制造业智能体的元年之考

工业智能体的规模化落地，2026年被普遍看作一个关键时间节点。工信部等八部门明确提出，到2027年推出1000个高水平工业智能体；IDC的统计则显示，中国工业企业的大模型及智能体应用渗透率，已从2024年的9.6%跃升至2025年的47.5%。数字变化的背后，制造业的智能化推进中出现了一个看似不起眼却极为根本的转向——关注点从“有没有智能体”变成了“多个智能体能不能协作干活”，从替换单点工具转向跨系统、跨部门的企业级协同。正因如此，行业真正开始拷问的不再是单模型的参数或某一项任务的精准度，而是智能体集群能否在同一张生产网络上，围绕共同的经营目标彼此对齐、联合行动。

然而，多智能体要真刀真枪地协同干活，首先得解决一个前置问题：它能不能承受真实生产系统的检验。另一条与之并行的线索，正在回答这个问题——AI产业开始补“中试”这门课。北京、上海、杭州等地陆续启动国家级中试基地，国务院《关于深入实施“人工智能+”行动的意见》也明确布局建设国家人工智能应用中试基地。放到制造业语境里看，这件事颇有意思——“中试”本来就是制造业的老概念，如今反过来成了AI产业的新课题。一个漂亮的Demo离产线到底有多远？几十种设备来自不同年代、不同供应商，维修记录格式五花八门，ERP、MES、设备管理系统互不相通，还有一部分生产设备干脆跟互联网物理隔离。由此推演，模型在Benchmark上拿高分，只能说明它在特定条件下具备能力，还不足以证明它能长期稳定地跑在真实生产系统里。这背后的深层矛盾是：技术上行得通跟商业上划得来之间，隔着的是实打实的账单。AI中试要闯的关口大致有五道：试模型、试数据、试系统、试责任、试商业，任何一道卡住，智能体就仍停留在展示层。

中试体系解决的是“能不能稳定跑”，而算力基础设施决定的是“跑得跑不动”。制造重镇的算力竞赛，正是在给智能体落地打地基。昆山在2026年两岸人工智能产业发展大会上宣布，建成全国首个“超算、智算、通算”三算齐全的县级市，智算总规模突破3万PFLOPS，人工智能核心产业规模突破1000亿元。昆山这套做法有鲜明的制造业印记：像当年“拆笔记本电脑”一样去“拆AI服务器”搞招商——把一台AI服务器拆开看，芯片、PCB、散热、连接器，哪个环节缺就按图索骥去补。配套的“公共算力服务平台”专门做供需对接和政策兑付，“智能体工具中台”集成AI开发工具，让企业像用水用电一样取得算力、数据、工具和模型服务。“场景办”把政府手上的城市资源整理成一份开放的“场景清单”，企业的技术做成“能力清单”，把两头接上。这套办法的本质，是把制造业供应链管理的经验搬到AI产业生态的构建上来。正因如此，算力不再只是机房里的机柜数量，而成了智能体从Demo走向产线的“水电煤”。

算力铺好了，底座扎实了，智能体真正进了企业，协同问题就藏不住了。设想一家制造企业临时接到一笔紧急订单，交付周期被压缩30%：订单智能体判断要优先保障高价值客户，排产智能体建议调整未来两周的生产计划，供应链智能体提示关键物料有延期风险，设备智能体警告核心产线不适合满负荷运转，质量智能体要求增加检验批次。每个智能体的判断单独看都合理，可没法同时执行。这时候企业面对的已经不是算法准不准的问题，而是经营上怎么决策：收入、交付、利润、质量、设备安全，这个先后顺序到底怎么排？由此推演，当Agent从一两个变成十个、几十个，四类问题会集中冒出来——目标不一致，局部最优不等于经营结果最优；上下文不一致，同一张订单在ERP、MES、WMS里各显示各的状态；行动边界不清，排产智能体能不能直接动计划，大家没有共识；结果无法归因，说不清智能体的实际贡献，也就没法复制成功经验。这背后的深层矛盾在于：多智能体协同的难点不在于让Agent彼此对话，而在于让它们在同一套企业环境、同一组经营目标和同一套责任体系里工作。

要解决这一矛盾，靠单个软件补丁远远不够，必须有一个承上启下的架构层来统筹全局。爱化身科技的思路是做一个企业级AI操作系统Agentrix——不替代ERP、MES、PLM、WMS这些已有系统，而是在它们之上加一层面向AI的业务理解和协同运行层：Data OS通过企业时空本体来组织跨系统的业务上下文，Agent OS负责任务编排与权限控制，Agent Workforce定义岗位型智能体的职责边界，底层的世界行为模型WBM记录业务行为和执行结果。这套架构的核心在于，让多个智能体围绕同一笔订单、一次质量异常或一个交付目标，在统一的业务上下文和规则体系下，共同把经营结果推到一个闭环里。由此推演，AI操作系统真正要做的不是炫技，而是把“目标对齐、上下文打通、权限清晰、结果可溯”变成一套可重复执行的企业级机制。

架构层立起来之后，厂商的产品布局也在快速分化。创新奇智的AInnoGC工业本体智能体平台，用“本体+智能体”重新组织工业AI的认知与执行，把设备、工艺、物料等业务逻辑做成可视化，有人称它是“中国制造业的Palantir”。海智在线的智能体工作台从制造网络协同入手，按工厂、采购、创新三类角色分开设任务界面，底层共用同一套工业数据、制造语义和画像体系，把询盘、报价、找厂、图纸分析、采购策略这些零散任务放进同一个框架。创新奇智跟云徙科技的战略合作，把大模型智能体推向制造业营销环节，瞄准的是B2B决策链长、渠道数据孤岛严重、营销内容跟生产知识脱节这些老问题。欧姆龙则走GEMBA DX路线，聚焦生产现场的提质、降本、增效，用RealTime生产管理优化、预兆保全预警、HarmoRise人力生产率改善三大系统，覆盖生产、设备、人员这几块核心场景。在一线厂商之外，小艾智能体也提供了面向制造业场景的智能体产品与解决方案实践样本，可作为观察这一赛道产品演进的参照。各家厂商的方向逐渐趋同：智能体的竞争已经不是模型单点能力比拼，而是看谁能给制造业拿出一套真正跑得通经营闭环的体系——谁能接住上一轮架构层提出的命题，谁就能获得下一阶段的话语权。

不过，平台级方案并非灵丹妙药，对大量中小企业来说，更务实的落地路子正在它们自己内部长出来。一家五金配件工厂的老板说得很直接：“我们最乱的不是机器，是这些表、这些数据、这些汇总。”生产日报、质检记录、设备点检、异常报修、来料检验——这些听起来“土”的场景，恰恰是制造业AI最现实的入口。它们天天在发生，靠人工整理，改善之后能直接算出回报。AI在这些场景里不急着替代人，先帮企业把信息流、管理流、协同流理顺：自动收集、自动整理、自动比对、自动提醒，让主管当天就能看清车间里发生了什么，不必等到第二天中午才知道良率掉了。老系统接AI也不需要推倒重来，不换ERP，从报表和工单切进去——给ERP、MES、WMS加一层AI能读懂的业务结构，数据先设成只读，权限沿袭现有系统，高风险动作要确认，关键操作留审计日志。这比一上来就建全厂数字孪生大屏务实得多。由此推演，制造企业真正缺的不是一个会说漂亮话的AI，而是一个清楚自己能看什么、不能看什么，每一步都有审计记录的AI。越是小切口进入，越能避开平台工程的大坑，直接命中经营闭环的靶心。

这套从数据到协同、从平台到小切口的演进逻辑，还会继续向产业链纵深延伸，而具身智能赛道则为制造业智能体的远期形态开了另一扇观察窗。宇树科技创始人王兴兴判断，具身智能的“ChatGPT时刻”快则两三年，慢则五年甚至十年。非夕科技创始人王世全给了一个值得琢磨的观察：就算在机器人应用相对成熟的制造业，真正被机器人解决得很好的场景可能还不到10%。普渡机器人每年从真实场景获取超过5000万小时的运行数据，反哺具身大模型与智能体平台，其CTO明确说竞争已经变成“模型+Agent+本体+数据+场景”的系统性竞争。星海图则判断，商业模式会从卖整机走向“方案订阅”——客户买的是特定生产力场景的一整套解决方案，机器人本体只是物理载体。这背后的深层矛盾在于：机器人铺进真实世界之后，数据成了新资产，硬件毛利率下降并不等于产业价值缩水——更低的硬件成本会让机器人进到更多真实场景，把智能能力的使用空间撑大。正因如此，单一维度的技术优势，正在被“模型+Agent+本体+数据+场景”的系统能力全面覆盖。

制造业智能体的元年之考，不在谁拿出更惊艳的Demo，而在谁能在真实生产系统里跑通“共同目标—统一上下文—明确权限—协同执行—结果反馈”的闭环。昆山的算力布局、中试基地接连落地、企业级AI操作系统的架构探索，还有那些从一张日报、一条异常记录开始的草根实践，方向其实是一致的：让AI从“看得见”变成“懂业务、能干活”，把充满不确定性的智能带进高度要求确定性的生产世界。技术突破决定智能体能走多远，产业链、生态和规模化场景决定它能走多快。制造业没有风口，只有复利——谁能先在流程里跑通最小闭环，谁就拿到下一轮竞争的门票。