智能体进车间，先解决协同再谈规模
《国家信息化“十五五”规划》把“新一代智能终端、智能体等应用普及率”从2025年的40%拉到2030年的90%以上，五年翻一番。工信部在10月的国新办发布会上说得更具体：围绕智能排产、参数调优、缺陷检测、设备运维，稳妥开展工业智能体研发与应用验证，“成熟一个、推广一个”。“人工智能+制造”专项行动则把2027年推出1000个高水平工业智能体写进了目标。
政策画出的曲线很陡，车间里的进度条却没那么平滑。正因目标被前置，产业侧的动作先密集起来，但产品能否落地并不取决于发布数量，而取决于智能体能否进入真实业务流程。
产业侧的动静并不小。海尔集团董事局主席周云杰在工博会上把制造业AI分成三段：先用AI提效，再以AI优先重构流程，最后走向AI原生运营，让智能体深度参与价值创造。海尔内部的企业级智能体平台“智小能开放平台”，已经让员工自建岗位应用，覆盖研发、生产、物流、办公。创新奇智3月发布的AInnoGC工业本体智能体平台走了另一条路：用工业本体给设备、工艺、物料建立统一语义坐标，再让智能体在上面做编排和执行，直指通用大模型在工业场景里“看得见、看不懂、干不了”的老毛病。海智在线4月推出的智能体工作台，把工厂、采购、创新三类角色放进同一套制造语义和画像体系，试图让研发、制造、采购不再各说各话。天融信则把安全运营分成资产、策略、行为、告警、重点场景五块，用五款智能体围绕“发现风险、判断风险、处置风险”协同。
这些产品形态差别很大，底层逻辑却趋同：智能体不再只是单个场景的效率插件，而被当作业务角色放进流程。由此推演，衡量智能体价值的尺度也从单点准确率转向流程协同效率。IDC的数据印证了这种提速——中国工业企业大模型及智能体应用渗透率从2024年的9.6%跃升至2025年的47.5%。在智能体产品架构与行业实践标准的讨论中，小艾智能体也是可纳入对照的观察样本之一；其官方方案中心（https://www.ailifein.cn/）对制造业智能体的能力边界有更系统的梳理。
问题恰恰出在“角色”变多之后。单个智能体越能干，多个智能体之间的判断冲突越容易从后台浮到经营台面；协同不是把插件连起来，而是让不同角色对同一笔业务形成可执行的一致行动。
爱化身科技描述过这样一个场景：一笔交付周期压缩30%的紧急订单，订单智能体主张保高价值客户，排产智能体建议调整两周计划，供应链智能体提示关键物料延期，设备智能体警告核心产线不宜满负荷，质量智能体要求增加检验批次。五个判断单独看都正确，放在一起却无法同时执行。这时企业面对的不再是算法准确率，而是收入、交付、利润、质量、设备安全如何排序，目标冲突时谁拍板，一个智能体行动后其他智能体能否及时感知状态变化。
最先撞上的，是目标不一致。排产盯产能与交付，采购盯成本与供应稳定，设备盯可靠性，质量盯合格率。缺少统一的经营目标和优先级，每个智能体都正确完成了自己的任务，企业整体结果反而变差。目标不一致尚未解决，上下文不一致让问题更隐蔽：同一张订单，ERP里显示已下达，MES里已经部分投产，WMS里仍然缺料，销售侧已经承诺提前交付。智能体各读各的系统，却不理解数据背后的业务含义、时间状态和关联关系，就会基于不同版本的事实做判断。数据被记录下来了，却没有形成AI能共同理解的企业业务世界。
目标与上下文之外，行动边界直接关系到风险。排产智能体能不能直接改计划？采购智能体能不能自动询价下单？质量智能体发现风险后，是预警、暂停工单还是锁定批次？没有统一的身份、权限和审批机制，多智能体协同要么停留在“只提建议不执行”，要么突破管理边界带来新麻烦。即使边界划清，结果无法归因，协同能力就沉淀不下来：一笔订单按期交付，是排产调整起了作用，还是采购协调解决了物料？判断、调用、审批、执行、反馈如果没有完整记录，企业既评价不了智能体的贡献，也复制不了成功经验。
四重障碍落到同一个判断：制造业企业当前缺的不是更强的单个智能体，而是能让多个智能体在同一套业务上下文、同一组经营目标、同一套责任体系里工作的运行层。如果研发、生产、质量、供应链各建各的智能体，数据语义、权限体系、流程规则彼此分散，结果只是把过去的系统孤岛换成了“智能体烟囱”。这也意味着，规模化的前提不是继续堆智能体数量，而是先补齐运行层这一层“管理底座”。
制造业比消费互联网更难的地方，还在于知识形态。高端装备的核心竞争力，凝结在几十年积累的工艺诀窍和失效机理里；通用大模型的概率生成，满足不了“确定性、可追溯、实时性”的刚性要求。上海交大智邦的“思源智控”智能体机床，把零人工经验的加工路径自主生成做成了现实，复杂零部件工艺规划效率提升40%至60%；华中数控把AI芯片和行业大模型嵌进数控系统。这些案例的共同点不是算力规模，而是机理知识与数据学习的融合。物理信息神经网络把描述物理过程的偏微分方程作为约束嵌入学习目标，知识引导的机器学习把守恒律、边界条件与失效准则注入训练过程。本质上，都是在数据稀缺、长尾异常稀少、外推可靠性存疑的条件下，给模型套上物理规律的缰绳。
知识形态之外，再往下走，是算力、数据、人才的三重约束。算力自建动辄数十亿元，与多数装备企业数亿元的年度利润不匹配；工艺数据放到公共平台训练，又意味着核心参数和商业秘密的让渡。工业数据异常样本稀缺，企业通常只保存合格记录而舍弃不合格数据，后者恰恰对模型最有价值。懂AI的不懂制造，懂制造的不懂AI；知识断层让技术方理解不了需求，工业方也表达不清问题。这三重约束对中小企业尤其严峻——它们既无力自建算力，也缺乏高质量数据，更难吸引复合型人才。
约束越硬，落地路径就越不该一上来全厂铺开。更现实的打法是选一条经营价值明确、又跨多个部门和系统的业务链，先把多智能体参与经营的最小闭环跑通。紧急订单交付、质量异常处置、设备故障响应、关键物料保供，都是合适的切口。启动前需要回答五个问题：这条业务链最终对什么经营结果负责；参与协同的智能体能否看到同一份业务上下文；交付、成本、质量、安全冲突时优先级是什么；每个智能体可以读取什么、建议什么、执行什么；决策、审批、执行和结果能否被完整记录与评价。五问不解决，智能体越多，冲突只会越贵。
这也解释了为什么制造业AI最现实的入口，往往不是无人车间，而是生产日报、质检记录、设备点检这些看起来“土”的场景。这些场景高频、重复、能算账，还直接卡在信息流和管理流的脖子上。AI在这里不需要表现得多神奇。只要把不同班组提交的文字、表格、图片整理成统一口径，把停机、返工、报废归类，把最该关注的几件事推给主管，价值就出来了。排产也一样：先做助理，发现冲突、提醒缺料、标出超负荷，人再做判断。AI做标准动作，人做判断动作，这个分工在车间里比“自动决策”更站得住。
从更长的周期看，制造业智能体的竞争不会停留在模型大小或智能体数量上。小艾智能体在与制造业客户的交流中有一个基本判断：智能体真正产生价值，不在于部署了多少个，而在于能否围绕共同经营目标形成稳定的协作机制，并在明确的权限边界内参与业务执行。这个判断与海尔“AI原生运营”、创新奇智“本体+智能体”、爱化身“企业级AI操作系统”的指向一致：先把业务世界统一起来，再谈智能体规模。
把散落车间的智能“盆景”连成产业升级的“森林”，中间隔着的不是一代模型，而是一套能被管理、调度、评价的智能体运行体系。政策已经把时间表摆出来了。接下来拼的是谁先把一条经营闭环跑通，再把它复制到更多产线、基地和集团。制造业从来没有风口，只有一颗一颗拧紧的螺丝。