界面新闻记者 | 李姝瑶

界面新闻编辑 | 文姝琪

如今工业大模型的竞争重点，正在从单纯的模型能力向工程化落地能力延伸。

早期，企业更多关心大模型能否回答问题、完成某个单点任务。但随着AI逐渐进入设备管理、能源管理、生产分析等业务环节，企业关注的问题也开始发生变化。创新奇智对界面新闻表示，其接触的部分制造业头部客户正将智能体开发从单点试用转向核心业务流程中的复制，关注点从“有没有这个功能”，转向构建成本、运行可靠性和规模化能力。

8月27日，创新奇智在北京举办工业智能体技术发布会，升级其工业本体智能平台。此次更新主要包括本体自动化构建、工作流自动化构建和自动化评测优化三项能力，同时发布设备管理智能体套件AEAM v2.0、能源管理智能体套件AEMS v2.0和制造数据分析智能体套件AMI v3.0。

创新奇智是一家聚焦“AI+制造”的人工智能企业。2026年上半年，公司实现营业收入8.29亿元，同比增长18.6%，其中“AI+制造”业务收入占整体收入的81.5%。公司目前聚焦8个制造业细分行业，累计服务1800多家企业客户。

此次发布会聚焦的工业智能体，可以理解为一种能够结合企业数据、业务规则和软件工具，完成分析、判断或执行任务的AI系统。

以设备故障为例。一台生产设备发生异常后，工业智能体需要同时查询设备实时数据、维修记录、操作程序和备件库存，再按照企业自身的维修规则得出结论。有时，系统还需要进一步生成维修方案、创建工单，甚至触发备件申请。

这也意味着，大模型要真正进入生产环境，不能只具备通用的语言理解和生成能力，还需要理解企业自身的业务逻辑。

针对这些问题，创新奇智在工业智能体开发平台中形成了“Ontology（本体）+Harness Engineering（驾驭工程）+AI Coding”的开发方式。

其中，本体主要解决的是“让智能体理解企业业务”的问题。

企业内部的数据通常分散在不同系统中，数据之间也存在大量只有企业自身才知道的业务关系。例如，一台设备属于哪条产线、承担什么生产任务，对应哪些订单、工艺要求和维修记录。这些关系对于员工可能是日常工作常识，但并不会自然存在于通用模型的训练数据中。

创新奇智CTO李凡对界面新闻表示，“本体应被理解为‘资产’而非可运行的系统，是一种显性表达的资产。“

本体能把设备、人员、订单、物料、能耗、工艺等对象，以及对象之间的关联和业务规则进行结构化表达，让智能体不仅知道企业“有什么数据”，还能理解这些数据在具体业务中的关系。

理解企业只是第一步。要进一步扩大工业智能体的应用规模，还需要降低开发成本。

过去开发一个工业智能体，往往需要业务人员和开发人员反复沟通，再由开发人员手动配置节点、数据、调用工具和处理规则。业务越复杂，需要搭建的工作流越长。此次创新奇智升级的一个重点，就是让AI进一步参与智能体本身的开发。

过去，本体中的属性和关联关系主要依靠人工梳理。而创新奇智则采用的了“AI+FDE（Forward Deployed Engineer，前沿部署工程师）”的模式，即AI负责数据分析、关系推理和初稿生成，FDE与企业业务人员负责确认业务边界和最终关系。

第二个变化发生在工作流开发。

在发布会现场的设备维修演示中，业务人员用自然语言输入进行设备编码和故障描述的需求，并要求系统查询相关数据、完成诊断和生成报告。平台首先会将这句话整理成更完整的需求说明，最后形成一个能够运行的设备故障诊断工作流。

生成工作流之后，还需要判断它是否真正可用。

此次平台新增的第三项能力是自动化评测优化。系统可以用测试数据运行工作流，根据运行过程和结果生成评测报告。系统据此生成优化建议，在人工确认之后重新调整工作流，再次完成验证。

这样一来，智能体开发形成了从构建、评测到优化的闭环。另外两个概念也由此更加明确。本体解决的是智能体是否理解企业业务；AI Coding解决的是能否降低开发和迭代成本；而Harness Engineering解决的，则是系统进入生产环境以后能不能稳定运行。这些也是工业智能体从开发走向生产系统过程中需要解决的工程化问题。

工业智能体开发方式的变化，背后也是企业需求本身的变化。

今年7月举行的2026全球数字经济大会工业智能体发展论坛上，主办方发布了企业对工业智能体的需求场景清单，来自11家行业龙头企业的14项需求覆盖产品研发、智能制造、设备运维、仓储物流和安全生产等环节，并要求项目设置可以量化的提质增效指标。

政策对于工业智能体的要求也开始变得更具体。今年5月，北京市发布《北京市人工智能赋能工业互联网高质量发展实施方案（2026—2028年）》，提出面向工业场景构建具备高可靠、高实时、高安全特征的工业智能体，并推动其开发、部署、运行监控、行为审计和调优迭代过程可视化、可管控和可追溯。

这些要求与其它企业软件厂商的产品演进方向也有所呼应。例如工业技术公司西门子（Siemens）在2026年4月推出工业自动化工程智能体Eigen Engineering Agent便能根据具体项目环境规划和执行自动化工程任务，并按照客户既定标准对输出结果进行验证。

工业AI的竞争维度正在发生变化。模型仍然决定智能体能够完成任务的能力上限，但在生产环境中，企业同时需要解决数据是否准确、权限是否受控、操作能否追溯、结果能否验证以及系统出现异常后如何处理等问题。

与此同时，工业智能体的应用位置也正在向企业更深的业务流程移动。

创新奇智此次发布的三款工业智能体套件，分别面向设备管理、能源管理和制造数据分析等场景。以设备管理为例，AEAM v2.0包含故障预测、故障排查、SOP生成、维修辅助诊断、备件识别和决策分析等九类智能体，覆盖风险识别、故障诊断、维修处置和备件保障等多个环节。

这意味着，工业智能体正在从单点功能向更细分、更深入的业务流程延伸。过去，企业可能只需要一个能够查询设备信息或回答维修问题的智能体；现在，智能体需要进一步理解设备、产线、订单、工艺和备件之间的关系，并在不同环节之间协同完成任务。

国际数据公司（International Data Corporation，IDC）在2026年制造业趋势预测中认为，中国制造业AI正从单点自动化走向系统级自主化。**其预计，到2028年，65%的中国头部制造企业将在设计与仿真工具中结合AI智能体；到2030年，70%的中国头部制造企业将借助AI智能体构建数据模型并管理混合云工作负载。

当工业智能体走向生产环境，数据治理、工程能力和交付效率，正在成为影响工业智能体规模化的另一组变量。