制造业的演进史，某一种意义上就是一部技术驱动下的“降本、增效、提质”追求史。从蒸汽时代到电气化，从自动化到数字化，每一次技术浪潮都试图对“如何生产得更多、更快、更好、更省”这一永恒命题给出新的答案。站在新一代人工智能，特别是大语言模型与智能体技术爆发的关口，让人不禁发问：这一轮的技术变革，将如何深刻重塑制造业的机理与未来？

  近期，钛资本邀请邀请易智唯思智能科技有限公司创始人&CEO姚驰进行分享，他是前西门子数字化工业餐饮行业总监，前西门子教育行业总监，机械工业出版社国际电工电子系列丛书译者，机械工业教育委员会自动化类委员，西门子艾闻达外部数字化咨询顾问专家。他毕业于南京航空航天大学自动化专业，在西门子工作超过15年，从事制造业自动化，数字化技术产品的技术，市场和管理工作，2024年开始创业投入到新一代人工智能技术在工业制造领域的应用。主题为：探索工业人工智能新范式。主持人是钛资本董事总经理赵晖。以下为分享实录：

  制造业纷繁复杂的表象背后，本质始终围绕着四个字：“多、快、好、省”。如何生产得更多？如何生产得更快？如何让质量更好、更稳定，更符合客户的真实需求？如何用更省钱的方式实现以上所有目标？

  西门子做的自动化控制管理系统，核心就是解决“多、快、好、省”的问题。大家回想一下，中国的纺织行业曾经拥有最庞大的蓝领队伍，但随着自动化设备的普及，这个行业的人员结构被彻底重塑了。

  然而，自动化带来了一个新的挑战：产线上产生了海量的数据。这一些数据——比如设备的电流、电压、震动——非常私有，很难上云，而且不同系统之间的数据语义关联不清，形成了无数“数据孤岛”。谁来分析这一些数据？逐步提升“多、快、好、省”，靠的是工程师。

  这些白领工程师，是运用专业相关知识和工业软件，从数据中挖掘价值、优化质量、维护设备和改进工艺的关键。但他们的培养周期长，成本高，而且一个核心工程师的流失，可能就从另一方面代表着大量隐性知识的丢失。我走访过很多企业老板，他们都为同一个问题头疼：辛辛苦苦培养三四年的工程师，竞争对手开出1.5倍的薪水就挖走了。

  就在我为这个行业痛点寻找答案时，新一代的AI技术，特别是大语言模型和智能体技术出现了。我看到在编程领域，AI已经从辅助程序员的Copilot，进化成了能端到端达成目标的智能体。这让我和我的团队（我们大部分成员都来自西门子的业务和研究院部门）非常兴奋：我们能否为制造业的工程师们，也打造一个“AI工程师”智能体？

  这个想法，成了我们去年6月11号企业成立的起点。我们坚信，用AI智能体来赋能甚至部分替代工程师的重复性、高知识密度任务，是回应制造业“降本增效提质”本质需求的新一代答案。

  工业AI 智能体的崛起，本质上是大语言模型技术与制造业垂直场景深层次地融合的结果。这一融合并非简单的技术叠加，而是基于对行业痛点的深刻洞察与技术路径的精准选择，其核心逻辑体现在三个维度。

  大语言模型的变革正在颠覆各个行业，其发展的新趋势呈现出“基础模型 + 垂直应用” 的格局。全世界内，基础大语言模型将逐渐集中于少数头部企业，这些模型如同 20 年前的操作系统，构建起技术底层支撑。但基础模型的训练数据多来源于公网，难以适配制造业的私域数据与专业场景，因此就需要在基础模型之上，通过后训练、上下文工程等方式，结合垂直行业的知识与工具，构建更强的行业智能体。

  编程领域的实践已经验证了这一逻辑的可行性：基于大语言模型的智能体已从辅助编程的Copilot，进化为能够端到端完成复杂编程任务的工具。这一演进路径为制造业提供了重要启示 —— 针对工程师群体的工作特性，构建能够端到端执行专业任务的工业 AI 智能体，成为技术落地的核心方向。与通用 AI 不同，工业 AI 智能体需要具备三大能力：一是理解制造业私域数据的能力，能够从 MES、WMS、SCM，EMS 等多个私有系统中提取、整理数据；二是集成专业工具的能力，将工业软件、机理模型等作为 “外挂”，实现专业分析能力；三是自然语言交互能力，让工程师通过日常语言即可下达任务，无需掌握复杂的操作流程。

  制造业链条很长，从研发、供应链、生产到售后，处处都有痛点。但我们团队经过深思熟虑，决定将所有的初期资源都聚焦在“质量” 管理这个环节。这背后有两点核心考量：

  第一，质量管理的标准化程度最高。无论是汽车这样的离散制造，还是我们正在合作的合成生物这类流程制造，在质量领域，大家普遍遵循六西格玛、精益制造等全球通用的方法论。像SPC（统计过程控制）、DOE（实验设计）这些工具和PDCA的流程，是高度标准化的。这在某种程度上预示着，我们为智能体开发的外挂工具和内置知识，可以相对容易地跨行业复用，规模化复制的成本更低、速度更快。

  第二，市场需求的东风已经到了。十年前，我和很多做制造业的朋友交流，那时中国制造业正处于扩张期，老板们最关心的是“订单”和“交付”。所以那时的创业热点是MES（制造执行系统）这类生产运行管理软件。

  但十年后的今天，情况变了。工厂扩张放缓，竞争加剧，老板们最关心的事情变成了“利润”和“毛利”。而利润和品牌溢价，从根本上离不开质量的保障。我常举一个例子：德国的一颗螺丝钉能卖到中国螺丝钉三倍的价格，凭的就是质量信誉。因此，我认为，未来十年，将是制造业“质量”环节价值爆发增长的十年。

  基于这两点判断，我们最终选择先成为“AI质量工程师”。我们深入汽车厂等客户现场，把质量工程师（一个大型车厂可能有300-400名质量工程师）每天耗时耗力的任务，比如数据整理、SPC分析、过程能力分析、异常检测与预测、编写质量报告、DOE实验设计等，变成我们智能体能够端到端自动完成的能力。

  工业AI 智能体的落地，一定要解决制造业的核心痛点 —— 私域数据难以上云、数据安全要求高。因此，其产品形态并未采用传统的完全云端部署模式，而是选择了软硬件一体化的方式，从边缘侧开始进而扩展到云侧，我们将语言模型、时序模型、机理模型、工具链、知识库等集成于一体，部署在客户现场。

  这种方案的优势显而易见：一是数据安全性高，所有私域数据均在本地处理，避免了数据泄露风险；二是部署成本可控，一台搭载500G 显存、相当于两张 4090 显卡算力的一体机，即可满足中小规模企业的需求；三是适配性强，能快速对接客户现有的 IT/OT 系统，无需大规模改造现有架构。

  在技术实现上，这一产品形态融合了多种关键技术：通过本体建模工具（Ontology）解决数据语义关联模糊的问题，构建高质量的数据知识资产；通过时序大模型处理电流、电压、震动等工业时序数据，提升异常检测与预测的精度；通过集成机理模型（如SPC 分析的统计学模型）解决大模型 “幻觉” 问题，确保分析结果的准确性。这些技术的融合，使得工业 AI 智能体不仅具备 “理解” 能力，更具备 “执行” 与 “决策” 能力。

  想清楚了“为什么做”和“做什么”，接下来就是更关键的“怎么做”。我们走了一条软硬件结合、并深度融合工业知识的工程化路径。

  生产线上的数据是客户的私有资产，既敏感又实时，不适合完全上云。所以，咱们提供了一个集成了算力、软件和所有模型的“一体机”，就放在客户的车间里。数据不出厂，算力本地化，这让客户安心，也保证了任务执行的实时性。这套系统的算力成本可控，能很好地支撑客户计算投资回报。

  传统工业软件项目，大量的开发时间都耗费在无穷无尽的GUI（图形用户界面）定制上。而现在，我们的智能体让工程师可以直接用“人话”下达指令，比如：“帮我把今天所有班组的良率排个序”或者“每天晚上六点，自动完成今日过程质量分析并生成报告”。这不仅仅是体验上的升级，对我们供应商而言，更是极大地降低了交付成本，让我们能摆脱“项目制定制化”的泥潭。

  很多人会误以为“AI 智能体就是一个大模型”，但实际上，一个能在制造业落地的 “AI 质量工程师”，背后是一套精密的多模型融合架构。

  首先，“大脑中枢” 是经过制造业语料优化的大语言模型 —— 我们通过投喂制造业质量领域的专业文档、工艺标准、历史案例，让模型能够精准理解工程师的 “行业行话”，防止 “理解偏差”。

  其次，“专业技能库” 由自研的时序大模型与机理模型构成。制造业质量分析的核心数据是时序数据（如某时间段内的产品尺寸波动、设备气温变化），我们基于Transformer 架构训练的时序大模型，能够捕捉数据的动态变化规律，在质量趋势预测、异常预警等场景的表现，远超传统的算法；而机理模型（如 SPC 统计模型、DOE 实验设计模型）则负责解决 “精准计算” 问题 —— 在需要绝对准确结果的环节（如过程能力指数 CPK 计算），智能体不会依赖大模型的自主推理，而是调用机理模型进行计算，从根本上避免 “幻觉” 风险。

  最后，“数据基石” 是基于本体论构建的数据建模工具。面对客户异构的数据源，我们通过这一工具快速梳理数据之间的语义关联，构建统一的 “数据知识图谱”—— 例如，将设备编号、生产批次、产品质量检验结果等数据关联起来，形成数据字典，让智能体能够清晰理解 “某台设备在某个批次生产的产品，为何出现质量异常”，为后续分析提供较为可靠的数据支撑。

  如今，我们的“AI 质量工程师” 已在多家世界 500 强企业的产线上实现落地应用：它不仅能自动完成数据整理、质量分析等重复性任务，将工程师从繁琐的工作中解放出来；更能将工程师的隐性知识（如质量异常排查经验）固化到模型与知识库中，实现企业核心能力的沉淀与传承。

  工业AI 智能体的出现，并非要完全替代工程师，而是通过技术赋能，让工程师从重复性、事务性工作中解放出来，聚焦于更具创造性的价值环节。从自动化替代蓝领，到智能体赋能白领，制造业的智能化转型正在实现 “以人为本” 的升级 —— 技术不再是简单的替代工具，而是人的能力延伸。

  回顾工业4.0 以来的制造业变革，每一次技术突破都源于对核心痛点的精准回应。工业 AI 智能体之所以能够在短短一年多时间内实现商业化落地与规模复制，重点是它抓住了制造业对质量提升、效率优化、知识沉淀的核心诉求，以 “端到端任务执行” 的独特价值，填补了传统工业软件与通用 AI 之间的空白。

  未来，随着时序大模型、机理模型与智能体架构的持续迭代，我们的工业AI 智能体将实现三个跨越：从单一场景（质量）向全流程（研发、生产、设备、物流）跨越，从单一行业泛化到更多行业跨越，从 “数字同事” 向 “智能中枢” 跨越。在这一过程中，制造业将真正的完成 “看得见、控得住、管得好” 的智能化目标，形成质量与效率并重、创新与成本平衡的全新发展模式。

  对于制造业企业而言，拥抱工业AI 智能体并非选择题，而是顺应时代趋势的必然选择。在这场以 AI 为核心的新一轮变革中，唯有精准把握技术方向、聚焦核心场景、坚持价值导向，才能在智能化转型中抢占先机，实现高水平质量的发展。而工业 AI 智能体，正是这一场变革中最关键的引擎。

  Q：做工业智能体的平台的公司，一些是做智能体平台，销售给企业，另外是直接提供整体的产品，让客户直接用。这两种商业模式各有什么优势和劣势？

  姚驰：关于工具销售，低代码、零代码工具直接卖给制造业最终用户效果欠佳，其更适合卖给为最终用户服务的中间环节，如系统集成商、OEM 设备商、EPC 等。而服务最终用户，需聚焦其具体需求，比如做质量相关业务，就要服务好质量工程师、质量总监及主管，助其更好使用产品。

  企业初期不应先做中间环节的平台类业务，勇于探索商业模式的公司做平台意义不大且难获认可。第一步需找到产品的最终用户，打造端到端的标杆项目，获得最终用户认可。虽未来智能体可能涉及合作开发与新模式，但整体流程需先靠最终用户建立标杆与认可度，再吸引更多合作伙伴共创，进而拆分形成产品。

  以西门子PLC 为例，其现是卖给 OEM 系统集成商的标准产品，市场占有率高。但在六七十年代刚出现时，作为先进的技术，需替代接触器电路、继电器电路，初期也需要打标杆。当时西门子也做了众多行业的整体解决方案，最后有些解决方案还分拆成了行业内的巨头，让客户认可新技术能降本增效提质后，才从过程中提炼出标准化工具或平台。未来智能体也可能如此，先针对最终客户的真实需求，再慢慢地发展为标准化平台，供合作伙伴二次开发迭代，实现向最终用户的交付，完成从服务最终用户到平台型公司的转变。

  李铁军：有人认同企业需先明确用户，不同赛道无高下之分。如盛源成从最终客户切入，先走AI 自动生成 SCADA 画面及逻辑的工具赛道；姚驰则从最终客户切入打造标杆。TO B 领域中，中国最终客户自身技术能力有限，直接给工具多无法熟练使用，“builder 赋能用户自主开发” 模式遇大挑战。

  无论卖工具还是解决方案，第一步都需在足够多且大的客户中证明自身能力，再决定后续方向：是继续走最终客户解决方案路线，还是走标准化路线，与集成商合作提供产品。这两种道路无绝对对错，其负责西门子MES 业务时亦是如此，这样的做法符合中国国情。

  Q：关于商业模式，比如说交互方式上，saas的这种模式，是定制化方案模式，还是采用所谓的效果分成的模式？比如软硬一体化，这些模式有什么不一样的地方？各自优缺点是什么？

  姚驰：关于智能体的商业模式，存在多种可能，如卖软件license、定制化服务、任务 SaaS 订阅，或是结果导向的付费模式（客户将生产质量等事务外包，仅关注交付结果，无需自招相关工程师）。

  智能体未来会走向端到端任务导向，类似集群智能，但需考虑时间与对赌问题。十几年前能源管理厂商做任务导向时就涉及对赌，而初创公司初期以对赌形式做任务导向冲击力过大，暂不适合将其标准化，需看客户感知逐步推进。

  目前采取“软硬一体” 模式，该模式契合中国制造业招投标流程与客户 “眼见为实” 的偏好，先通过此方式扩大安装量。后续第二步，会开发供应商质量、售后质量等新任务，以订阅模式定价（如按对应人工工资的五分之一到十分之一）。待第二步成熟后，才可能走向真正的结果付费模式。

  李铁军：工业领域短期难走SaaS 模式，因用户对数据敏感，核心的工艺、质量数据难接受存于公有云，故其难成普遍模式。按效果分成模式也难推行，当前中国制造业管理和数据水平有限。如早年合同能源管理按节约电费分成，如今无疾而终，因工厂中影响结果因素多，单一软硬件供应商难起决定作用，且难定义产品服务达成的效果。仅极个别管理、数据齐备的企业或可行，多数企业做不到。国内短期主流仍为定制化解决方案与软硬一体化模式，这由中国企业管理现实水平决定，短期难改变。

---