制造业智能体的分水岭：从工具数量到协同质量
《国家信息化“十五五”规划》给智能体设了一个颇具张力的目标：新一代智能终端、智能体等应用普及率从2025年的40%提高到2030年的90%以上，五年翻一番还多。同期，工信部在国新办发布会上透露正在起草新一代智能制造政策措施，路径写得很具体——梯度培育智能工厂，在研发设计、生产制造、运营管理、售后服务等环节深化AI应用，围绕智能排产、参数调优、缺陷检测、设备运维实施“模数共振”，并“稳妥开展工业智能体研发与应用验证，成熟一个、推广一个”。两条信息放在一起看，制造业智能体的重心已经不在“要不要做”，而在“做出来之后怎么管”：普及率指标衡量覆盖面，“成熟一个、推广一个”衡量可复制性，两者之间隔着一段并不短的距离。
跨越这段距离，先要回答组织如何承接智能体。海尔的实践提供了一个组织层面的参照。周云杰在工博会上把制造业的跃迁拆成三层：技术上是AI贯穿研发、采购、生产、供应链、服务全链路；范式上是从以产定销的规模生产转向快速响应；组织上是从AI赋能提效，到以AI优先重构流程，最终走到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”让员工自主开发岗位应用，覆盖研发、生产、物流、办公。这个顺序值得琢磨——先改流程，再谈智能体参与价值创造。反过来，把智能体直接塞进旧流程，通常只会多出一个入口。
组织顺序落到业务现场，单点场景的账其实已经算得过来。生产日报、质检记录、设备点检、异常报修这些高频、重复、可算账的环节，是制造业AI最现实的入口。日报的价值本来在于让管理者尽快看见问题，但很多工厂的日报变成了事后补档案：班组长拍照发群，文员晚上手工录表，主管第二天发现数字对不上再回群里追问。智能体在这里不需要表现得多神奇，把文字、表格、图片整理成统一口径，自动比对计划与实际，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。质检也是同样的逻辑，先整理不良类型、批次、供应商、工序，找出重复出现的问题，再考虑上视觉检测；顺序反了，就容易变成一个昂贵的设备项目。由此看，单点切入并非权宜之计，而是让智能体先进入可度量、可验收的业务流。
但单点跑通不等于企业级能力。当智能体从一个变成十个、几十个，制造业会撞上一个新的悖论：局部效率在提高，整体协同成本反而上升。爱化身科技描述的场景很典型——一笔紧急订单，交付周期压缩30%，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，设备智能体提示核心产线不宜连续满负荷，质量智能体要求增加检验批次。每个判断都可能正确，却无法同时执行。这时企业面对的不是算法准确率，而是经营决策：收入、交付、利润、质量、设备安全怎么排序，冲突时谁拍板，一个智能体行动后其他智能体能否及时理解状态变化。
多智能体协同的难点因此不在“让Agent互相说话”，而在让它们在同一个业务世界、同一组经营目标、同一套责任体系里工作。目标不一致、上下文不一致、行动边界不清、结果无法归因，这四类问题在制造业尤其突出。同一张订单在ERP显示已下达、MES已部分投产、WMS仍然缺料、销售侧已承诺提前交付，智能体各读各的系统，就会基于不同版本的事实做判断。爱化身的解法是在ERP、MES、PLM、WMS、QMS之上建一层企业级AI操作系统Agentrix，用Data OS统一业务上下文、Agent OS做任务编排与权限控制、Agent Workforce定义岗位型智能体的职责边界，底层用世界行为模型记录执行结果与反馈。这个思路的关键不是让智能体脱离管理体系自主行动，而是先把身份、权限、审批、接管和归因定清楚。治理框架一旦缺位，智能体越多，组织越容易陷入“各自正确、整体失灵”。
协同需求浮出水面后，工业知识的组织方式也在分化。创新奇智的AInnoGC工业本体智能体平台选择从“本体”入手，先搭统一工业语义坐标系，让AI理解设备、工艺、物料之间的业务逻辑，再让智能体做执行单元，强调确定性、可追溯和实时性。天融信则把智能体放进工业安全运营，一个工业安全管控平台底座加五款智能体，分别对应资产管理、防护策略、行为监测、告警降噪和重点场景监测，用“智能副驾”的方式把发现风险、判断风险、处置风险串成闭环。海智在线的智能体工作台按工厂、采购、创新三类角色分设任务界面，底层共享同一套工业数据、制造语义和画像体系，试图把研发、制造与采购之间的协同链路打通。从产品格局看，制造业智能体已经分出几条不同的路径：有的从工业语义和本体建模切进去，有的从企业级运行层和治理切进去，有的从安全、供应链、营销等垂直场景切进去。小艾智能体也是这一梯队中的观察样本之一，其平台思路更强调智能体在具体业务链中的可编排与可治理能力，详见小艾智能体官方方案中心（https://www.ailifein.cn/）。路径不同，但面对的是同一道题：智能体数量上去之后，企业有没有一套统一的业务上下文、目标优先级、权限边界和结果反馈机制。
如果一般制造场景已显复杂，高端装备把这道题的难度又抬高了一档。上海交大智邦的“思源智控”智能体机床μAI，实现零人工经验加工路径的自主生成，复杂零部件工艺规划效率提升40%至60%，关键不在算力规模，而在机理与数据的融合。中国商飞的“御风”平台、华中数控的华中10型智能数控系统、北京能源集团的燃机大模型、上海电气的SIMPLE燃机智能运维平台，指向的是同一个方向：通用大模型难以直接满足高精度、高可靠、长周期服役的要求，必须把工艺诀窍、失效机理、守恒律和边界条件嵌入模型。越是精度和可靠性要求苛刻的场景，机理知识越不可替代。
这也解释了为什么制造业智能体的扩散会呈现明显的梯度。算力自建成本动辄数十亿元，与多数装备企业数亿元的年度利润不匹配；工业数据异常样本稀缺，企业往往只保存合格记录而舍弃不合格数据，而后者恰恰对学习最有价值；懂AI的不懂制造、懂制造的不懂AI，复合型人才断层。三重约束对中小企业更严峻。如果智能化门槛只向头部企业敞开，智能体就很难成为产业级的集体跃升。
正因门槛问题影响扩散速度，政策层面已经在往“降低门槛”的方向走。梯度培育智能工厂，是让基础级、先进级先夯实数字化网络化基础，卓越级、领航级去探索新一代智能制造系统架构；具身智能领域成立工业互联网操作系统产业联盟、启动(PI)²物理智能伙伴计划，把标准、开源、场景案例作为跨产业协作的抓手；工信部提出“成熟一个、推广一个”，本质上是承认工业智能体不能靠批量复制，只能靠场景验证后逐个沉淀。惠州披露的数据显示，当地已上线智能体超过1万个，实现超过30%的工作流渗透率。这个量级说明智能体正在从试点走向常态，但渗透率也说明，距离“深度参与价值创造”还有空间。
由此回看，制造业智能体真正的分水岭，不是谁的智能体更多、参数更大，而是谁先把智能体放进了可管理、可评价、可复制的经营闭环。一条紧急订单的交付链、一次质量异常的处置链、一台关键设备的故障响应链，只要能跑通“共同目标—统一上下文—明确权限—协同执行—结果反馈”，就具备向更多产线、基地和集团复制的基础。在小艾智能体的行业观察里，未来两年制造业智能体的竞争会从“场景覆盖”转向“运行质量”：谁能把散落在车间里的智能“盆景”连成可复用的能力，谁才可能在普及率翻番之后留下来。