這屆WAIC，工業智能體成了主角之一。幾乎所有涉足工業AI的企業都在展示智能體相關產品，但相比消費領域對于AI智能體的想象，工業企業更關注一個問題是，AI到底能不能解決生產現場長期存在的問題并帶來實質性收益。畢竟，工業客戶面對的是復雜設備、復雜工藝和復雜流程。任何新技術進入生產體系，都需要經過投資回報的驗證。

圖源：世界人工智能大會公眾號

WAIC前夕，工控網與西門子、施耐德電氣、中控技術、德州儀器進行了深入交流，自落地實效談起，一同算清這筆關乎智能體落地的經濟賬，以及各自眼中真正的行業焦慮。

先尋切入之處

從產品細探企業基因決定的落點

這屆WAIC，工業智能體的展示已經出現明顯分化，企業都在立足自身的經驗和技術積累，尋找最熟悉、最有優勢的工業環節。

國際廠商更多依托已有工業軟件和工程體系，將多年積累的工業知識轉化為智能體能力。

?西門子Eigen工程智能體是全球首批正式商用、可自主規劃并執行工業自動化工程任務的AI系統，能理解項目需求、編寫PLC代碼、完成硬件網絡配置，它解決的是自動化工程本身的效率問題。西門子在與工控網的交流中談到，工業智能體優先要進入高價值、可復制的場景，而不是從技術能力出發尋找應用。其關注的是工業全價值鏈，從產品設計、生產規劃、工程實施到生產運營和服務，每個環節都存在智能化機會，但前提是場景能夠產生明確商業價值，并具備規模化推廣條件。

?施耐德電氣關注的落點則更多集中具體工業應用場景落地上，如在工程開發、技術支持和運營優化等環節。在其看來，當前工業智能體更適合先解決大量重復性、高知識依賴的工作，例如輔助工程人員完成配置調試，以及參與設備管理等運營環節，智能體將隨著數據打通逐步參與更復雜的運營決策。本屆WAIC上，施耐德電氣從設備和能源端切入，電力管理原生智能體打通設備接入到智能診斷的全鏈條，強調讓企業從被動響應轉向主動維護。兩家國際巨頭的路徑差異在于，西門子錨定的是工程效率，施耐德錨定的是數據標準化、場景和和數據應用閉環。

本土廠商的路數更多樣，背后也呈現出較為明顯的共性，即更強調結合具體產業場景快速落地。

?中控技術認為工業智能體的應用中心錨定在生產運行參數預測預警、設備健康狀態監測、智能控制、操作優化和碳能優化等核心生產環節。扎根流程工業多年的中控技術，以工業時序數據為基石，率先推出全球首個深度融合第一性原理的可信大模型——時間序列大模型TPT。該模型基于MoE架構，經實際裝置數據定向微調，兼具可靠可信與工程適用性。以此為底座，中控技術構建了工業智能體生成平臺——中控時間序列大模型平臺TPT，該平臺依托SCOPE五大核心能力，支持工程師零代碼、低門檻地構建裝置專屬智能體，實現“識別-評估-決策-執行”全流程閉環。企業通過自身生產數據的應用即可快速適配裝置，實現智能體的低成本生成和工控系統的聯動部署，驅動流程工業全場景智能運行與自主優化。

卡奧斯選擇從工業世界模型和平臺能力切入，打造天馭工業柔性操作智能體開發平臺，并結合“數字人”布局智能體產品矩陣，覆蓋任務拆解、代碼生成、仿真驗證以及生產執行等環節，其目標是構建面向制造全過程的智能化能力。黑湖工業Agent則采取了更垂直的路徑，圍繞訂單管理這一高頻業務場景，覆蓋拆單、報價、排程、質檢和履約等流程，幫助企業應對多品種、小批量、短交期帶來的生產管理難題。可以看到，本土廠商側重于在工業數據、業務流程和具體場景中尋找AI價值落點。

另一方面，寶信軟件AIC一體化軟件的切入邏輯在于直接打通設備控制層，專注孵化各工序的AI主操智能體，能夠在復雜工序的常規生產中接管原本由人工承擔的設備主操工作，目前已經在鋼鐵冷軋多個關鍵工序實現自主運行，并拓展到化工、礦山領域。這是從管理層沉到執行層的邏輯，跟做平臺工具或強化業務系統并不同。

產品路線背后，也對應著各自對于智能體落地點的不同判斷。?德州儀器則立足底層芯片技術，從工業系統演進角度提出智能化首先會在局部優化場景中落地。類似點焊、搬運等高度重復性的應用，這類場景主要追求的是高速度、高效率與高重復精度，本質上是對既有自動化系統的能力增強。而生產核心環節，涉及電機驅動、功率控制與安全聯鎖等關鍵功能，對系統的確定性、實時性以及功能安全等級要求極高，目前仍主要依賴傳統實時控制架構來實現。

上述的每條路線背后都是企業基因決定的戰略選擇。做平臺工具的想用生態卡位，做垂直場景的用數據綁定行業，做控制層的啃最難復制的核心壁壘，做整廠的用一體化方案培養客戶黏性。

再覓根基

智能體距離普惠時代，還差什么？

工業智能體想要真正進入規模化應用，難點并不只在于模型能力。消費領域的智能體可以依靠更廣泛的用戶需求快速擴散，但工業場景需要面對復雜設備、專業知識和嚴苛的可靠性要求。從試點走向普及，中間還隔著工業知識、系統架構和工程能力的補齊。

受訪企業的判斷幾乎圍繞同一個核心邏輯，工業智能體想要真正進入規模化應用，難點在于能否把工業現場長期積累的數據、知識和工具體系轉化為智能體可以理解和執行的能力。

?西門子認為，工業場景最大的挑戰在于工業數據的復雜性。不同于互聯網領域以文本為主的數據，工業現場同時存在產品三維模型、仿真結果、控制信號、傳感器時序數據等多種類型的信息，如何將這些多模態數據融合，并建立數據之間的關聯關系，是智能體理解工業世界的基礎。

這也是為什么通用大模型很難直接解決工業問題。西門子正在推進工業基礎模型的構建，包括基于工業時序數據訓練的專有模型，通過多年積累的工業數據和領域知識，讓模型具備理解設備狀態、工藝過程和工程邏輯的能力。同時，工業智能體還需要與軟件工具、硬件系統結合，才能完成真正復雜的工業任務。西門子認為，未來工業智能體的競爭，不會只取決于模型能力，而是多模態模型、工業基礎模型、工業知識積累以及軟硬件工具鏈的綜合能力。

?施耐德電氣認為，當前企業普遍面臨的一個問題是數據治理。要支撐AI落地，關鍵在于依托開放架構，構建高質量、高時效、全覆蓋、高語義、安全合規的數據底座，推動標準先行、場景驅動、平臺支撐和組織保障協同升級。具體實踐中，企業需要利用標準化的數據平臺，基于數據洞察構建面向工業場景的AI本體架構，進一步整合行業知識庫、知識圖譜與大小模型能力。

?中控技術關注的則是智能體對工業生產過程的深層理解能力。流程工業長期面臨多重瓶頸：工藝研發周期長，項目建設推進慢，生產效率難以躍升，人力投入大、物耗能耗高等問題。若要智能體真正進入生產核心環節，首先它必須深刻認知復雜的工業過程，而這取決于其背后的基礎大模型能力。然而，通用AI雖然能夠理解文本和知識信息，但很難理解流程工業中的諸如精餾塔溫度曲線所隱含的工況演變，也無法真正掌握DCS控制系統中的運行邏輯。因此，工業智能體必須依托工業時序數據訓練專用模型，讓AI具備感知生產過程、識別運行規律的核心能力。

中控技術的智能體核心業務以時間序列大模型平臺TPT為中樞，面向工業客戶提供智能體生成、部署與運營的全生命周期服務。例如，其生產預測預警Agent在某石化乙烯裂解裝置上實現了99.79%的預測準確度，實時監控生產參數與設備狀態，精準定位異常并生成處置方案；智能控制Agent在興發集團湖北興瑞工廠可聯動產線1.5萬余個監控點位，自主識別原料成分波動、設備運行異常等風險點，系統反應速度比人工快10倍，AI可靠性超98%。

從更底層的系統架構來看，?德州儀器認為，工業智能化的發展還面臨控制架構演進的問題。傳統自動化系統依賴集中式控制，而隨著傳感器和執行設備數量增加，未來工業系統需要逐步向更加分布式的架構演進，將部分計算和決策能力下沉到邊緣。同時，工業現場大量任務對實時性和確定性要求極高，智能能力必須與實時控制系統深度結合，這也是工業智能體區別于普通AI應用的重要挑戰。

可以看出，工業智能體要實現規模化，需要重新連接工業數據、軟件工具、控制系統和行業知識。這不僅考驗模型能力，更考驗企業長期積累的工業知識、軟件平臺和現場經驗。對于工業企業而言，真正有價值的智能體，最終需要成為生產體系中的一部分，而不是停留在外圍的輔助工具。

再論商業模式

工業智能體何時進入收獲期？

工業智能體能否規模化，最終還是要回到一筆經濟賬。對于工業客戶而言，AI帶來的效率提升是否足以覆蓋投入成本，比技術能力本身更重要。

從目前行業探索來看，智能體的商業化首先取決于能否被標準化復制。?西門子的判斷是，工程領域之所以更容易形成商業模式，是因為其任務邊界相對清晰，并且依托博途等成熟的工業軟件體系，能夠將經驗沉淀為標準化能力。因此，Eigen 工程智能體（Eigen Engineering Agent）采用SaaS訂閱模式交付，客戶可以根據需求購買License，而不需要每個項目重新開發。西門子透露，在全球客戶試用中，該智能體在部分場景下可實現最高50%的效率提升，并在數月內達到投資回報平衡。

而進入生產運營環節后，商業化邏輯會更加復雜。設備管理、工藝優化、能源管理等場景雖然價值更高，但由于涉及不同工廠、不同工藝和不同運行條件，很難簡單復制。?施耐德電氣認為，工業AI真正進入收獲期，需要滿足三個條件，即從單點試點走向同類型場景復制，從輔助工具進入業務流程和數據決策相結合，并形成可量化的投資回報。

同樣在探索這條“從驗證到復制”路徑的，還有中控技術。在流程工業領域，?中控技術的TPT平臺目前已面向工業用戶免費開放試用，正式商用則采用按裝置套數計的年費訂閱制，合同以3至5年期為主、先付費后使用。從長期看，中控技術更傾向于訂閱制模式，將收入從一次性項目制轉向持續性的運營服務收費，有利于建立長期穩定的客戶關系，同時通過持續的模型優化和服務升級為客戶創造更大價值。為加速這一進程，中控技術依托TPT CAMP共創訓練營，打造“先驗后訂”的敏捷轉化路徑——客戶通過真實數據上機驗證TPT能力后，直接輸出用戶報告與實施建議，無縫銜接訂閱簽約，大幅降低決策門檻，也有效推動了工業AI訂閱服務在核心客戶群中的規模化復制。

從這些探索來看，工業智能體距離全面普及仍有距離，但商業化方向已經逐漸清晰。短期內，更容易形成閉環的是工程設計、技術支持等標準化程度較高的場景；而生產控制等高價值場景，則需要在安全性、可靠性和長期收益之間找到平衡。

尾聲

工業智能體不缺熱度，更不必焦慮

今年WAIC上工業智能體的熱度明顯超過去年。但在這場熱鬧背后，我們也感受到行業并非沒有焦慮。

焦慮來自兩個方面。一方面，企業擔心大模型應用是否會帶來高昂的算力成本；另一方面，面對制造業復雜的設備、工藝和流程，智能體如何避免陷入一次性項目開發，真正實現規模化應用。

Token消耗這件事，幾家企業的判斷基本一致。工業AI還在早期階段，本地部署是主流，算力基礎設施大多是存量資源，不存在燒Token的問題。西門子說得很直接，與其焦慮Token價格，不如想想怎么讓智能體從定制項目變成可復制的產品。中控的做法是跟浪潮信息合作推出智能一體機，把部署門檻降下來，以更快的推理速度和更低的Token成本來支撐TPT的工業化落地。

真正的難處在于工業場景的碎片化。每個工廠設備不同、工藝不同、流程不同，一套智能體換個地方可能會“水土不服”。西門子的思路是從產品定義階段就扎進場景里，先吃透再抽象，而不是抱著技術能力去找應用。

WAIC展示了工業智能體加速走向產業的一面，但熱度之外，行業仍處在探索期。如何讓AI真正理解工業、服務工業，幫助企業先行算好經濟賬，仍將是未來一段時間企業需要共同回答的問題。