

制造业正在经历从数字化、网络化走向智能化的关键跃迁。过去十余年,工业互联网解决了设备连接、数据采集和系统上云等基础问题,大模型则显著提升了自然语言理解、知识推理和内容生成能力。真正的产业拐点并不止于 “会对话”,而在于智能体能否进入真实业务流程,在明确权限和安全边界内调用工具、协同系统、执行任务并持续反馈优化。
工业智能体的价值,在于把工业数据、行业知识、机理模型、专业软件和现场设备组织成可交付的任务能力。它既不是脱离现有工业体系的另起炉灶,也不是简单替代人的自动化工具,而是以工业任务为牵引,对工业互联网平台、工业软件、控制系统和企业数据能力进行系统性重组。沿着任务、岗位到组织的累积路径,制造业有望从确定性自动化逐步迈向受控的自适应。
一、发展背景与战略坐标
中国已是全球第一制造大国。2025 年制造业增加值达 34.7 万亿元,约占 GDP 比重 25%,规模有望连续 16 年保持全球第一,全球占比约 30%。中国拥有联合国产业分类中全部工业门类,220 多种主要工业产品产量居世界前列,新能源汽车、光伏、船舶、智能装备等产业形成较强全球竞争力。规模优势构成智能制造的深厚底座,也意味着工业智能体拥有丰富场景和完整产业链支撑。

但制造业由大到强仍面临三类约束。一是硬件强、软件弱。2025 年工业软件产品收入 3330 亿元,同比增长 9.7%,但占制造业增加值比重仍不足 1%,研发设计、生产控制、经营管理等高端软件仍存在短板。二是系统割裂、数据分散。大型企业普遍存在多代系统并存、接口不统一、数据口径不一致等问题,中小企业则面临数字化基础薄弱、专业服务不足等困难。三是经验断层和技能人才不足。大量关键判断存在于老师傅和骨干员工经验中,若不能结构化沉淀,就会随人员流动和退休而流失。


人工智能产业底座正在快速夯实。2025 年中国人工智能核心产业规模超过 1.2 万亿元,智能算力规模达 1590EFLOPS,人工智能企业超过 6000 家;工业互联网核心产业规模超过 1.6 万亿元,应用覆盖 41 个工业大类。算力、模型、数据、平台和应用场景的协同,为工业智能体从试点走向规模化部署提供了基础条件。
政策层面已经形成清晰路线图。2025 年 8 月,国家层面明确到 2027 年新一代智能终端、智能体等应用普及率超 70%,到 2030 年超 90%。2026 年 1 月,八部门进一步提出到 2027 年推动 3 至 5 个通用大模型在制造业深度应用,推出 1000 个高水平工业智能体,打造 100 个工业领域高质量数据集,推广 500 个典型应用场景。2026 年 5 月,智能体规范应用政策明确用户对智能体自主决策享有知情权和最终决策权,智能体执行操作不得超出授权范围。同期发布的智能体互联系列国家标准,覆盖身份码、智能体描述、发现、交互、工具调用等内容,为多智能体协同提供了统一技术基础。
二、概念内涵与核心边界
工业智能体是面向明确工业目标和特定工业环境,融合工业数据、知识、模型与机理,具备环境感知、任务理解、规划决策、工具调用、协同交互、受控执行和反馈优化能力,能够在设定权限和安全边界内完成数字或物理工业任务的软件实体,也可以表现为软硬一体化智能系统。


这一概念的核心是任务完成,而不是模型输出。产品设计优化、设备故障处置、质量异常处理、订单生产调度、供应链风险预警、售后技术支持等,都要求智能体不仅能回答问题,还要能理解业务约束、连接专业工具、执行规定动作、核验执行结果并形成可追溯记录。

因此,工业智能体与工业大模型存在明确分工。大模型是认知能力供给方,负责理解、推理和生成;智能体是面向任务的执行方,负责目标拆解、路径规划、工具调用、系统协同和闭环反馈。


工业场景强调稳定性、安全性和责任边界,因此智能体必须遵循 “认知可以概率化、执行必须受约束” 的原则。模型可以在不完全信息下提供候选方案,但涉及生产参数、设备控制、质量标准、安全联锁、合同价格和交付承诺等责任性动作时,必须经过规则校验、仿真验证、权限控制和必要的人工审批。工业智能体不是替代工业互联网平台、工业软件和控制系统,而是在这些系统之上形成任务组织层,把分散能力封装成可调用、可执行、可审计的工业任务能力。

三、体系架构与技术底座
工业智能体需要贯穿信息技术与运营技术,形成从设备单元到产业生态的分层架构。L1 设备单元层依托智能传感器、嵌入式 AI 芯片和边缘计算模块,承担单体设备感知与受控执行;L2 产线层依托云化 PLC、DCS、TSN 交换机和边缘控制器,实现多设备、多工序协同;L3 车间层依托边缘云、工业视觉、AGV 和 AMR,组织物料、人员、设备和质量任务;L4 工厂层依托私有云和数字孪生平台,开展全厂资源优化;L5 企业层依托公有云、跨域数据中台和 AI 原生生产平台,贯通研发、生产、供应链和经营决策;L6 生态层依托工业互联网平台、产业云和可信数据空间,实现跨企业协同。

从功能视角看,工业智能体还可分为认知决策、知识增强、机理执行和系统集成四层。认知决策层由工业大模型、视觉语言模型和多智能体调度能力构成;知识增强层由工业知识图谱、检索增强生成和企业知识库构成;机理与小模型执行层承担毫秒级、高精度、高可靠现场任务;系统集成层连接 ERP、MES、EAM、APS、PLC、SCADA 等系统,打通任务执行和状态回写链路。

撑架构运行的关键技术包括六个方面。数据侧通过多源连接、统一事件模型、工业知识图谱和数字孪生,将分散数据转化为可信事实;算力侧采用云、边、端协同,并发展集成模型、算力、平台和应用的工业智能体一体机;模型侧集成感知、记忆、推理、规划、工具调用和策略约束能力;网络侧负责多智能体编排、任务分解、冲突消解和一致性决策;安全侧覆盖身份权限、策略护栏、全链审计、故障降级和人工接管;自进化侧按照感知、诊断、计划、仿真、审批、执行、反馈组织闭环,使仿真和审批位于模型方案与真实生产动作之间。
来源:中国工业互联网研究院,工业智能体发展报告(2026年)
工程落地需要一套可复制方法。智能体能力通常经历知识问答、办公助手和数字员工三个阶段。知识问答解决信息获取,办公助手辅助个人完成文档、数据、邮件和流程任务,数字员工则在明确岗位职责和规则下端到端承担完整工作。企业 AI 工作台是智能体进入组织的重要基座,负责智能体创建、模型与技能管理、连接器配置、权限控制、运行监控和审计留痕。在此基础上,通过场景工程筛选真实高价值任务,通过实证工程用真实任务和数据验证准确性、稳定性,通过复利工程将技能、规则、模板、样例和知识沉淀为可复用资产,再按任务级、岗位级、组织级逐级累积。

四、产业图谱与市场格局
工业智能体产业链可分为基础设施、平台和应用三层。基础设施包括智能芯片、传感器、算力资源、网络设备、云平台和数据服务;平台层包括通用大模型、行业大模型、智能体开发平台、工业互联网平台和一体化开发运行环境;应用层面向研发、生产、质量、设备、供应链、销售、服务和管理等具体场景。没有单一厂商能够覆盖从芯片到应用的全链条,产业竞争正在从单点模型能力转向平台稳定性、行业知识积累、系统集成、交付服务和持续运营能力。

厂商大致可分为五类。大模型与人工智能企业提供通用认知能力和开发平台;工业软件企业依托研发设计、生产管理、经营管理等软件沉淀行业流程;工业互联网平台企业具备设备连接、数据汇聚和生态组织优势;工控与自动化企业掌握现场控制、驱动、PLC、机器人和安全联锁能力;初创企业和专精特新企业则在质检、能耗、预测性维护、工业知识中枢、特定工艺优化等细分场景形成突破。

市场增长具有多口径特征。窄口径工业 AI 智能体市场 2025 年约 148 亿元,预计 2030 年达到 906 亿元,2025 至 2030 年复合增长率为 43.6%;更宽口径的工业企业 AI 支出,预计 2030 年达到 2800 亿元,2025 至 2030 年复合增长率约 52%。前者强调智能体产品和相关服务,后者覆盖企业为工业 AI 投入的软件、硬件、平台和解决方案,不能混用。预测性维护是较易量化的场景之一,2025 年市场规模约 126 亿元,预计 2028 年达到 380 亿元。

从成熟度看,工业智能体仍处于规模化导入前期。43% 的企业尚未部署工业智能体,实现多场景应用的企业仅占 8%,更多企业仍处在研究、概念验证或单点试点阶段。63% 的企业将部署成本高列为重要挑战,系统集成、数据治理、安全合规和复合型人才不足也制约规模化落地。

区域探索正在加速。上海提出到 2028 年培育 500 家先进级智能工厂,制造业 AI 应用场景突破 2000 个,开发 10 个垂域大模型,推出 300 个以上高水平智能体;北京提出到 2028 年打造 100 个工业领域高质量数据集,培育 50 家智能化解决方案供应商,推出 100 个高水平工业智能体;广东提出到 2026 年底建设 200 家以上智能工厂和智能体工厂。山东、天津、浙江、江苏等地也围绕工业智能体、智能工厂、数据安全和场景开放形成地方实践,区域竞争正在从政策招商转向产业生态和交付能力竞争。

五、全流程应用与典型实践

▌研发设计是工业智能体较早形成高价值闭环的环节。智能体可连接需求、规范、历史项目、CAD、CAE、EDA 和评审流程,减少信息检索、重复建模、跨专业等待和方案试错。高速动车组空气动力学智能化仿真,将传统需要超算资源且以天计的仿真过程压缩至单机 10 秒级,结果误差保持在较小范围,支持工程师快速迭代车头外形。智能电芯设计平台基于超 10 万个电池案例、600TB 测试数据和相关后市场数据,可在数秒内生成设计建议、数分钟交付虚拟电芯,性能预测准确率达 95%,设计人效提升 30%。在夹具建模、工业出图、风扇叶片优化、材料配方筛选等场景,智能体也显著缩短试验和仿真周期。
▌中试验证承担实验室成果向规模生产转换的关键任务。智能体综合实验数据、中试设备能力、工艺机理和材料参数,识别放大过程中的关键变量,推荐参数窗口并持续校准模型。通过虚拟调试、数字孪生验证和实体中试联动,企业能够在真实设备安装或量产前发现布局、节拍、物流、控制逻辑和人员路径冲突,减少实体试错和工程变更风险。
▌生产制造是价值最集中、约束最复杂的环节。智能体在 ERP、APS、MES 和现场设备之间建立任务组织层,实现异常识别、影响计算、工具调用和状态回写。化纤丝锭外观检测将单个丝锭检测时间由 15 秒压缩至 2.5 秒,大疵点检出率达 100%;炼钢智能调度系统使生产自动化率提升至 90% 以上,炼钢计划命中率超过 98%,年产能计划编制由 6 天缩短至 3 天;汽车生产计划数字员工覆盖 14 款车型,将原本 3 至 5 天的人工排产压缩至秒级,人工审批节点精简 60%,研发生产周期压缩 50%,制造成本降低 40%;电子制造基地的生产智能体连接 26 个业务系统,8 秒即可完成万名员工优化排班,整体制造成本降低 17.32%。

▌供应链和物流场景强调动态响应与全局优化。智能体持续监测供应商、库存、在途订单、价格、产能和风险事件,比较替代供应、调拨、采购和排产方案。多式联运平台可根据货物、线路、运力、时效和成本生成方案,公水联运综合成本较纯汽运降低约 25%,并通过网络货运平台整合大量货车和船舶资源,提升成交效率。在库存周转、需求预测、仓储拣选、跨境供应链和供需匹配等场景,智能体正在把人工逐级追踪转变为事件驱动的主动处置。
▌运维管理是工业智能体容易从建议走向执行的领域。智能体关联振动、温度、电流、报警、维修历史和备件信息,将故障预警延伸到工单生成、资源协同、维修执行和结果核验。煤矿皮带智能监测系统累计识别损伤隐患 1468 次,非计划停机时间下降 10%,全年预计节约超 230 万元;海上风电智能运维可提前 28 天预测齿轮箱故障、提前 20 天预测发电机抱死,为维修窗口、船舶路径和备件安排预留时间。无人巡检、能源系统优化、空压站群控、变电站立体巡检等场景,也体现出安全、节能和降本价值。
▌经营管理和专业服务正在从单点工具走向体系化应用。珠海天威飞马已沉淀 50 余个应用场景,覆盖采购、招投标、竞品监控、包装校核、财务和 IT 等职能,其中包装与标签校核人工投入由每月 244 小时降至约 5 小时;广州视声将供应链管理经验转化为 AI 规则,用智能体支持价格、库存、在途订单和耗用数据联合决策;烟台富美特将合规审核、IT 开发和数据整理纳入智能体流程,数据处理时效由约 1 周缩短至 1 天。这些案例表明,智能体落地未必一开始就直接进入生产现场,数据散、口径乱、流程靠人工的办公和管理环节,同样具有高价值切入点。

六、落地挑战与推进路径
工业智能体规模化落地仍面临多重挑战。首先是数据基础不足,数据缺失、语义不一、主数据混乱、历史系统接口封闭,会直接影响智能体判断。其次是系统集成复杂,工业现场存在多代 PLC、SCADA、MES、ERP 和专用设备,协议、接口和权限体系差异较大。第三是投入回报不清,智能体成本不仅包括模型和软件采购,还包括流程梳理、数据治理、系统改造、测试验证和持续运营。第四是安全责任边界需要明确,智能体若缺乏权限隔离、操作护栏、审计留痕和故障降级机制,就难以进入核心生产环节。第五是复合型人才不足,企业既需要懂工业流程和现场工艺的人,也需要理解模型、数据、系统集成和智能体治理的人。
务实推进应坚持从小场景切入、向大体系演进。优先选择任务边界清晰、数据可得、规则明确、风险可控、成效可量化的环节,先完成单点闭环;再用真实任务和真实数据开展实证测试,验证准确率、稳定性、异常处理和人工接管能力;随后将技能、规则、模板、知识和输出格式打包复用,串联岗位内多个任务,进一步扩展到跨岗位、跨部门协同。对于高风险动作,应建立仿真、审批、灰度下发、联锁保护和全程审计机制,把人的责任重点从重复操作转向目标设定、边界划定和异常兜底。
产业层面需要建设通专融合的工业智能体平台,推动通用大模型、行业模型、机理模型和专业小模型协同;打造覆盖云、边、端的一体机矩阵,满足数据不出域、低时延和开箱即用需求;建立面向真实工业任务的评测体系,从任务理解、规划决策、工具调用、多智能体协同、受控执行、安全治理和业务成效等维度分级分类评价;通过场景清单、能力清单、产品目录和验收指标推动供需精准对接,减少无效试点。
七、未来趋势与自适应制造
工业智能体的长期演进将呈现三条主线。第一,从辅助工具转向核心引擎。智能体不再只是局部提效工具,而是进入研发、生产、供应链、管理和服务全链路,成为业务流程运转的关键载体。第二,从功能附加转向智能原生。新建工厂和新增产能将在规划阶段就嵌入智能体、数据空间、数字孪生和可调用控制系统,减少后期补丁式改造。第三,从单点突破转向集群聚变。多智能体围绕企业价值链、产业链协同和区域公共服务形成网络,实现单体智能无法完成的系统优化。
自动化与自适应存在本质差异。自动化解决确定性任务,把人的体力和部分技能固化为稳定程序;自适应则面向不确定变化,让系统在给定边界内自主完成感知、判断、执行和反馈。工业智能体是迈向自适应的桥梁,但自适应制造的终点不是无人,而是受控自主。常规响应可以交给系统,价值判断、目标设定、边界划定和异常兜底仍由人承担。
未来突破将沿三个方向展开。一是从办公到生产,先把数据汇总、规则核对、流程协同等数字任务做深,再逐步进入排产、质检、设备运维和工艺优化。二是从岗位到组织,通过统一协议、身份标识、技能编排和责任归属,把多个岗位智能体连接成协同网络。三是从数字到物理,依托世界模型、物理 AI 和具身智能,让智能体理解重力、摩擦、材料特性和工程约束,与机器人、产线和现场设备共同完成真实任务。
总体看,工业智能体正在重新定义工业软件、工业平台和制造组织方式。它的竞争力不取决于单个模型参数规模,而取决于能否把可信数据、工业机理、业务规则、工具系统和人的经验组织成可靠执行能力。只有在真实场景中持续验证、沉淀和复用,工业智能体才能从试点项目成长为新型工业化的核心基础设施,推动制造业从自动化稳步迈向自适应。



研报速递