" 下一輪 AI，賣的不是工具，而是收益。" ——紅杉資本合伙人 Pat Grady 把這句話稱為 " 萬億美元機會 "。而要想獲得最大化收益，企業級 AI 的應用落地是必經之路。一項技術只有在 ToB 領域獲得成功，才能實現收益最大化。
模型、數據、場景，缺一不可
當大模型風浪逐漸趨于平息后，智能體接過了大模型的交接棒，將 AI 帶到了另一個新時代—— Agent 時代。
企業級 Agent 若想在行業內得以實現價值，模型、數據、場景，三個要素，缺一不可。對此，創新奇智 CEO 徐輝告訴筆者，企業級 AI 若想更好地落地，需要做好三件事，第一是，模型本身能力的提升；第二是，高質量數據集的積累；第三是，應用場景的不斷挖掘與拓展。
模型方面，并不是越大的模型就一定越好。企業需要結合場景選擇合適的模型或者提供模型的平臺。徐輝表示，在生成式 AI 初期階段，企業可能還會為了模型的先進性買單，但當發展一定階段之后，企業會逐漸轉變成，為模型創造的商業價值而買單。而徐輝的這個觀點，也于紅杉資本大會上，150 位全球頂尖 AI 創始人得出的 " 下一輪的 AI，賣的不是工具，而是收益 "，不謀而合。
數據方面，IBM 大中華區技術銷售總經理、首席技術官翟峰曾向筆者表示，企業想要通過 AI 獲得收益的過程中，首先需要面對三個問題：第一，高質量的數據有沒有？第二，有沒有在用？第三，有沒有發揮作用？" 企業級 AI 落地最重要的因素是數據，這是核心生產力，沒有數據一切都是空談，" 翟峰進一步指出，" 現在大家在談的大模型，可能有很多互聯網數據，但是企業最核心的數據有沒有整合出來？這是最關鍵的因素。"
而在創新奇智 CTO 張發恩看來，數據是當前以及接下來很長一段時間內企業重要的資產組成部分，一方面企業要重視數據合規的問題；另一方面，如何獲取高質量數據，用于訓練模型，讓模型針對不同場景，達到最理想的狀態也很關鍵。對此，張發恩表示，創新奇智的想法是通過合成數據，為大模型、Agent 提供更為高質量的數據，這樣一方面可以快速落地 AI 應用，另一方面，還能彌補一些企業在初期高質量數據不足的困境，" 目前，創新奇智的產品，99% 的數據都是通過合成數據訓練的，通過合成數據來彌補數據的缺失，可以更快速的落地應用。" 張發恩如是說。
場景層面，徐輝告訴筆者，模型真正的價值不在于模型本省，而是在于模型應用的場景，他拿電與大模型進行了類比。電剛被發現的時候，就如同當前的 AI 一樣——像是一個奢侈品。但如今電已經是一個普遍的 " 技術 "，而電真正的價值也不在于電本身，而是在于它與諸多用電場景的結合。比如，與空調結合，電為人類在夏日里帶來了清涼；與燈泡結合，電為人類在黑暗中帶來了光明 ......"AI 亦是如此，當前大家都在談模型、智能體，" 徐輝進一步指出，" 但我認為，人工智能不再是單純比拼模型參數，而是要比誰更能將技術與行業 Know-how、工程化能力和商業價值深度融合。"
而當前，對于企業而言，優先級最高的是：需要在眾多業務場景中，選擇到最值得、最適合被 AI" 改造 " 的場景是哪些，率先在這些場景中落地 AI 應用，才能以最快的速度，更好地落地 AI 應用。以工業為例，從應用上看，已經有一些場景用大模型技術提高效率、提升良品率等。目前大模型已經在包括 PDM（Product Data Management，產品數據管理）、CAD（Computer Aided Design，計算機輔助設計）、PLM 等工業軟件場景中有所應用。
從具體場景上看，華為、阿里云推出工業大模型解決方案，將 CAE 仿真效率提升 50%；微軟 Azure 推出工業 AI 助手，可自動生成 PLC 代碼；南京恒略的動態庫存系統使汽車零部件庫存周轉率提升 22%，緊急采購頻次下降 65%；京東工業的 Joy industrial 大模型通過智能調度優化運維資源，幫助企業降低運維成本 ...... 創新奇智也在近日宣布與國際 CAD 龍頭企業 Bentley 聯合發布首款基于多模態工業大模型的生成式 AI 設計產品—— iPID（Intelligent Process Piping and Instrument Diagram 智能工藝管道和儀表流程圖）。
據悉，iPID 融合了創新奇智多模態工業大模型與 Bentley 基礎設施設計軟件能力，是一款真正意義上的 AI 原生工業設計產品。其關鍵 AI 技術源自創新奇智針對 "CAD" 這一工業獨有模態開發的 ChatCAD 生成式輔助工業設計應用。
張發恩告訴筆者，通過 AI 技術，iPID 可將傳統圖片格式的 PID 圖轉化為可交互、可分析、可擴展的智能 PID，實現從靜態圖紙到智能 PID 的跨越。具體而言，iPID 支持多格式、多尺寸圖紙的智能解析與生成，而且得益于大模型技術，iPID 并非簡單讀圖，而是能真正理解圖紙邏輯——精準識別并生成設備、管線、管件、閥門、儀表等多類組件，自動識別設備管口、管線、連頁符等關鍵連接關系，還支持域外組件的智能識別。" 據初步測算，在設計場景中，iPID 可將工作效率提升 10 倍以上；在舊改項目場景下，用戶只需將老舊 PDF 圖紙導入 iPID，即可快速識別老舊圖紙內容并可選擇新的出圖標準，生成新的智能 PID 圖紙，從而提高改造項目的實施效率。" 張發恩如是說。
此外，在生產制造過程中，原本工廠就已經應用上了諸如自動化流水線、自動化機器臂等自動化設備，在 AI 時代，這些傳統的自動化設備如何與 AI 智能體融合，產生更大的力量是個值得關注的方向。
Agent 時代，工業領域迎來新變革
在 AI 時代，工業軟件算是走在 AI 浪潮前頭的行業之一。無論是國家，還是企業層面都開始著重在 AI+ 工業方面進行深入布局，
國家層面，加緊部署 AI+ 工業軟件專項行動，支持企業試點開發 AI+CAE、AI+EDC 先導產品，中試驗證平臺為國產工業軟件產品化研發和規模化應用奠定基礎。
工信部在今年 6 月審議的《工業和信息化部信息化和工業化融合 2025 年工作要點》中也提出，以工業智能體為抓手深化人工智能工業應用，帶動工業數據集、工業大模型的創新迭代。
工業和信息化部數據顯示，目前全國已建成 3 萬余家基礎級智能工廠、1200 余家先進級智能工廠、230 余家卓越級智能工廠，這些類型的智能工廠覆蓋超過 80% 的制造業行業大類，卓越級智能工廠產品研發周期平均縮短 28.4%，生產效率平均提升 22.3%。截至今年 3 月底，工業企業數字化研發設計工具普及率為 83.5%，關鍵工序數控化率為 66.2%。
企業層面，除了前文提到的華為、阿里云、微軟等國內外科技頭部企業之外，諸如鼎捷數智、創新奇智、易立德這些，在工業軟件領域垂類軟件服務商也都紛紛推出了結合 AI 能力的產品。鼎捷數智推出了文生圖（ChatCAD），能夠根據訂單需求，自動生成 CAD 圖紙，幫助企業解決標準產品改型設計過程中的高頻、重復、知識密集型的挑戰；易立德此前發布的 ETRX-PDM 就植入了 AI 的能力，涵蓋了智能物料推薦、智能合規性檢查、智能預測 / 分析、智能錯誤檢測等方面，從而提升整體的 PDM 流程效率；而創新奇智，除了與 Bentley 聯合發布植入 AI 能力的 CAD 產品之外，還在工業具身智能、工業 AI Agent、工業 AI+BI 方面有著深入布局。比如，創新奇智就與華潤數科合作，打造了 AI Agent 平臺，構建了華潤微電子晶圓瑕疵圖片知識庫、華潤九新智能問數平臺等應用。
除此之外，傳統工業企業對于 AI 也都保持了積極擁抱的態度。比如，富士康的 FODT 平臺已實現數字孿生與物理世界的毫秒級同步，支持全球產線快速遷移和復制；國家電網打造 " 光明電力大模型 "，在 70 余個場景中實現設備運維、負荷預測的自動化，提升電網穩定性與響應速度。
雖然生成式 AI 技術已經在工業領域有了許多較為成熟的應用落地，但距離真正的智能體時代還有一段距離。工業大模型與智能體應用正從 " 功能替代 " 邁向 " 認知進化 "，推動制造業進入 "AI 定義一切 " 的新紀元。
工業領域智能體的四大特性
在 AI+ 制造從 " 功能替代 " 邁向 " 認知進化 " 的過程中，從應用場景分析來看，目前工業領域應用智能體的場景大多具備一定的共性，主要可以分為四個類別。
第一類是數據治理類。許多工業企業的 IT 信息化建設投入雖早，但對數據僅限于收集，而并未通過治理及資產化使其發揮更大價值。傳統的基于大數據的預測都依賴于應用服務商。生成式 AI 時代的到來，讓這些企業認識到數據的重要性，同時 AI 技術的發展也令企業在數據價值挖掘層面有了質的飛躍。
比如，某服務商在汽車設計環節將研發周期壓縮 30%，其核心在于千億參數中熔煉了數萬份設計圖紙、材料力學數據及流體動力學公式，將這些數據通過大模型的能力，進行治理并利用，實現了增效。
第二類是通過知識處理，提升員工工作水平。東軟集團股份有限公司原法定代表人、董事長劉積仁曾向筆者表示，生成式 AI 最大的作用不是替代員工，而是讓所有員工都具備優秀員工的能力。
工業領域來看，通過建立知識庫，并以問答的形式體現在工作流中，以設備維護場景為例，原先有一些設備細小的問題或 " 疑難雜癥 "，需要具備多年經驗的老員工才能處理，但通過生成式 AI 的賦能后，即便是經驗欠佳的新手，也能通過問答助手獲得維護的技巧，從而補足了員工之間的個體差異，拉高了員工平均工作水平。
第三類是優化流程，從流程驅動轉向數智驅動。這不僅局限于工業領域，原先在企業內部有很多復雜的業務流程，規模越大的企業，流程也就越復雜。流程的每個環節都需要人工進行相應的審核、操作。但通過數據和智能技術，企業可以簡化這些流程，并且在一些環節，通過多模態的模型，AI 可以完成審核工作。比如在財務環節，國內一些做財務 SaaS 軟件的公司就推出了通過 AI 識別技術自動識別報銷小票并自動審核的工具，該 AI 識別還支持多語種，甚至覆蓋了阿拉伯語這樣的小語種。
第四類是為工業企業提供輔助決策的能力。比如在一些庫存管理、原材料進貨 / 出貨情況分析等領域，AI 大模型 / 智能體可以根據以往的數據進行分析，從而幫助企業管理者制定更為科學的管理制度和流程，幫助企業實現利益最大化。
目前工業行業應用智能體仍局限于上述四大領域主要有兩個方面原因：一方面，生成式 AI 主要還是在知識密集型領域能發揮重要作用，主要體現在檢索、交互、泛化想象的能力上；另一方面，上述四個領域具有一個共性——企業數據資產最密集的地方。而想要開發出更多的應用場景，相應的高質量數據集也是必不可少的需求。
來源：鈦媒體
