当AI技术从模型能力竞赛走向商业化落地，行业的分层正变得越来越清晰。
一端，是以“养龙虾”为代表的个人智能体迅速出圈，实现了全民对Agent概念的普及，但高额的算力成本与不稳定的付费模式，始终是这类应用绕不过去的难题。另一端，企业客户的担忧则更为务实：AI进入核心生产流程后，能否持续产生可量化的商业价值？
这个问题的答案，正在对技术严谨性要求最高的制造业中被反复验证。作为新质生产力的核心载体，制造业具备高复杂度、高价值密度与强约束环境，也因此成为AI从技术走向生产力的最佳试炼场。最近发布2025年财报及行业首个“工业本体智能体平台”的创新奇智，提供了一个清晰的观察样本。这家常被对标为中国制造业版Palantir的公司，正致力于推动“AI+制造”从技术验证走向经营结果，从概念落地为可持续的商业闭环。
1. 从规模扩张到经营质量：追问业务结果
据观察，过去两年，AI to B领域最大的变化在于：企业不再单纯为模型的技术能力本身买单，而是直接追问其所能带来的业务结果。
在制造业，这种追问变得尤为具体：产品良率能否提升？生产能耗能否降低？智能排产能否优化？非计划停机时间能否减少？大量企业在经过试点后发现，基于大模型的简单问答、数据分析和初级自动化，难以触及生产制造的核心。AI往往停留在辅助分析层，而非直接介入执行的决策层与行动层。这正是工业AI长期难以实现规模化应用的关键症结。
创新奇智CEO徐辉指出，企业级智能体的开发难度远高于个人应用，其本质在于需要同时理解数据、业务逻辑与工作流，并在高精准度、可控性、安全性的严苛约束下执行。
政策方向也在同步聚焦。《人工智能+制造专项行动》提出到2027年形成1000个工业智能体，“十五五”规划也将建设现代化产业体系列为首要任务。制造业作为实体经济的根基，被推至AI价值验证的最前沿。
在此背景下，创新奇智2025年的财报数据指向性更强。公司营收达15.13亿元，同比增长23.8%，其中制造业收入占比高达80.9%，毛利率为35.0%。更为关键的是经营质量的变化：应收账款周转天数缩短了64天，在收入增长的同时，应收账款反而下降了12.8%。
在创新奇智看来，这并非简单的周期性回升，而是主动进行战略调整的结果。徐辉透露，公司放弃了一些体量较大但回款周期过长的项目，将资源集中投入到制造业的核心场景中。与之同步进行的，是技术体系的重构。通过“一模一体两翼”的架构，公司将大模型、智能体平台以及工业软件与机器人能力整合为统一体系，旨在推动AI从辅助层走向执行层。
从行业整体来看，能够完成这一转变的企业仍是少数。大模型自身能力的快速提升，并不会自动转化为生产端的落地能力。问题往往不在于模型本身，而在于企业缺乏一套能够承载复杂业务逻辑、约束决策过程的系统性结构。
当被问及当前市场上许多企业级“龙虾”（指智能体）的实际体验与宣传存在落差时，创新奇智CTO李凡也表示，目前市面上的许多企业级智能体，仍停留在简单的部署层面。有的只是将个人智能体迁移到企业环境，有的解决了基础的安全问题，却没有解决实际业务中的使用问题。“我在我们自己的研究院也部署了一个，发现根本没法用。因为它不是为我个人服务的，而是为整个团队。你甚至不知道拿它来具体做什么，就算知道想做什么，配套的基础设施也不具备。”
这段回答揭示了一个更深层的问题：工业AI规模化落地的瓶颈，或许不在于AI算法，而在于是否存在一个能将数据、业务规则与生产流程有效组织起来的中间层结构，使得AI能够稳定、可信地参与核心决策与执行。
面对这一普遍存在的“断层”，创新奇智选择将“本体”（Ontology）推到台前，作为重构工业AI落地路径的关键支点。
2. “本体”作为骨架：构建工厂的“数字大脑”
如果用一句话概括过去两年工业AI的进展，那就是：技术能力已经具备，但难以深入生产核心环节。
大模型在语言理解、任务规划与知识整合方面的潜力已被广泛验证。然而，一旦进入对确定性、可解释性和可追溯性有极致要求的制造业，这套基于概率生成的能力很快会触及边界。在工业生产中，概率性输出本身就可能构成风险。
回顾过去十年，制造业的数字化经历了两个主要阶段：工业互联网解决了数据采集与连通的问题，知识图谱则提供了结构化表达的能力。但两者的本质仍停留在“描述”层面，无法主动推动系统执行。
李凡强调：“工业智能体要在生产制造核心场景落地，必须突破传统AI‘知其然不知其所以然’的局限。”
基于这一思路，创新奇智推出了“AInnoGC工业本体智能体平台”，将模型、数据、本体与智能体能力整合为分层架构。该平台在典型场景中已实现超过95%的推理准确率与秒级响应。
从结构上看，本体更像是工厂的“语义操作系统”。它不直接提供某种具体能力，而是对各种能力进行组织和约束。通过实体（Entity）、关系（Relation）与规则（Rule）这三层结构，本体将设备、工艺参数、物料、生产工单等生产要素，以及它们之间的因果逻辑，统一抽象为机器可以理解和推理的语义体系。
换言之，本体如同“骨架”，其作用是把企业内部已经存在但分散的、如同“血肉”般的各项能力（数据、软件、经验）有机地组织起来，赋予其统一的“语义”。
这一思路与海外提出的“Harness Engineering”（缰绳工程）高度相似。“Harness”原意指套在马身上的缰绳、马鞍等马具，在此比喻通过设立约束机制，让智能体在复杂任务中稳定运行，持续输出可靠、一致的结果。在工业场景中，这种约束不是优化项，而是前提条件。
“去年我们讲的是ChatDoc、ChatBI，本质上还是知识库或读数工具。但今天我们做的已经进入更深层，触及生产工序和核心业务逻辑本身。”徐辉表示。他用一个比喻总结：“越往深水区走，对‘龙虾’的要求越不一样。五百米以下的深海，龙虾可以长到一百斤。养小龙虾，一个盆子就可以；养大龙虾，那环境就完全不一样了。”
从国际视角看，许多巨头也在向类似方向演进。西门子正在强化其工业AI操作系统能力，推动Industrial Copilot从辅助走向执行；罗克韦尔自动化将生成式AI嵌入设计与生产流程；SAP则通过Joule智能体将AI与企业业务系统深度耦合。
更清晰的对比对象是Palantir。这家公司在政企市场的核心能力，并不完全在于其模型本身，而在于通过本体论构建统一的数据语义体系，将分散的数据、规则与业务逻辑组织为可推理、可执行的决策系统。从Foundry到AIP，Palantir的演进本质是从数据整合走向决策中枢，最终进入业务执行环节。
创新奇智的AInnoGC工业本体智能体平台，在结构上与Palantir形成了呼应，但两者路径存在差异。Palantir面向的是更通用的政企决策体系，而创新奇智则直接扎根制造业一线，将本体嵌入具体的生产流程与控制链路，更靠近执行端。这也意味着其面临的工程化挑战更高，但一旦跑通，对产业的改造力度也更深，使其有潜力成为“中国制造业的Palantir”。
从技术层面看，AInnoGC工业本体智能体平台的优势，体现在四个核心模块的协同运作上：
- 本体知识构建模块：将设备运维SOP、生产工艺、质量归因等隐性经验，转译成大模型可理解的规则与业务逻辑，形成可复用的知识资产。
- 孪生图谱与数据引擎：支持IT/OT异构数据秒级接入，实时映射物理状态为动态数字孪生，依托工业图计算技术实现复杂关联的深度分析。
- 认知与推理引擎：基于本体知识库进行逻辑演绎与因果溯源，确保每一步推理都有据可查，满足工业场景的严谨性与可追溯要求。
- 智能体编排模块：通过低代码模式调用本体知识库，依托MCP协议快速集成MES、EAM等工业软件，支持多智能体协同完成复杂的跨场景任务。
平台还具备高准确率、实时闭环、知识可进化、低门槛、全可审计五大核心价值，以此区别于传统AI方案，精准适配企业级场景的严苛需求。
如果说过去工业数字化的核心是各类专业系统，那么在智能体时代，控制权正在从一个个孤立的系统界面，转移到能够理解并全局调度这些系统的“中枢”层。而本体，正是构建这一中枢的起点。
3. 唤醒沉睡资产：从项目交付到能力复用
在本体被明确提出之前，创新奇智已经在多个工业场景中实现了智能体落地。但过去的许多能力多以项目形式存在，不同场景之间难以复用，不同系统之间难以打通，项目经验无法沉淀为可长期运营的资产。这反过来进一步验证了，需要用“本体”来重新组织既有能力的价值。
以工业设计为例，创新奇智与Bentley联合推出的iPID读图智能体，已在头部钢铁企业落地。客户在七大专业中积累了海量PID管线图，但全部以PDF等静态格式存储，属于典型的“哑图”。在传统模式下，修改一张图纸可能需要数天时间，且设计模块难以复用。
基于千万级PID数据训练的工业多模态模型，iPID可以实现静态图纸向可编辑数字化模型的自动转化，能识别超过400种工业图例，整体还原度超过95%。图纸处理周期从数天压缩至分钟级，返工成本降低75%以上，检索效率从小时级缩短至秒级，设计模块复用率提升约60%。过去只能被人工查看的“死”图纸，开始具备了被程序调用与推理的“活”能力。
类似的变化也出现在生产与运营环节。在某全球知名啤酒企业的灯塔工厂，创新奇智最初以ChatBI切入，实现了数据查询的对话化，但很快触及瓶颈。“客户最开始只是用来看数，但很快就提出了新问题：能不能不仅看到数据，还能理解数据之间的关联，并据此做出决策？”
在引入本体后，原本分散在不同系统中的工厂、产线、设备、工单与能耗数据，被统一建模为具备明确业务语义的实体。通过定义实体间的关联规则（例如“某设备振动异常+温度超阈值+历史故障记录 → 高停机风险”），系统能够进行因果推理，实现从“感知”到“决策建议”甚至“预防性维护指令生成”的跨越。
在工业机器人场景中，这种转变更加直接。通过“一脑多体”架构，智能体能力被嵌入物流、检测与巡检等系统。在矿业与制造场景中，系统可以自主完成路径规划、设备调度与无人转运任务，机器人开始具备在复杂动态环境中的自主决策能力。徐辉强调，创新奇智已经与库卡、擎朗等机器人厂商达成合作：“上天、入地、下海，我们都有对应的应用场景。场景需要什么形态的智能体，我们就用本体的方法构建什么业态。”
这种根本性的结构变化，也直接带来了商业模式的转向。随着本体将行业经验结构化并产品化，AI能力开始具备跨场景、跨客户复用的基础，公司也得以从单点解决方案提供商，逐渐转向系统级平台提供商。
对于行业普遍关心的“AI是否会替代传统工业软件”的问题，创新奇智给出的判断是“重构”而非“替代”。徐辉表示，工业软件沉淀了行业数十年的流程与知识，是制造业不可或缺的基础设施。未来，这些系统将以“能力模块”的形式存在，被上层的智能体按需调用，而本体智能体平台则将成为统一的交互入口与决策中枢。
从更宏观的视角看，这意味着工业数字化的“控制权”正在发生转移。过去的控制权归属于各类垂直的专业系统本身，而在智能体时代，控制权开始向能够理解全域业务逻辑、并调度所有系统的“中枢层”集中。本体，正是这一中枢得以成立并稳定运行的前提。
4. 探索工业AI的中国化落地路径
工业智能体正在进入一个明确的规模化应用阶段。IDC数据显示，中国工业企业应用大模型及智能体的比例已从2024年的9.6%跃升至2025年的47.5%；Gartner预测，到2028年约33%的企业软件将内嵌代理型AI。产业正从技术验证迈入真实落地，未来三年将是市场格局形成的关键期。
但“规模化”并不等同于“简单复制”。过去十年，中国工业互联网的发展长期依赖项目制定制开发，每个工厂都需要重新建模、重新适配，导致能力难以沉淀，边际成本居高不下。项目做得越多，系统越庞杂，但复用能力却没有同步提升，这也是从成功案例走向规模化盈利始终困难重重的原因。
问题的关键并不在于技术能力的缺失，而在于缺乏一套可以持续复用、统一调度的“能力结构”。
创新奇智给出的答案，是将“一模一体两翼”作为整体架构来解决这一问题。以工业大模型提供通用认知能力，以本体智能体作为中枢完成语义组织与决策约束，再通过工业软件与工业机器人“两翼”来承接最终的执行。这一架构的意义，在于将模型能力、业务逻辑与执行系统整合为一个可闭环运行的有机体系，使AI解决方案不再依赖孤立的单点项目落地，而是具备了跨场景复制与持续自主演进的基础。
在这一体系之下，本体的核心作用开始充分显现。通过将设备运维、能耗优化、质量追溯等核心业务逻辑抽象为统一的语义模型，平台可以在不同产线、甚至不同工厂之间迁移和复用智能体能力，使行业经验从“一次性交付物”转变为“可迭代增值的资产”。工业AI由此第一次真正具备了工程意义上的可扩展性。
这一结构性的变化，也正在重塑AI to B的商业逻辑。过去高度依赖人力交付的“项目制”模式，开始逐步转向以模型与平台为核心的“标准化产品+订阅服务”输出。随着解决方案中可复用部分的比例提升，交付的单位成本下降，毛利结构得以改善，行业长期存在的“增收不增利”困局开始出现松动的可能。
与此同时，关于商业模式的讨论也必须回到现实的市场约束中。当被问及是否会跟随英伟达GTC等行业会议倡导的“token计费”潮流时，李凡强调，这需要看业务实质。制造业大量核心场景采用私有化部署，模型运行在客户本地，这种情况下更适合按算力资源或服务器授权收费，而非按token用量计费。
徐辉进一步指出，这并不是单纯的技术或产品选择问题，而是由市场结构决定的。在以年度预算审批与项目招标为主导的制造业客户体系中，纯粹的云服务订阅制或流量计费模式短期内难以成为主流。更现实的路径可能是混合收费模式，甚至在未来探索按实际产生的业务结果（如提升的良率、降低的能耗）付费。
这意味着，工业AI的商业化路径不会简单复制消费互联网的成功模式，而必将沿着制造业自身的运行逻辑与采购习惯演进。
2026年被视为智能体规模化应用的起点，但真正决定产业竞争高度的，或许并非用户入口的规模，而是进入生产核心的深度与稳定性。能够在高约束、强确定的工业环境中稳定运行，并持续产生可量化经营结果的能力，才是AI之于制造业的长期价值所在。
在这一意义上，“本体”不只是一个技术组件，更代表了一种新的能力组织方式与工程范式。而“一模一体两翼”，则是这种能力得以在复杂工业系统中落地的具体工程化路径。谁能够率先建立并验证这一体系，谁就更有可能在下一阶段的工业AI竞争中，占据主导地位。
工业智能体的浪潮已至，而为其构建可靠“骨架”的本体技术，正成为破解落地困境的关键钥匙。对于深耕技术应用的开发者和社区而言，关注此类将前沿AI与厚重工业知识融合的实践，无疑具有重要价值。在 云栈社区 这样的技术交流平台，也时常能看到关于Agent架构、知识图谱应用以及工业数字化转型的深入讨论。
（文中图片来自创新奇智；封面图由AI生成）
发表于 4 天前
|
查看: 19|
回复: 0
