工业智能体：驱动制造业智能化升级的核心引擎与未来趋势

 

工业智能体正崛起为工业智能化发展的核心支柱与关键推动力。

近期，人工智能与工业领域的融合热度持续高涨，尤其是工业智能体，已被行业广泛认可为提升工业智能化水平的核心抓手与战略焦点。

“我们的大模型相关业务，今年规模至少达到去年的五倍以上，并且这些业务中，绝大多数都与工业智能体紧密关联。”专注于工业领域大模型及智能体落地服务的中工互联董事长智振向数智前线透露，经过年初DeepSeek带来的市场普及与教育，以及后续政策层面的持续加码所形成的强劲推力，市场机遇窗口已全面开启。

当前行业行动迅速跟进，在世界人工智能大会上，国内多家领先厂商已展示工业智能体产品及实际落地案例。

8月26日，《国务院关于深入实施“人工智能+”行动的意见》正式发布，其中工业被列为“人工智能+”产业发展的重点行动单独项目，明确推动工业全要素智能协同联动，加速人工智能在设计、中试、生产、服务、运营全流程的深度融合与应用。

工业智能体的热潮是否真正到来？智能体在工业领域的落地应用，是否已步入深水区？

01 工业智能体：热度真实性与市场动态

究竟什么是工业智能体？

多位行业专家指出，目前对此尚未形成统一界定。一个较为宽泛的视角是，它作为融合大模型、知识图谱、工业机理等技术的下一代认知智能系统，具备“自主决策”与“协同交互”能力，能够感知工业环境，理解自然语言指令，决策并操控物理设备以完成工业任务，从而实现对生产设备、工艺流程及物流管理等环节的智能化控制与优化。

其价值已获得业界普遍认同。“工业涵盖四十多个大门类、数百个小门类的客户，目前均在推进智能体落地，市场处于加速状态。”百度智能云智慧工业解决方案总经理张明表示，今年以来，工业智能体在企业研发、生产、供应链、销售与服务各环节均呈现高热态势。

联想中国政企业务群制造行业总经理宋涛强调，当前尤其聚焦于“工业企业运营智能体”，热度显著。智能体仍处于发展初期，头部企业大多优先在企业运营管理侧进行点状尝试，在研产供销服、人财物、财务税务、法规合规等多个环节中，“围绕运营管理提效的智能体应用尤为普遍。”

“此轮工业智能体快速升温，最直观体现在部分客户从‘观望状态’转向‘主动需求’，特别是头部工业企业，不再满足于‘自动化+信息化’的常规建设，而是明确要求打造‘AI驱动的智能工厂’。”中工互联董事长智振透露，以往多由服务商主动推广并说明效能，现在则是客户“积极拉动”、“主动来访”，众多企业决策层亲自带队调研智能体平台能力，甚至将“构建智能体系统”纳入集团长远发展战略。

IDC数据也验证了这一趋势，2025年，工业企业中探索智能体的比例同比大幅提升，应用大模型及智能体的比例，从2024年的9.6%显著跃升至2025年的47.5%。

IDC中国高级研究经理杜雁泽表示，比例上涨主因在于工业企业高层对工业大模型好奇心的增强、技术门槛的降低，吸引了更多工业企业和IT服务商参与，工业大模型及智能体市场从初步兴起阶段迈入广泛探索阶段。

其中，已在多环节开展应用的企业比例从1.7%大幅提升至35%。已应用大模型及智能体的企业中，超过73.7%的应用场景数量在10个到数十个之间。

02 政策层面：持续加码与战略引导

工业智能体的这波热潮始于何时？

业界普遍认同的一个起点是——2025年年初。标志性事件是国产开源大模型DeepSeek与智能体平台Manus的推出，快速完成市场启蒙，让各行各业看到了智能体的潜在价值。

尤其对于过去几年普遍面临外部环境不确定性、生产经营压力增大、产品利润率承压等挑战的工业制造企业而言，这或许是近两年里最具确定性的一项技术突破，有望带来实质性价值。

因此，近半年来，无论是工业企业还是服务商对智能体的探索热情均显著升温，落地案例持续增加。标杆案例的涌现与工程化经验的积累，进一步激发了更多企业的积极性。

除了企业提升竞争力的内生需求，政策层面的推力持续强化。

当前，人工智能的全球化竞争已全面展开，中美成为核心竞逐者。在互联网、法律、金融、医疗、设计等高价值第三产业，国内外均在重点推进落地，但在工业领域，全球仍未探索出一条明确路径。

在此背景下，凭借中国完备的工业体系与丰富场景资源，探索一条差异化发展路径，促进产业升级，打造新质生产力，成为战略关键。有行业资深人士认为，这一过程与当年培育新能源产业颇为相似，需要“政策先行、产业牵引”。

产业层面，全球189家“灯塔工厂”中，中国占据85家，占比45%，总量位居世界首位，具备制造业领域智能制造和数字化的高水平基础。

政策层面，去年政府工作报告已明确提出“开展‘人工智能+’行动”。今年，更多聚焦工业领域的政策持续加码。

3月，政府工作报告重申“人工智能+”行动，与去年侧重技术研发和产业集群建设不同，今年更聚焦技术的落地应用与实践推广。

6月6日，工信部两化融合工作领导小组会议审议《2025年工作要点》，明确提出以工业智能体为抓手深化人工智能工业应用，带动工业数据集、工业大模型的创新迭代。这被业界视为重要信号。

“政策力度超乎预期。”智振预测，接下来各地将随之发布系列政策，例如北京在工信部会议定调后不久，于7月中下旬，在北京经信局指导下，召开了一场工业智能体产业研讨会，众多AI与工业软件领域龙头企业参与，深入交流并分享案例。

7月28日，2025年全国工业和信息化主管部门负责同志座谈会召开，在部署下半年工作重点时明确提出，要推动“人工智能+制造”行动走深走实，加强底座攻关和重点场景应用。分级分类深化工业互联网应用，培育一批工业智能体。

8月19日，上海对外发布《上海市加快推动“AI+制造”发展的实施方案》，提出提升工业模型基础能力、突破工业智能前沿技术等多项部署。

8月26日发布的《国务院关于深入实施“人工智能+”行动的意见》中，重点强调推进工业全要素智能化发展，同时深化人工智能与工业互联网融合应用，增强工业系统的智能感知与决策执行能力。

“政策已从鼓励技术探索转向系统性推进工业数据集、大模型与智能体的协同迭代，在年初市场自发需求基础上增添了强劲动力。”IDC中国高级研究经理杜雁泽表示，随着后续各地区政策进一步细化，需求侧将得到巩固，尤其是央国企的需求，并带动更广泛工业企业加入探索，同时推动供给侧发展，吸引更多厂商进入该市场。

03 企业需求与行动：从尝鲜到深度融合

热潮之下，工业企业开始从单纯的“尝鲜”阶段，进阶到追求深度融合与价值产出的新阶段。

百度智能云张明指出，去年，不少企业已落地一些智能体应用，当时多要求能够挂载企业知识库，甚至仅基于通用大模型能力实现知识问答、检索，就能满足初步需求。而今年，企业已不满足于此，更期待智能体融入业务场景、解决具体问题，产生切实价值。

例如化工企业研发场景，原先依赖行业专家的深度知识经验，理解分子特性并反复实验。如今则期望智能体能学习各类分子特征，自动推荐分子合成路线以减少实验次数，甚至预测新物质的特性，如是否耐磨、阻燃等。

又如工业空压机节能场景，原先依赖固定控制策略，旺季、淡季采用不同调优模式，需人工现场调整，且技术难以联动产生显著价值。现在则希望通过智能体联动各项技术，实现全智能动态调优，既能远程控制柜无线回传数据、云端下发精准控制指令，又能根据实时采集数据用AI模型预测用气量、制定最优调度控制策略，遇能效偏低等问题还能实时报警并推送管理人员。

“融合智能体、AI算法、云控等技术的一体化产品，若能打磨成型、产生实效且可复制，推广价值会很大。”智振表示，如今大模型已过初期狂热阶段，明后年谁能紧密结合业务、打造更优智能体，谁才具竞争力。这类似互联网发展路径，从早期通用网络、门户网站，逐步走向电商、社交等垂直领域。

随着需求进阶，企业行动也变得更加系统化。

过去两年，不少企业经实践试错，对技术理解渐趋理性专业，如曾以为知识库搭建简单，实则要做到指导生产需特定领域知识增强、智能体支撑及闭环业务矫正，远非“零成本试玩”可实现。

因此，更多工业企业在入局新一轮热潮时，转而聚焦特定场景，需求更精准。同时，他们开始关注平台能力、数据整合深度、模型训练持续性及跨系统融合能力，不再仅停留于表面的“AI展示”，而在这个过程中，他们也提高了预算投入门槛。

“整个市场正从‘热度’向‘实质’转换，这是我们尤为重视的变化。”智振强调。

尤其头部企业，正以更成体系化的方式推进工业智能体落地。

以联想为例，今年5月，其在联想创新科技大会上正式发布覆盖个人、企业和城市全场景的超级智能体。其中企业超级智能体——联想乐享，是联想面向客户、商业伙伴、投资人、媒体和公众的新一代官方入口。其可跨设备、跨生态调用企业全链条数据信息，自主完成工作任务。例如，可以主动预判用户需求并发起互动，帮助用户自主下单等。

它与研发、供应链、营销、销售、服务、运营等领域的智能体组成“智能体军团”，开启助力联想降本增效之旅。目前，联想正将乐享应用于自身实践。超级智能体在自动识别客户意图后，会拆解任务并联动上述领域智能体协同处理，最终交付结果。

宋涛介绍，除央国企外，头部民企AI落地多与联想类似，会战略性投入资源探索业务转型，且大型企业基本会自建团队，如联想设有专门的DTIT（数字化转型与信息技术）部门，涵盖业务应用交付、AI研发团队，负责设计专属的混合式AI底座，支撑集团业务智能化转型。

尤其今年，不少企业在推进AI落地时，已从前期粗放探索，转向要求各部门“带KPI细化落地”。

宋涛透露，此前DeepSeek受关注时，不少企业曾在春节后快速部署满血版供各部门试用，但因访问量激增，开发运维团队难以承接，后续便逐步收敛到各部门自主推进智能体相关工作。

同时，“今年中小企业的需求也很多，但大多未购买商用平台，而是用开源工具、模型，甚至小型算力卡来运行相关场景。”百度云张明表示，这些企业并未形成从算力、模型训练调优工具到业务场景的规模化体系，而是先从能帮自己省钱或增收的具体业务场景入手，自行搭建智能体以了解其能力。一旦确认效果且意识到自身能力边界后，例如发现自研调优效果不及专业水平，才考虑商业付费。

04 工业智能体应用场景：广度与深度拓展

当前市场演进极快，在应用端，工业智能体正不断拓展应用广度与深度；技术侧，大模型小模型协同、工具链更新、上下文工程优化等迭代频繁，每一两周就会有新变化；部分前两年效果不佳的场景，今年借工程化能力提升与智能体应用实现了价值跃升。

以问数场景为例，其对准确性要求极高，一个数据出错就可能给企业经营决策带来重大风险，必须百分百准确，但大语言模型处理数据时容易出幻觉。“大家在1.0阶段的做法，是用大语言模型写SQL、固定问法，再通过意图理解智能体对应具体问题后查询SQL，但准确度最多达到90%，难以满足需求。”百度智能云张明介绍，到了2.0阶段，大家意识到仅靠大模型本身无法解决幻觉问题，需搭建智能体团队，先做数据域治理分析，固定常见问题，再搭建工作流分解任务、匹配流程，写好SQL后与指标域指标对比，能大幅解决问数类幻觉问题。

“大家对问数场景需求一直很高，去年因技术不成熟，很多项目验证后效果不佳没能推进。今年有了技术进步，我们正重新与客户沟通，”张明说，“这可能还需要一定立项周期，预计明年能看到更多落地项目。”

图文生成场景也有突破，过去大模型生成带文字的图片时常出现乱码，如今在生成宣传海报时，智能体可先让模型生成无文字图，再叠加文字图层解决问题。

目前，知识库问答与智能问数这两大共性通用智能体已成为基础能力，不再是企业挑选服务商时的首选要素，“类似智能驾驶平权后基础辅助驾驶仅作基础判断。”IDC杜雁泽表示，大家更多转向后续通用智能体解决方案，例如智慧办公、合同审核、文档生成等，以及研产供销服等各领域细分环节的智能体和应用解决方案。

例如，经营管理领域是当前通用性场景最多、应用成熟度与可复制性最高的领域。杜雁泽指出，该领域智能体正从早期的人力、财务、客服等通用场景，逐步深化，向合规审查、采销文件生产审核、供应链优化等更为精细化的方向拓展。

尤其是供应链相关的智能体，需求正盛。当前大量企业都有出海需求，供应链管理已成企业一把手关注的核心场景。

“现在制造型企业普遍关注如何借助AI保障供应链安全可控、规避风险，以及呆滞物料降本提效等，已经有不少头部大客户就这一话题找我们做过交流。”宋涛表示，联想已结合最新技术，将其在智能化转型中推出的供应链智能控制塔（SCI），升级为了更强大的“iChain联想供应链智能体”。

目前，该智能体已在联想内部落地，支撑其全球供应链从需求预测到零部件交付、从生产制造到物流交付的全链路多智能体协同，将决策效率提升30%，工作流程周期缩短50%。

研发设计领域，智能体应用正从初期文生3D模型、AI仿真，拓展延伸到设计变更、设计审查、工艺文件生成等更多阶段和更深入场景。

以装备行业仿真计算为例，此前高铁空气动力学、电机温度控制等仿真依赖国外工业软件，一次高铁风洞实验仿真需128台HPC机器跑1-2天，成本高、耗时长。现在通过AI模拟预测，仅需1台GPU、几秒即可出结果。“我们已与某大型装备央企深度合作，在多个工厂落地，还有部分工厂正复制这一成果。”张明强调。

生产制造领域，IDC观察，智能体应用一方面在设备、安监、工艺等领域初步实现复制应用，从提供单点辅助信息，延伸到数据查询、原因分析、报告生成等全业务流程。另一方面也在向厂级生产绩效分析、工业控制编程、机器人智能控制等新方向探索。如中工互联帮助某大型水务龙头企业打造了厂长助手智能体，可实时调阅工厂运营数据、预测异常。

设备预测性维护是一个热门场景。工业制造流程有大量关键设备，一旦出故障就可能导致整条生产线宕机。大模型和智能体出现后，为其提供了新解法，多家企业及厂商均发力于此。中工互联帮助某电力设备制造企业打造了预测性维护智能体，可使设备平均故障预警准确率达92%，维修频次降低40%。

此外，质检智能体、智能排产智能体等也是广泛探索并有项目落地的。在这些场景中，大小模型协同是关键路径，例如质检场景，前端依托机器视觉的小模型完成质检，后续质检数据的分析汇总与逻辑推理则由大模型负责。“工业领域肯定是大小模型并用的，我们称之为混合式AI。”宋涛解释道。

IDC也表示，这些场景可抽象为两条路径，一是大模型与小模型、机理模型、时序模型融合，用智能体方式提供业务优化；二是靠大模型沉淀老师傅经验，在故障诊断、节能、良率分析等方向初步验证。预测五年后AI在工业的渗透率达25%，其中小模型占比仍将达到70%。

值得注意的是，尽管工业智能体应用深度和广度在拓展，但业界普遍认为，目前落地效果好且能批量复制的案例并不多，更多是以项目形式探索中，尚未进入生产制造核心深水区。

05 下半年市场加速爆发：挑战与机遇并存

业界普遍认可，工业智能体已不像以往“安装软件”那样简单，而是一次系统工程和组织变革的双重革命，这个过程中，仍有诸多难题待解。

其一，高质量数据紧缺，需企业提前补课。

智能体越深入生产环境，越需要专业数据，但目前数据是行业落地最大瓶颈，高质量数据集不仅决定模型效果，更关乎智能体能否真正在业务中创造价值。而工业场景，由于数据“方言”多样，格式、质量不一，还存在数据孤岛、数据缺失、噪声干扰及系统割裂等问题，矛盾更为突出。

今年，国家数据局已出台多项政策推动高质量数据集建设。各大服务商也通过提供相关工具或共建等模式解决这一痛点。但仍需企业自身发力，补齐短板。

一些企业已经开始往回补课。ICONIQ Capital《2025年AI现状报告》显示，数据已成为企业AI预算中的主要板块，数据存储和处理支出，甚至将超过推理和训练的总和。

联想宋涛也指出，目前有不少希望借助AI转型但仍有疑虑的企业，正优先考虑进行数据治理、补齐数字化转型的课程，再用治理好的优质数据，进行点状探索。

而大型企业的投入力度更为显著。不少企业专门成立团队支撑内部数据治理和知识管理，包括知识的更新与校正，以保证智能体准确性。宋涛介绍，联想已构建完善的知识管理体系。

其二，懂业务又懂AI，还能工程化落地的人才，目前极为紧缺。

服务商虽然在努力贴近行业，但根据行业实践，算法专家要彻底吃透行业细节，可能需要五到十年，而让行业专家理解AI，一到两年就能初见成效。因此，无论从竞争力构建，还是从磨合难易度来说，企业都需要培育自身的人才队伍。

“工厂里不需要培训生产‘机器’（智能体）的人，但一定要培养懂得如何操作‘机器’（智能体）的人。”智振表示，这些人才对人工智能并不一定需要完全精通，但必须了解在自己的场景下如何有效应用人工智能。

不少工业企业已开始积极搭建内部人才梯队。例如在前不久开学的百度AICA“首席AI架构师培养计划”第九期的96名来自不同企业的学员中，能源与重工业占比首次超过一半，实体产业参与热情高涨。

其三，ROI（投资回报率）难以量化是企业AI投入的核心痛点。

2023年至今，ROI始终是企业重点关注问题。AI部署越复杂的场景，对模型能力要求越高，硬件、软件、部署等成本也越高，但收益却难以量化，例如，原来10分钟的工作现在5分钟完成，剩下的5分钟如何量化产出、体现业绩。

同时，AI不只涉及IT预算，还会替代简单重复劳动岗位，与HR预算存在重合替代问题，一些企业因此正在考虑ROI评估需打破部门壁垒综合考量，顶层规划时也需重新审视“硅基员工”的定位。

此外，模型幻觉问题、现有算法难以满足工业复杂场景的实时性和可靠性要求，工业场景碎片化严重，复制推广难度大，标准尚未统一，生态系统还不够成熟等，也都制约着工业智能体的大规模落地。

不过，尽管存在诸多挑战，业界普遍认为，下半年的工业智能体市场将是一个加速爆发的市场。

“今年落地速度肯定比预期更快。”智振表示，国家政策明确“工业智能体”作为重点后，更多企业加快了投入节奏。他判断下半年将是“智能体平台化”的分水岭，企业会从“试用单个智能体”转向构建自身的“智能体生态”，他们也在为推进“平台即生态”战略做准备，打通从场景共建、数据沉淀到模型服务的闭环，加速推进平台“下沉能力”。

宋涛则强调，从下半年到未来几年，制造业拥抱AI进行探索将形成共识，通过不断尝试和突破，在从AI模型到AI工程化的道路上持续深化，最终将其转化为产品，打造出能创造收入的“硅基生产力”。