有業(yè)務(wù)結(jié)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)場景并量化產(chǎn)出，導(dǎo)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(chǔ)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(chǔ)設(shè)施能夠較快適配工業(yè)智能體，而大量中小企業(yè)因設(shè)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(zhì)量數(shù)據(jù)“喂養(yǎng)”智能體，也難以承擔(dān)前期的系統(tǒng)改造投入。褚健表示，這種基礎(chǔ)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)模化復(fù)制的難度。

褚健建議，當(dāng)前需要政策驅(qū)動和引導(dǎo)，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(fù)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(shù)可行到商業(yè)可行的鴻溝。

工業(yè)數(shù)據(jù)復(fù)用難、普惠化更難

當(dāng)前工業(yè)領(lǐng)域的數(shù)據(jù)與AI應(yīng)用雖致力于優(yōu)化生產(chǎn)流程、降低風(fēng)險并輔助決策，但實際對工廠運營的改進效果有限。褚健認為，核心癥結(jié)在于數(shù)據(jù)質(zhì)量和工業(yè)場景的復(fù)雜性。一方面，工業(yè)數(shù)據(jù)的復(fù)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(zhì)量不高、準確度不足，僅能反映局部規(guī)律，導(dǎo)致“數(shù)據(jù)復(fù)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(nèi)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(xùn)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(xùn)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(yīng)用場景碎片化，導(dǎo)致工業(yè)AI只能實現(xiàn)“點狀突破”，難以形成跨場景的復(fù)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‘?dāng)?shù)據(jù)筑基、場景聚焦、平臺賦能’體系化解決。”褚健說。在數(shù)據(jù)層面，中控技術(shù)通過“預(yù)訓(xùn)練+微調(diào)”模式，基于行業(yè)共性數(shù)據(jù)預(yù)訓(xùn)練構(gòu)建基礎(chǔ)模型，再結(jié)合企業(yè)私有數(shù)據(jù)微調(diào)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(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(yīng)用層面，中控技術(shù)以運行數(shù)據(jù)基座(DCS)、設(shè)備基座(PRIDE)、質(zhì)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(gòu)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。

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