《数字化转型》25年第6期刊发国家工业信息安全发展研究中心刘劲松等署名文章《工业智能体发展现状、关键技术与应用场景研究》，全文为您分享如下：

工业智能体发展现状、关键技术与应用场景研究

刘劲松1窦克勤1,2,3刘欣1宋昱光1

人工智能技术与制造业的深度融合发展，为制造业发展模式带来了持续、深刻的变革。从自动化任务处理到智能辅助决策，人工智能的应用场景不断深化、应用边界不断拓展。机器学习、深度学习等算法模型的落地应用，形成了“模型即服务”（Model as a Service，MaaS）的模式，无需用户了解算法的运行机理以及实现细节，便能够帮助企业实现数据的采集、处理、挖掘、计算、优化的闭环应用。伴随着ChatGPT、DeepSeek等大模型的爆发式发展，“模型即服务”正在加速演化为“Agent即服务”（Agent as a Service，AaaS），从个人小助理到工业场景解决方案，AI Agent已从技术概念到场景落地，开启了商用元年。

“Agent”最早起源于哲学领域，释义为“行动者”。亚里士多德提出行动者必须具备理性与目的性，人类行为的道德价值取决于行动者的意图和选择。康德提出，真正的行动者必须具备道德自律，能够根据理性法则自主行动。可见，“Agent”已具备意图、思考、行动的内涵。20世纪80年代，Marvin Minsky在《心智社会》一书中首次明确提出了人工智能领域的“Agent”概念，将思维描述为大量相互作用的智能体构成的复杂系统，每个智能体都执行特定的任务，并通过协作完成复杂的认知活动，为智能体的研究奠定了理论基础。随着人工智能技术的演进，Agent的发展历经符号智能体（Symbolic Agents）、反应型智能体（Reactive Agents）、基于强化学习的智能体（Reinforcement Learning-based agents）、迁移学习和元学习的智能体（Agents with transfer learning and meta learning）、基于大语言模型的智能体（Large language model-based agents）五个阶段。

随着大模型语言模型的引入，Agent的内涵也发生了新的变化。Google将Agent定义为一个扩展了生成式AI模型能力范围的程序，通过观察周围世界并使用可用的工具来实现其目标，包括模型、工具和编排三个组成部分。OpenAI将Agent定义为能代表用户完成多步任务的系统，利用大语言模型（Large Language Model，LLM）来管理工作流执行并做出决策，能够访问各种工具与外部系统交互，并根据工作流的当前状态动态选择适当的工具。可见，生成式人工智能为Agent带来了分析和决策能力。

制造业是实体经济的主体，是立国之本、兴国之器、强国之基。制造业高质量发展是我国经济高质量发展的重中之重。2024年，国务院常务会议审议通过《制造业数字化转型行动方案》，指出制造业数字化转型是推进新型工业化、建设现代化产业体系的重要举措。制造业数字化转型是运用数字技术对制造业研发生产全流程和产业链供应链各环节进行改造升级和价值重塑的过程，是制造业高质量发展的关键路径。工业智能体（Industrial AI Agents）作为智能体技术与行业Know-How深度融合的产物，实现对生产设备、工艺流程和物流管理等环节的智能化控制与优化，是制造业数字化转型从“信息化建设”迈向“价值创造”的关键推手。在此背景下，本文系统分析并介绍了工业智能体国内外发展现状，提出了工业智能体的类型划分，分析了工业智能体关键技术，探讨了工业智能体发展面临的挑战，并总结了工业智能体的典型应用场景。

一、工业智能体发展现状

当前，工业智能体已成为国内外学术界和产业界的研究热点，在技术攻关、应用实践方面进行了广泛的探索。

（一）国外工业智能体发展及应用

西门子、微软、弗劳恩霍夫智能分析和信息系统研究所、英伟达等学术机构和产业主体开发了相关工业智能体应用，赋能制造业全流程环节。德国工业巨头西门子推出工业AI智能体，包括交互层、决策层、执行层，并与生成式AI产品Industrial Copilot无缝集成，面向设计、规划、工程、运营、服务等领域，形成Design Copilot、Planning Copilot、Engineering Copilot、Operations Copilot、Services Copilot五类产品，实现从“辅助应答”到全流程自主决策的转变。此外，西门子构建了Xcelerator平台，用户可在平台上打造面向具体应用需求的定制化智能体矩阵。德国弗劳恩霍夫智能分析和信息系统研究所结合大语言模型，研发了控制工业机器人的智能体，无需额外编程，可以按照规划的步骤，操控机器人逐步自动执行任务。美国微软公司发布了Factory Operations Agent，使得设备操作人员、生产人员和管理人员能够通过自然语言快速洞察并优化制造流程，以提高日常制造运营中的生产效率。美国英伟达公司发布了智能体发展蓝图，开发者可以借助视觉语言模型、大语言模型等工具，构建、测试和运行能够分析大量视频和图像内容的智能体，并将其训练为不同专业领域的任务专家。

（二）国内工业智能体发展及应用

二、工业智能体分类

基于国内外工业智能体的发展现状，从功能、服务范围、部署方式三个维度，分别对工业智能体的类型进行划分。

（一）按功能划分

工业智能体按照功能划分为执行型智能体、决策型智能体和协作型智能体。

1.执行型智能体

执行型智能体主要负责业务场景中具体任务的执行，侧重于按照预设的规则或指令，直接对环境进行操作和改变。执行型智能体具有较强的感知能力，能实时获取环境信息，准确把握自身所处的状态和任务要求，同时具备高效的执行能力，可快速、准确地将决策转化为实际行动。

2.决策型智能体

决策型智能体以数据分析和决策制定为核心功能，通过对大量数据的分析、建模和推理，为系统提供决策支持，以实现特定的目标。决策型智能体拥有强大的数据分析能力，基于先进的决策算法和模型，能对来自不同渠道的数据进行整合、挖掘和分析，提取有价值的信息，根据数据分析结果制定最佳决策方案。

3.协作型智能体

协作型智能体通过通信机制与其他智能体或人进行信息交互和协调，实现资源共享、任务分配和协同工作。协作型智能体具备良好的通信能力，能与其他智能体或人进行高效、准确的信息交流，同时具有协作规划和协调能力，可根据整体任务目标，与其他个体共同制定协作计划，并在执行过程中进行实时调整和协调。

（二）按服务范围划分

工业智能体按照服务范围划分为场景级智能体、环节级智能体和产业链级智能体。

1.场景级智能体

场景级智能体是指针对特定行业/产业链中特定业务场景进行优化和决策的智能体，具有很强的场景针对性，能够深入了解特定场景的细节和特点，对场景内的各种变化和需求做出快速响应。

2.环节级智能体

环节级智能体是指负责特定行业/产业链中特定环节的智能优化和管理的智能体，通过对该环节中跨场景数据进行分析和处理，运用专业的算法和模型，为环节中跨场景的运行提供智能决策支持，以提高环节的效率、质量和可靠性。

3.产业链级智能体

产业链级智能体是指从产业链/行业的全局角度出发，对产业链上各个环节进行协同优化和资源整合的智能体，通过收集和分析产业链上的各种数据，实现产业链的智能化协同运作，提高产业链的整体效率和竞争力。

（三）按照部署方式划分

工业智能体按照部署方式划分为本地智能体、云端智能体和边缘智能体。

1.本地智能体

部署在工业现场的本地设备或服务器上，直接与本地的工业设备、传感器等进行交互的智能体，能够快速响应本地的实时数据和事件，对本地的生产过程进行实时监控和控制，具有较低的延迟和较高的可靠性。

2.云端智能体

部署在云端服务器上，通过网络与工业现场的设备和系统进行通信的智能体。云端智能体具有强大的计算和存储能力，能够处理大量的数据，并利用云端的丰富资源进行复杂的数据分析和人工智能算法训练，可实现多工厂、多设备之间的数据共享和协同管理。

3.边缘智能体

部署在工业现场边缘设备上的智能体，如工业网关、边缘服务器等。边缘智能体能够在靠近数据源的地方进行数据处理和分析，实现部分实时决策和控制，减少对云端的依赖，降低网络延迟。此外，可以将一些关键数据上传到云端进行进一步的分析和处理，实现本地与云端的协同工作。

三、工业智能体关键技术

（一）多源数据感知与融合技术

多模态感知技术：通过集成多种类型传感器，实现对工业环境、设备状态、物料特性等物理实体的多维信息采集。

数据融合技术：对来自不同来源、具有不同格式和语义的数据进行深度整合，打破“数据孤岛”，构建工业“全息图谱”，为智能分析和决策提供全面的数据支持。

（二）模型开发与优化技术

工业机理与AI融合建模：提取领域机理规则，设计混合损失函数（物理约束+数据损失），开展联合训练调优，确保决策合规。

工业大模型微调：收集行业语料（工单日志、设备手册），采用LoRA/QLoRA技术，注入领域知识提示词，训练形成面向特定应用场景的工业大模型。

知识库检索增强技术：构建工业知识库（含工艺文档、故障案例），设计语义检索算法，集成大模型生成与知识验证能力，基于用户反馈结果驱动知识更新。

（三）智能体协同与决策技术

多智能体协同控制：定义智能体角色与交互协议，构建协同控制平台支持同构/异构智能体协作，通过分布式决策与语义通信实现任务分解与资源调度。

决策与规划技术：基于强化学习和路径规划算法等，实现动态环境下的最优行动方案生成。通过构建环境状态空间与奖励函数，训练深度强化学习模型，开展多目标优化与冲突消解，实现实时仿真验证与策略迭代。

（四）数据与通信安全技术

构建“设备—网络—平台—应用”全栈安全体系，确定加密算法、认证机制；在边缘节点部署防火墙、数据加密模块，实现本地数据脱敏与访问控制；利用区块链实现智能体交互数据的不可篡改存证，从而保障工业智能体数据传输、存储与处理的安全性，避免数据泄露与恶意攻击。

四、工业智能体发展面临的挑战

我国具有雄厚的数据与算力基础、丰富的工业应用场景与完善的区域发展生态，可为工业智能体的发展提供良好的基础。但在数据保障、技术工具、供需配置、标准布局等方面仍面临以下严峻挑战。

（一）数据要素流通与安全风险双约束

数据作为工业智能体的核心生产要素，目前还存在数据流通效率与安全保障面临结构性矛盾的问题，制约了数据价值释放与产业协同创新。一是“数据孤岛”现象突出。跨企业、跨行业、跨地域的数据共享机制尚未成熟，工业设备协议不统一导致数据采集碎片化，企业内部系统间数据互通存在技术壁垒。二是数据质量参差不齐。传感器精度差异、数据标注标准化缺失及边缘端数据预处理能力不足，导致核心算法训练因数据质量问题而效能受限。三是安全合规风险高。工业数据分类分级制度尚未完善，数据跨境流动、商业秘密保护与个人信息安全等领域合规框架存在模糊地带，区块链存证、隐私计算等安全技术与工业场景融合度不足，数据流通面临“不敢共享、不愿共享”的双重制约。

（二）关键核心技术工具存在“卡脖子”问题

在工业智能体技术链中，还存在硬件、软件、算法等核心环节自主化程度低、生态体系薄弱等瓶颈，导致产业发展受制于外部技术壁垒。一是硬件技术对外依赖显著。高端工业传感器、边缘计算芯片、高精度伺服系统等核心器件国产化率不足30%，供应链稳定性受地缘政治影响较大。二是工业软件生态薄弱。研发设计类（CAD、CAE等）、生产控制类（PLC、DCS等）、运营管理类（ERP、MES等）等工业软件市场长期被国外品牌垄断，国产软件在复杂场景适配、多系统兼容性等方面存在明显短板。二是算法研发滞后于场景需求。自主创新的工业级深度学习模型、强化学习策略及数字孪生推演算法储备不足，底层架构对工业机理模型的融合能力较弱。三是低代码开发工具功能不够完善。中小企业难以通过可视化界面快速构建智能体应用，定制化开发周期长、成本高。四是测试验证环境匮乏。工业智能体在复杂工况下的可靠性验证、多智能体协同性能测试缺乏标准化平台，技术成果转化存在“最后一公里”瓶颈。

（三）标准供给滞后于产业需求

我国工业智能体标准化建设存在滞后性，缺乏统一技术规范和国际话语权，阻碍了工业智能体规模化应用与全球化布局。一是标准体系不完善。工业智能体在架构设计、接口协议、交互机制、安全认证等领域缺乏统一标准技术规范，不同厂商产品兼容性差，导致系统集成成本高企。二是关键标准存在空白。边缘智能体算力分配、云端协同决策机制、工业APP轻量化部署等新兴领域标准研制滞后，难以支撑规模化应用。三是国际规则话语权弱。在ISO/IEC、IEEE等国际标准化组织中，我国主导制定的工业智能体相关标准占比较低，核心技术专利布局滞后于美、欧、日等先发地区，在全球产业生态构建中处于被动跟随地位。

（四）市场供需错配与应用门槛高

目前，我国工业智能体市场呈现技术供给与场景需求的结构性断层，导致产业渗透率与规模化发展进程缓慢。一是中小企业部署能力弱。众多中小企业面临“不会用、用不起”的双重困境，智能化改造前期投入较大，资金不足和人才缺乏导致众多中小企业难以涉及。二是行业适配成本高。工业智能体解决方案普遍存在“大而全”问题，针对离散制造、流程工业、能源化工等细分领域的轻量化产品供给不足，定制化改造需耗费大量人力进行场景适配。三是生态协同不足。设备制造商、软件开发商、系统集成商与终端用户间存在技术壁垒，跨领域协同创新平台尚未形成有效闭环，产业链上下游资源整合效率低。四是人才供给不足。既懂工业机理又具备人工智能技术的复合型人才缺口较大，高校学科设置与产业需求错位，职业教育体系尚未建立智能化改造实操培训体系，导致企业落地应用缺乏专业人才支撑。

五、工业智能体典型应用场景

工业智能体通过感知工业现场环境，基于决策结果调用相关工具逐步实现既定目标，在研发设计、生产制造、运行维护、供应链管理和经营管理等场景中发挥重要作用。

（一）研发设计场景

需求洞察与创意启发：工业智能体凭借强大的数据挖掘与分析能力，对海量的市场数据、用户反馈、行业动态等多源信息进行深度剖析，精准提炼潜在的市场需求和用户痛点。同时，工业智能体还能为设计师提供创意启发，拓宽设计思路，打破传统设计思维定式。

工艺仿真与智能调优：工业智能体依托数字孪生技术构建的虚拟世界，对生产工艺进行高精度仿真与虚拟调优，将原本需要在实体环境中耗费大量时间和资源的试错过程前置至虚拟空间，显著降低试制成本，缩短新品上市周期。

（二）生产制造场景

智能生产调度：面对复杂多变的生产任务与有限的生产资源，工业智能体基于实时收集订单需求、设备状态、物料库存等信息，在短时间内生成最优的生产排程方案，合理安排设备加工任务顺序，确保设备利用率最大化，同时满足订单交付期限要求，实现智能生产调度。

柔性生产与自适应控制：工业智能体赋予生产系统强大的柔性生产能力，能够根据不同产品的生产工艺要求，自动调整生产设备的参数与运行模式。同时，面对生产过程中的设备故障、物料短缺等突发状况，智能体能够自适应控制调整生产策略，保障生产连续性。

（三）运行维护场景

预测性维护：工业智能体通过实时采集设备运行过程中的振动、温度、压力、电流等各类参数，对设备运行状态进行实时评估与趋势预测，提前预警潜在故障风险，使维护人员能够在设备故障发生前及时安排维护计划，更换易损部件。

故障诊断与修复：通过对故障发生前后设备运行数据的深度分析，快速准确地定位故障原因与故障部位。自动调配维修人员进行针对性维修，显著缩短故障修复时间，提高设备可用性，保障生产的顺利进行。

维护资源优化：根据设备故障预测结果、维护任务优先级以及维护人员技能水平、库存备件情况等多方面信息，制定最优的维护资源分配方案，合理安排维护人员的工作任务，优化备件库存管理，确保在满足设备维护需求的前提下，最大限度降低维护资源的浪费，提高资源维护效率。

（四）供应链管理场景

需求预测与库存管理：工业智能体通过对历史销售数据、市场趋势、季节因素、促销活动等多维度数据的深度挖掘与分析，为企业提供精准的市场需求预测，并进一步优化库存管理，根据实时库存水平、订单执行情况以及需求预测结果，自动调整库存补货点和补货量，避免缺货现象，提高客户满意度。

供应商协同与风险管理：通过工业智能体搭建起企业与供应商之间的信息共享平台，实现双方订单信息、生产进度、交货计划等关键数据的实时交互。智能体通过对供应商历史交货记录、产品质量数据、财务状况等多方面信息进行分析，评估供应商风险，并提前制定应对策略。当监测到交货延迟风险时，智能体及时寻找备选供应商或调整生产计划，有效降低供应链中断风险。

物流配送优化：综合考虑货物重量、体积、配送地址、交通路况、运输成本等因素，对物流路线、运输方式、配送时间等进行优化。同时，通过实时跟踪货物运输状态，及时处理运输过程中的异常情况，如交通拥堵、车辆故障等，确保货物按时、安全送达目的地。

（五）经营管理场景

决策支持与数据分析：工业智能体基于企业运营过程中产生的海量数据，提取有价值的信息，为管理层决策提供有力支持。将企业生产、销售、财务、人力资源等各方面数据以直观、易懂的图表形式呈现，使管理层能够实时了解企业运营状况。同时，对关键业务指标进行深度分析，预测企业未来发展趋势，为企业战略规划、投资决策、市场拓展等重大决策提供科学依据。

绩效管理与优化：依据企业战略目标和业务流程，为各部门、各岗位制定科学合理的绩效指标体系，并通过实时数据采集与分析，对员工和部门的工作绩效进行动态评估。基于绩效评估的结果，工业智能体为企业提供针对性的绩效优化建议，帮助企业发现运营过程中的短板与不足，优化业务流程，提升员工工作效率，从而全面提升企业整体绩效水平。

风险管理与合规监测：工业智能体通过实时监测市场动态、行业政策法规变化以及企业内部运营数据，对各类风险进行实时预警与评估。同时，对企业运营过程中的合规性进行监测预警，确保企业各项业务活动符合相关政策法规要求，避免因违规行为带来的法律风险。

六、总结与展望

工业智能体作为工业领域数字化、网络化、智能化转型的核心载体，已在技术、应用、产业生态方面取得显著进展，但仍面临诸多挑战。通过技术创新突破关键技术瓶颈、应用推广拓展场景覆盖范围、产业生态完善提升协同发展能力，工业智能体有望成为推动新型工业化发展的核心驱动力。未来，工业智能体将朝着自主智能决策、人机深度融合方向发展，重塑工业生产模式与产业生态，助力我国制造业高质量发展。

作者简介

刘劲松，国家工业信息安全发展研究中心工程师，工学博士，研究方向：工业数字孪生、智能制造、工业互联网等；

窦克勤（通信作者），国家工业信息安全发展研究中心标准所副所长，中国科学院科技战略咨询研究院博士在读，研究员，研究方向：两化融合、数字化转型、数字化供应链标准化；

刘欣，国家工业信息安全发展研究中心标准所标准一室副主任，工程师，硕士，研究方向：两化融合、数字化转型、工业互联网、云制造；

宋昱光，国家工业信息安全发展研究中心标准所工程师，硕士，研究方向：数字化转型及数字化供应链标准化。