【摘要】大模型智能体为推动我国工业体系从依赖人口红利向全面自主化转型，提供技术契机。以大模型智能体推动工业制造全面自主化，是一项涵盖工业环境重构、知识体系治理、组织协同再设计和评价反馈优化的系统工程。围绕现有工业场景，本文提出“虚实结合工业环境—知识工程赋能机制—多智能体协同制造—工业评价反馈体系”四位一体的工业智能体落地框架，为工业生产全面自主化转型提供系统路径。
【关键词】大模型 智能体 工业制造
【中图分类号】TP18 【文献标识码】A
习近平总书记指出：“要抓住难得的历史性机遇，鼓励开源开放、合作共享，全面促进人工智能科技创新、产业发展、场景应用，协同推进传统产业改造升级、新兴产业培育壮大、未来产业前瞻布局，让人工智能赋能千行百业。”①作为人工智能的新兴代表，大模型智能体为推动工业生产的全面自主化转型提供新的契机。区别于传统人工智能，大模型智能体能够自主感知与理解场景、规划任务步骤、调用外部工具并执行相应行动，在应对大规模、高度复杂任务方面展现出前所未有的潜力。然而，如何让大模型智能体支撑工业生产制造的落地路径还不明晰。为此，本文提出“四位一体”大模型智能体推动工业制造全面自主化的落地路径。
以虚实结合工业环境夯实工业智能体的感知交互基础
大模型智能体参与工业生产，需对生产过程进行有效感知和交互。尽管现有工业系统已具备较高的数字化和自动化水平，能够通过传感器、控制器等完成数据采集与过程控制，但其数据和操作通常属于语义层级较低的原始物理信号和控制状态，如设备状态码、传感器数值、报警编码等。这类信号虽具有确定性、实时性和可靠性，却缺乏语义表达能力，难以直接支持智能体感知与交互。此外，部分环节尚未纳入工业自动化系统，仍需工人直接感知设备和物料并手动操作。因此，需分别面向已纳入自动化系统的生产环节和仍依赖人工现场操作的生产环节，构建相应的感知交互通道，由此形成虚实结合的工业环境。
面向现有工业设备和工业系统，构建智能体可理解、可调用、可控制的语义化交互中间层。现有工业系统产生的原始物理信号和控制操作语义层级较低，难以被大模型智能体直接理解和交互。因此，需在现有工业系统与大模型智能体之间构建可供智能体直接感知和交互的语义化中间层，连接智能体认知能力与底层物理系统。这一中间层，通过传感器实时采集、同步物理世界的运行状态，并将此类低语义物理信号“翻译”为语义丰富、可供推理的状态快照，使得智能体能够感知理解工业现场；同时，将智能体的控制意图映射为可执行指令，下发至控制器、执行器等设备，从而有效参与物理生产过程。
值得注意的是，构建这一中间虚拟层，并不需要另起炉灶。过去十余年工业界大力投入建设的“数字孪生工厂”，可以被重新盘活以承担这一桥梁角色。数字孪生是在数字空间中为物理设备、生产过程或工厂系统建立可同步、可交互的虚拟映射，用于观察现场状态、分析运行问题和优化生产调度。然而，受限于既往技术条件，已建成的数字孪生工厂并未释放其预期价值。大模型智能体的出现，为盘活这些数字孪生资产提供契机。大模型智能体凭借其类人的智能水平，能够理解数字孪生以结构化文本等形式提供的工业系统的状态快照；同时，数字孪生则通过控制和配置接口，为智能体提供与物理工业系统交互的通道。二者结合，可使数字孪生从被动的镜像与展板，升级为支撑智能体感知、推理和操控工业系统的语义化交互层。这既盘活现有的数字孪生投资，又为大模型智能体深度介入工业生产铺设关键桥梁。
面向仍需产业工人现场感知和手动操作的环节，为智能体构建无缝适配这类工作的具身载体。在需要柔性材料抓取、异形件装配等场景中，生产过程难以完全依靠自动化设备执行，而是高度依赖产业工人以视觉、触觉和手部动作，完成现场感知与灵活操作②。现有生产环节主要面向产业工人设计，若专为智能体改造，成本高昂，难以在企业间推广。因此，为大模型智能体打造的具身载体，需无缝适配现有人工作业环境。由于在形态结构和关节自由度上与人类具有同构性，人形机器人能够直接“嵌入”现有产线，无须大规模改造现场环境和设备，因而成为智能体承担产业工人生产任务的理想具身载体。更关键的是，这种同构性恰恰使接受人类示教成为可能。产业工人示范工序动作后，人形机器人即可凭借相近的肢体结构模仿与迁移，将工人长期积累、难以用语言描述的隐性操作技能低成本地“复制”给智能体。可以说，人形机器人是承接智能体认知能力、让智能体“动手”参与非结构化生产环节的天然载体。
值得注意的是，我国蓬勃发展的人形机器人产业为此提供良好的硬件和生态支撑。人形机器人凭借其高度拟人化的形态给人带来的亲和感和交互力，展现出无限广阔的应用前景。③近年来，在政策引导与市场资本的双重驱动下，国内已经涌现出一批具有竞争力的人形机器人整机企业④。在硬件层面，国产高功率密度伺服电机、灵巧手等关键零部件供应链日趋成熟，有利于以更低成本、更快速度定制兼具力量和灵敏度的工业级机器人躯体，加速“大脑”与“躯体”融合，推动大模型智能体在非标准化工业场景中落地。
以知识工程赋能工业智能体深度嵌入工业系统
智能体嵌入工业系统，不仅需接入生产现场，而且需掌握支持现场理解和决策的工业知识。为此，需通过知识工程系统治理既有工业知识资源，支撑智能体实现人类水平的现场理解与生产决策能力。工业知识与设备硬件、工业软件共同构成制造能力的基础，凝结着企业长期积累的认知资源。工业场景的生产知识，既包括技术文档、工艺规程、设备手册、质量标准、技术图纸等文档化知识，又包括操作诀窍、故障处置直觉等经验性知识。这些知识往往分散在工业场景各处，具有异构化、碎片化和场景化等特点。若缺乏系统性治理，这些知识难以被智能体直接理解和有效复用。因此，需面向工业制造场景开展知识工程，从获取、评估、应用三个环节构建全生命周期治理体系，将工业知识转化为可计算、可迭代、可共享的新型生产要素。
在知识获取环节，需从单纯的资料归档和数据留存，转向对工业知识资源的系统整理和主动建模。一方面，对现有工业场景中的文档化知识进行系统解析、标注和关联，形成统一的知识索引和语义结构，支持智能体理解工业场景各要素之间的关系。另一方面，把经验性知识从对生产结果和操作记录的被动留痕，转向对真实任务执行过程的主动建模。具体而言，可完整收集工业现场中人、设备与环境之间持续交互所形成的实践经验。例如，可通过多模态信息采集技术记录视频、语音、动作轨迹和设备反馈等信息，捕捉专家在真实任务中的操作路径、判断依据和处置过程。此外，可由智能体在关键决策点主动向专家追问原因、依据和适用条件，以弥补单纯行为记录难以覆盖的经验缺口。由此，既有文档资料和现场经验能够共同进入企业知识底座，转化为可计算、可迭代、可共享的知识资源。
在知识评估环节，需建立知识质量和有效性的验证流程，保证其在不同任务和场景中的正确性、稳定性与泛化能力。对于文档化知识，重点检查版本有效性和内容一致性，避免智能体调用过期规程、废止标准等与设备状态不匹配的资料。对于经验性知识，保留其环境条件、设备状态和适用范围，避免将局部有效做法误认为普遍适用规则。进一步，需从一致性、可用性和效益变化等维度，综合评估知识对系统性能、安全风险和生产效率的影响，并建立分级评估机制：低风险知识可快速入库和迭代，高风险知识需经专家复核、小范围试运行和安全审计后方可进入生产系统。通过这样的评估体系，避免错误知识、过时知识和被污染知识进入智能体执行链条。
在知识应用环节，面向智能体的执行需要，将工业知识转化为可检索、可推理、可调用的结构化单元。具体而言，可将工业知识中的各要素组织为知识图谱中的实体、关系和规则，使智能体能够在执行任务时快速定位相关知识；也可将常见任务流程、工具调用策略、异常处理逻辑和安全校验要求，封装为可复用的Skill文件或工作流模板，使智能体能够依据知识形成行动方案。
以工业实践理论支撑多智能体协同机制
工业制造本质上不是单点任务，而是跨设备、跨工艺、跨排产、跨维护和跨安全约束的系统问题，具有高度的流水线耦合性和精益优化需求。这种生产制造中的复杂决策无法由单一智能体支撑，需构建多智能体协同机制，依据工业制造既有的专业化职能分工，将复杂生产任务拆分给承担不同专业任务的智能体。具体而言，可将不同智能体分别映射到设备、工艺、质量、维护、排产、物流和安全等制造职能之中，使各智能体围绕虚实结合工业环境与工业知识经验展开协同。要使这种协同能够有序、高效运行，还需借助工业工程在产线平衡、排产和供应链协同等方面的成熟方法。
工业工程这门学科在长期发展中已经沉淀大量在工业现场被反复验证的理论实践成果。这些成果虽然并非针对智能体协同提出，但其所处理的生产组织、资源配置和流程优化等问题，与多智能体协同制造面临的问题高度相关。在流程管理方面，精益生产理论认为，企业需围绕客户需要的价值组织生产活动，并持续识别和消除生产过程中不创造价值的环节。精益生产逐步演化成一套系统性的流程优化方法，对提高生产效率、降低生产成本具有重要指导意义。有研究指出，精益生产相较于传统大规模生产方式，在装配效率、质量控制、库存水平和生产灵活性等方面具有显著优势⑤。除了这些管理准则，工业企业还发展出以数学方法为核心的生产优化体系。在现代工业生产线优化中，企业通常面临订单需求波动、物料供应不确定，以及人员和设备资源耦合等复杂约束，这导致仅依靠经验性的管理准则，往往难以在效率、成本与设备利用率之间取得整体最优。因此，工业工程逐步形成用于面向工业制造场景的数学方法，将生产现场中的各要素转化为可计算的数学模型，为生产优化提供量化依据。例如，混合整数线性规划与遗传算法，用于在有限资源约束下求解排产最优解；马尔可夫决策过程和排队论，用于模拟和解决设备维护、动态物流中的随机波动与拥堵问题。
构建多智能体协同制造机制，需将这些工业实践理论深度融合进智能体间的交互模式和组织架构中。具体而言，智能体间的交互模式设计应融入精益生产的价值最大化、浪费最小化理念。智能体之间的交互不能仅以充分交换信息为目标，还需注重有效性和经济性，在满足生产决策需求的前提下，减少重复协商和冗余响应，降低协同成本、提高交互效益。在智能体间的组织架构上，需引入工业工程中的数学优化方法来决定多智能体系统的理想组织方式。具体来说，可将设备能力、物料供应和交付期限等抽象为约束条件，将生产效率、库存成本等作为优化目标，据此确定智能体间的层级关系和通信路径。由此，智能体系统的组织架构，不再是静态设定，而是能够围绕生产目标、资源约束和现场状态进行动态优化调整。
以工业评价反馈体系牵引智能体持续优化升级
智能体进入工业场景后，其能力提升不应停留在通用任务的表现上，而需深度嵌入企业生产过程中，根据实际生产成效不断获得评价信号和优化反馈，在此基础上由工业评价反馈体系牵引实现持续迭代。而评价反馈要真正反映智能体对生产的实际贡献，就必须建立在企业真实的生产目标和竞争优势之上。在工业制造场景中，先进企业的生产评价体系并非抽象、通用的指标集合，而是围绕自身核心竞争力，在长期实践中形成的综合性评价机制。不同企业往往会发展出具有鲜明企业特征和产业属性的生产评价指标体系，这些指标构成企业持续改进生产过程、优化组织能力和强化竞争优势的重要抓手。
智能体要在工业系统中持续发挥作用，其能力提升需与企业既有生产评价指标体系紧密结合。具体而言，需将企业生产评价指标转换为牵引智能体持续优化升级的训练信号。一方面，围绕企业核心竞争力开展奖励建模，将其独特优势指标转化为差异化优化目标，引导智能体持续强化符合企业产业属性、产品特征和竞争战略的行动策略；另一方面，围绕生产底线要求开展惩罚建模，将不可突破的质量、安全和合规边界转化为约束信号，确保智能体在提升生产绩效的同时，不偏离企业既有生产秩序。
总体来看，以大模型智能体推动工业制造全面自主化，是一项涵盖工业环境重构、知识体系治理、组织协同再设计和评价反馈优化的系统工程。虚实融合工业环境是智能体介入生产过程的关键载体，知识工程为其深度嵌入工业系统提供认知基础，多智能体协同机制推动其由单点赋能走向体系化协作，评价反馈体系则使其能够在持续实践中不断校准和优化升级。这四个层面共同构成大模型智能体重塑工业制造生产方式的重要支撑。面向未来，需立足我国完整工业体系和丰富应用场景，加快构建以大模型智能体为核心的新型生产组织方式，为我国工业制造实现从规模优势向智能优势跃升、从依赖人口红利向全面自主化转型提供关键动力。
【注：本文系国家自然科学基金面上项目“面向复杂异构数据的会话式问答系统研究”（项目编号：62272330）阶段性成果】
【注释】
①习近平：《携手构建公正合理的全球人工智能治理体系——在2026世界人工智能大会暨人工智能全球治理高级别会议开幕式上的主旨讲话》，《人民日报》，2026年7月18日。
②世界经济论坛：《物理AI：引领工业运营新时代》，2025年9月。
③肖峰：《具身智能的三重伦理挑战》，《学术前沿》，2025年第20期。
④郭爽：《国际观察丨中国人形机器人频频“破圈” 具身智能迈入应用时代》，新华网，2026年2月26日。
⑤[美]詹姆斯·P·沃麦克、[英]丹尼尔·T·琼斯、[美]丹尼尔·鲁斯著，余锋、张冬、陶建刚译：《改变世界的机器：精益生产之道》，北京：机械工业出版社，2015年，第57页—58页。
责编/银冰瑶 美编/王梦雅
声明：本文为人民论坛杂志社原创内容，任何单位或个人转载请回复本微信号获得授权，转载时务必标明来源及作者，否则追究法律责任。
