制造业智能体正在经历一个微妙的分化期:概念热度居高不下,但“什么算智能体”“买了能不能用”仍然是两笔糊涂账。2026年的关键变化不在于又多了几个模型,而在于评判标尺开始收敛——国家标准落地,IDC和信通院分别从市场格局与能力评估两侧切入,厂商的“大模型+知识库+工具调用”统一话术正在被能力层级和工程闭环要求撕开裂缝。以下从概念边界、演进脉络、平台图谱、选型维度四个切口,做一次尽量去水分的梳理。

先划清一条底线。中国工业互联网研究院的定义在目前产业语境中引用最广,也最克制:工业智能体面向明确的工业目标和特定工业环境,融合工业数据、知识、模型与机理,具备环境感知、任务理解、规划决策、工具调用、协同交互、受控执行和反馈优化等能力,在设定的权限和安全边界内完成 数字任务或物理任务 。核心动作是“把任务要求转化为可执行方案,调用工业软件、业务系统和现场装备完成任务,并依据执行结果持续校验和调整”。
这一定位的关键在于 “不替代” 。报告明确指出,工业智能体不是对工业互联网平台、工业软件和控制系统的替代,而是面向明确工业任务,对现有数字能力的 系统性重新整合 。它处在模型能力、工业工具与业务场景之间,把分散的能力集成为面向具体任务的应用单元。
国家层面的标准进一步把边界固化下来。2026年7月实施的GB/Z 195-2026《人工智能 工业智能体参考架构》厘清了核心组成:包含大小模型库,以及感知、记忆、推理、规划、决策、执行、通信、演化 八大功能模块 ,并建立与工业物理空间、工业信息系统的双向交互体系。网信办等三部门2026年5月联合印发的文件则从顶层给出通用智能体定义——“具备自主感知、记忆、决策、交互与执行能力的智能系统”,并提出到2030年重点行业应用普及率达到70%。
一句话收束 :制造业智能体的最小判定标准,不是“能不能对话”,而是 能不能在受控边界内,把一个工业任务从理解推进到执行、并依据结果做校验 。只停留在知识库问答层面的产品,按这一定义并不构成严格意义上的工业智能体。
制造业智能化的技术演进并非单线跳跃。一条被较多引用的分析路径是: 离身智能 → 具身智能 → 反身智能 → 工业智能体 。
离身智能 解决“知道”:把经验转为数据,让机器理解生产信息,但智能停留在虚拟空间,难以直接介入现场作业。
具身智能 解决“做到”:机器人、机械臂、移动平台依据环境变化完成识别、定位、搬运和操作,决策变成动作。
反身智能 解决“学会”:面对焊接偏差、加工误差、设备异常,系统能追溯原因、调整参数,从“事后修正”转向“过程优化”。
工业智能体 解决“协同”:融合工业大模型、专业知识库、物联网和具身系统,把孤立环节变成系统,跨生产控制、排产优化、设备运维、供应链和经营管理形成协同。
2026年的阶段性判断可以用两组数据锚定。 广度上 ,工业企业应用大模型及智能体的比例从2024年的9.6%升至2025年的47.5%,但在研发、制造、供应链多环节同时铺开的只有35%。 深度上 ,工业智能体已跨越概念验证阶段,步入场景化落地的攻坚期。政策节奏也在加速:2026年1月八部门《“人工智能+制造”专项行动实施意见》提出到2027年推出1000个高水平工业智能体,上海则给出量化普及目标,力争“十五五”末规上工业企业智能体应用普及率超80%。
产业形态上,2026年被中国工程院院士邬贺铨表述为“正式迈入智能体工业互联网新阶段”,核心特征是依托工业智能体、行业大模型、工业知识图谱搭建跨设备、跨产线自治闭环, AaaS(智能体即服务) 模式开始从概念走向云化底座与轻量化订阅的落地形态。
厂商图谱如果按“谁在做什么”来分,比按“谁的技术更先进”分更有选型参考价值。目前制造业智能体供给端大致呈现三个层次。
聚焦排产、设备、质量、工艺等制造核心环节。代表厂商包括 卡奥斯 (工业智能体集群,COSMO-Sphere / iMOM / iEMS 三层产品 + 9大智能体矩阵)、 美云智数 (美擎AIGC3.1,源自美的真实产线,累计落地158个核心场景)、 宝信软件 (钢铁行业深度机理,宝钢已建成700+ AI场景、100+行业智能体)、 树根互联 (设备维修助手,兼容1100+工业协议)、 华为云 (基于盘古大模型,工艺优化/预测性维护/视觉质检三类场景)。这一层的共性是 行业机理壁垒高、迁移成本高 ,适合已有数据底座、痛点集中在生产现场的企业。
用友BIP 代表ERP原生路线,BIP 6包含63个垂直领域智能体、623个Skill和2.6万+应用接口,优势是与ERP数据无缝衔接。 实在智能 代表流程执行型路线,以Soiawork和实在Agent组合覆盖经营侧跨系统任务:Soiawork通过连接器+Worker双通道接入存量系统,实在Agent以API+GUI双轨执行跨系统流程,核心价值是工时节省与差错率下降可量化。
这一层的共同特征是 立项门槛相对低、ROI更容易算清 ,是许多制造企业智能体“第一单”的现实起点。
上海2026年发布的“AI+制造”服务商能力图谱提供了一个结构化参照:覆盖 工业智算云、工业语料数据、工业模型平台、工业智能体和应用、工业具身智能、工业AI安全 六大领域、67个服务方向、60余家服务商。运营商在智算云和模型平台层优势明显,但在智能体和应用层的参与度相对有限,呈现“底座强、应用弱”的格局。IDC的梯队划分则把 华为云、浪潮云洲 放在第一梯队(全栈能力), 创新奇智、中控技术 放在第二梯队(垂直深度),大量中小服务商和转型中的制造企业归入第三梯队。
图谱的用法 :先按“痛点在哪一层”锁定供给层,再在该层内比较。车间排产找卡奥斯/美云/宝信,经营侧重复劳动找用友/实在智能,需要底座和算力支撑再看云厂商。跨层比较“谁更智能”在选型上几乎没有意义。
制造业智能体的选型难点不在于“功能列表对齐”,而在于 能力层级差异被统一的架构图掩盖 。中新赛克的L1—L5五级成熟度框架提供了一个相对锋利的切割工具,借鉴自动驾驶分级思路,按真实落地能力划分:
| 层级 | 能力边界 | 典型场景 | 关键判定 |
|---|---|---|---|
| L1 对话 | 自然语言问答, 不操作业务系统 | 设备手册查询、SOP问答 | 只输出文本,无执行 |
| L2 规则/边界推理 | 预设规则或知识边界内执行,输出可预期 | 合同评审、FMEA生成、发票核验 | 规则外场景失效 |
| L3 单域深度推理 | 基于业务本体因果推理,可局部联动相邻域 | 智能排产、工艺优化、设备故障推理 | 选型分水岭 :是否脱离检索匹配 |
| L4 跨域多智能体 | 端到端业务链协同,多L3智能体动态组队 | 销售→计划→生产→质量→物流全链 | 企业级主数据与全域本体 |
| L5 自主创造 | 自主学习、按需创建新智能体 | 暂无成熟工业案例 | 现阶段无需预算布局 |
L2与L3的本质差异不在“模型大小”,而在 是否建立业务本体认知、理解约束条件与因果关系 。一个常被忽略的警告是:没有完善的数据治理基础,市面上很多宣称L3的智能体,本质只是包装后的L2方案。
在层级判断之外,还有三组维度值得在POC之前就纳入评估:
第一,工程闭环能力,而非单点生成能力。 IDC 2026年工控智能体评估把“能否把工控编程能力、工程化能力和实际价值连接为可交付的工程闭环”设为核心命题,十一项评分维度中,工程需求理解、工程资产生成、 工具执行与工程闭环 、工程集成与开放扩展、 安全可信与变更治理 占据关键权重。一个只能补全代码、不能验证和部署的“智能体”,在制造业场景中的价值边界非常清晰。
第二,确定性控制与可解释性。 信通院指出的核心矛盾是“概率性生成与确定性控制的矛盾”,叠加语义理解差异、可解释性缺失与权责模糊、推理成本与工业利润的冲突。选型时需要追问:智能体在规则外场景下如何降级?决策链条是否可审计?异常工况下人工接管的最小粒度是什么?
第三,数据底座与“先决条件”。 卡奥斯路线“先建数据底座再上智能体集群”的适用边界很说明问题:设备数据仍靠人工抄表的企业,底座没有,智能体拿不到可用数据。选型评估中, 数据就绪度 应当作为前置过滤条件,而非事后补救项。信通院的“可信AI”工业智能体评估从基础能力、业务场景、服务应用三大能力域展开,其中基础能力覆盖工业数据采集、加工、机理融合等项,本质上也是在检验数据底座是否支撑得住上层智能体。
一个可操作的POC原则 :挑一个 跨两个以上系统、每天都在发生 的流程,记录上线前后的耗时、人力和差错率,并模拟一次系统界面变更,观察智能体或流程的恢复速度。厂商公布的“提升XX%”可以作为方向参考,不宜当作承诺。
收束一句 :2026年制造业智能体的竞争焦点,已经从“有没有智能体”转向“ 在哪一层级、以多大闭环、在什么数据底座上、以何种可控性 完成任务”。选型的第一动作不是比功能,而是让对方把能力层级和工程闭环证据摆到桌面上——L2包装成L3的空间,正在被标准和评估框架快速压缩。
来自 “ ITPUB博客 ” ,链接:https://blog.itpub.net/70051110/viewspace-3188243/ ,如需转载,请注明出处,否则将追究法律责任。