芯耀
与非AI
219
这届WAIC，工业智能体成了主角之一。几乎所有涉足工业AI的企业都在展示智能体相关产品，但相比消费领域对于AI智能体的想象，工业企业更关注一个问题是，AI到底能不能解决生产现场长期存在的问题并带来实质性收益。毕竟，工业客户面对的是复杂设备、复杂工艺和复杂流程。任何新技术进入生产体系，都需要经过投资回报的验证。
WAIC前夕，工控网与西门子、施耐德电气、中控技术、德州仪器进行了深入交流，自落地实效谈起，一同算清这笔关乎智能体落地的经济账，以及各自眼中真正的行业焦虑。
先寻切入之处：从产品细探企业基因决定的落点
这届WAIC，工业智能体的展示已经出现明显分化，企业都在立足自身的经验和技术积累，寻找最熟悉、最有优势的工业环节。
国际厂商更多依托已有工业软件和工程体系，将多年积累的工业知识转化为智能体能力。
▶西门子Eigen工程智能体是全球首批正式商用、可自主规划并执行工业自动化工程任务的AI系统，能理解项目需求、编写PLC代码、完成硬件网络配置，它解决的是自动化工程本身的效率问题。西门子在与工控网的交流中谈到，工业智能体优先要进入高价值、可复制的场景，而不是从技术能力出发寻找应用。其关注的是工业全价值链，从产品设计、生产规划、工程实施到生产运营和服务，每个环节都存在智能化机会，但前提是场景能够产生明确商业价值，并具备规模化推广条件。
▶施耐德电气关注的落点则更多集中具体工业应用场景落地上，如在工程开发、技术支持和运营优化等环节。在其看来，当前工业智能体更适合先解决大量重复性、高知识依赖的工作，例如辅助工程人员完成配置调试，以及参与设备管理等运营环节，智能体将随着数据打通逐步参与更复杂的运营决策。本届WAIC上，施耐德电气从设备和能源端切入，电力管理原生智能体打通设备接入到智能诊断的全链条，强调让企业从被动响应转向主动维护。两家国际巨头的路径差异在于，西门子锚定的是工程效率，施耐德锚定的是数据标准化、场景和和数据应用闭环。
本土厂商的路数更多样，背后也呈现出较为明显的共性，即更强调结合具体产业场景快速落地。
▶中控技术认为工业智能体的应用中心锚定在生产运行参数预测预警、设备健康状态监测、智能控制、操作优化和碳能优化等核心生产环节。扎根流程工业多年的中控技术，以工业时序数据为基石，率先推出全球首个深度融合第一性原理的可信大模型——时间序列大模型TPT。该模型基于MoE架构，经实际装置数据定向微调，兼具可靠可信与工程适用性。以此为底座，中控技术构建了工业智能体生成平台——中控时间序列大模型平台TPT，该平台依托SCOPE五大核心能力，支持工程师零代码、低门槛地构建装置专属智能体，实现“识别-评估-决策-执行”全流程闭环。企业通过自身生产数据的应用即可快速适配装置，实现智能体的低成本生成和工控系统的联动部署，驱动流程工业全场景智能运行与自主优化。
卡奥斯选择从工业世界模型和平台能力切入，打造天驭工业柔性操作智能体开发平台，并结合“数字人”布局智能体产品矩阵，覆盖任务拆解、代码生成、仿真验证以及生产执行等环节，其目标是构建面向制造全过程的智能化能力。黑湖工业Agent则采取了更垂直的路径，围绕订单管理这一高频业务场景，覆盖拆单、报价、排程、质检和履约等流程，帮助企业应对多品种、小批量、短交期带来的生产管理难题。可以看到，本土厂商侧重于在工业数据、业务流程和具体场景中寻找AI价值落点。
另一方面，宝信软件AIC一体化软件的切入逻辑在于直接打通设备控制层，专注孵化各工序的AI主操智能体，能够在复杂工序的常规生产中接管原本由人工承担的设备主操工作，目前已经在钢铁冷轧多个关键工序实现自主运行，并拓展到化工、矿山领域。这是从管理层沉到执行层的逻辑，跟做平台工具或强化业务系统并不同。
产品路线背后，也对应着各自对于智能体落地点的不同判断。
▶德州仪器则立足底层芯片技术，从工业系统演进角度提出智能化首先会在局部优化场景中落地。类似点焊、搬运等高度重复性的应用，这类场景主要追求的是高速度、高效率与高重复精度，本质上是对既有自动化系统的能力增强。而生产核心环节，涉及电机驱动、功率控制与安全联锁等关键功能，对系统的确定性、实时性以及功能安全等级要求极高，目前仍主要依赖传统实时控制架构来实现。
上述的每条路线背后都是企业基因决定的战略选择。做平台工具的想用生态卡位，做垂直场景的用数据绑定行业，做控制层的啃最难复制的核心壁垒，做整厂的用一体化方案培养客户黏性。
再觅根基：智能体距离普惠时代，还差什么？
工业智能体想要真正进入规模化应用，难点并不只在于模型能力。消费领域的智能体可以依靠更广泛的用户需求快速扩散，但工业场景需要面对复杂设备、专业知识和严苛的可靠性要求。从试点走向普及，中间还隔着工业知识、系统架构和工程能力的补齐。
受访企业的判断几乎围绕同一个核心逻辑，工业智能体想要真正进入规模化应用，难点在于能否把工业现场长期积累的数据、知识和工具体系转化为智能体可以理解和执行的能力。
▶西门子认为，工业场景最大的挑战在于工业数据的复杂性。不同于互联网领域以文本为主的数据，工业现场同时存在产品三维模型、仿真结果、控制信号、传感器时序数据等多种类型的信息，如何将这些多模态数据融合，并建立数据之间的关联关系，是智能体理解工业世界的基础。
这也是为什么通用大模型很难直接解决工业问题。西门子正在推进工业基础模型的构建，包括基于工业时序数据训练的专有模型，通过多年积累的工业数据和领域知识，让模型具备理解设备状态、工艺过程和工程逻辑的能力。同时，工业智能体还需要与软件工具、硬件系统结合，才能完成真正复杂的工业任务。西门子认为，未来工业智能体的竞争，不会只取决于模型能力，而是多模态模型、工业基础模型、工业知识积累以及软硬件工具链的综合能力。
▶施耐德电气认为，当前企业普遍面临的一个问题是数据治理。要支撑AI落地，关键在于依托开放架构，构建高质量、高时效、全覆盖、高语义、安全合规的数据底座，推动标准先行、场景驱动、平台支撑和组织保障协同升级。具体实践中，企业需要利用标准化的数据平台，基于数据洞察构建面向工业场景的AI本体架构，进一步整合行业知识库、知识图谱与大小模型能力。
▶中控技术关注的则是智能体对工业生产过程的深层理解能力。流程工业长期面临多重瓶颈：工艺研发周期长，项目建设推进慢，生产效率难以跃升，人力投入大、物耗能耗高等问题。若要智能体真正进入生产核心环节，首先它必须深刻认知复杂的工业过程，而这取决于其背后的基础大模型能力。然而，通用AI虽然能够理解文本和知识信息，但很难理解流程工业中的诸如精馏塔温度曲线所隐含的工况演变，也无法真正掌握DCS控制系统中的运行逻辑。因此，工业智能体必须依托工业时序数据训练专用模型，让AI具备感知生产过程、识别运行规律的核心能力。
中控技术的智能体核心业务以时间序列大模型平台TPT为中枢，面向工业客户提供智能体生成、部署与运营的全生命周期服务。例如，其生产预测预警Agent在某石化乙烯裂解装置上实现了99.79%的预测准确度，实时监控生产参数与设备状态，精准定位异常并生成处置方案；智能控制Agent在兴发集团湖北兴瑞工厂可联动产线1.5万余个监控点位，自主识别原料成分波动、设备运行异常等风险点，系统反应速度比人工快10倍，AI可靠性超98%。
从更底层的系统架构来看，▶德州仪器认为，工业智能化的发展还面临控制架构演进的问题。传统自动化系统依赖集中式控制，而随着传感器和执行设备数量增加，未来工业系统需要逐步向更加分布式的架构演进，将部分计算和决策能力下沉到边缘。同时，工业现场大量任务对实时性和确定性要求极高，智能能力必须与实时控制系统深度结合，这也是工业智能体区别于普通AI应用的重要挑战。
可以看出，工业智能体要实现规模化，需要重新连接工业数据、软件工具、控制系统和行业知识。这不仅考验模型能力，更考验企业长期积累的工业知识、软件平台和现场经验。对于工业企业而言，真正有价值的智能体，最终需要成为生产体系中的一部分，而不是停留在外围的辅助工具。
再论商业模式：工业智能体何时进入收获期？
工业智能体能否规模化，最终还是要回到一笔经济账。对于工业客户而言，AI带来的效率提升是否足以覆盖投入成本，比技术能力本身更重要。
从目前行业探索来看，智能体的商业化首先取决于能否被标准化复制。
▶西门子的判断是，工程领域之所以更容易形成商业模式，是因为其任务边界相对清晰，并且依托博途等成熟的工业软件体系，能够将经验沉淀为标准化能力。因此，Eigen 工程智能体（Eigen Engineering Agent）采用SaaS订阅模式交付，客户可以根据需求购买License，而不需要每个项目重新开发。西门子透露，在全球客户试用中，该智能体在部分场景下可实现最高50%的效率提升，并在数月内达到投资回报平衡。
而进入生产运营环节后，商业化逻辑会更加复杂。设备管理、工艺优化、能源管理等场景虽然价值更高，但由于涉及不同工厂、不同工艺和不同运行条件，很难简单复制。
▶施耐德电气认为，工业AI真正进入收获期，需要满足三个条件，即从单点试点走向同类型场景复制，从辅助工具进入业务流程和数据决策相结合，并形成可量化的投资回报。
同样在探索这条“从验证到复制”路径的，还有中控技术。在流程工业领域，
▶中控技术的TPT平台目前已面向工业用户免费开放试用，正式商用则采用按装置套数计的年费订阅制，合同以3至5年期为主、先付费后使用。从长期看，中控技术更倾向于订阅制模式，将收入从一次性项目制转向持续性的运营服务收费，有利于建立长期稳定的客户关系，同时通过持续的模型优化和服务升级为客户创造更大价值。为加速这一进程，中控技术依托TPT CAMP共创训练营，打造“先验后订”的敏捷转化路径——客户通过真实数据上机验证TPT能力后，直接输出用户报告与实施建议，无缝衔接订阅签约，大幅降低决策门槛，也有效推动了工业AI订阅服务在核心客户群中的规模化复制。
从这些探索来看，工业智能体距离全面普及仍有距离，但商业化方向已经逐渐清晰。短期内，更容易形成闭环的是工程设计、技术支持等标准化程度较高的场景；而生产控制等高价值场景，则需要在安全性、可靠性和长期收益之间找到平衡。
尾声：工业智能体不缺热度，更不必焦虑
今年WAIC上工业智能体的热度明显超过去年。但在这场热闹背后，我们也感受到行业并非没有焦虑。
焦虑来自两个方面。一方面，企业担心大模型应用是否会带来高昂的算力成本；另一方面，面对制造业复杂的设备、工艺和流程，智能体如何避免陷入一次性项目开发，真正实现规模化应用。
Token消耗这件事，几家企业的判断基本一致。工业AI还在早期阶段，本地部署是主流，算力基础设施大多是存量资源，不存在烧Token的问题。西门子说得很直接，与其焦虑Token价格，不如想想怎么让智能体从定制项目变成可复制的产品。中控的做法是跟浪潮信息合作推出智能一体机，把部署门槛降下来，以更快的推理速度和更低的Token成本来支撑TPT的工业化落地。
真正的难处在于工业场景的碎片化。每个工厂设备不同、工艺不同、流程不同，一套智能体换个地方可能会“水土不服”。西门子的思路是从产品定义阶段就扎进场景里，先吃透再抽象，而不是抱着技术能力去找应用。
WAIC展示了工业智能体加速走向产业的一面，但热度之外，行业仍处在探索期。如何让AI真正理解工业、服务工业，帮助企业先行算好经济账，仍将是未来一段时间企业需要共同回答的问题。
