工业大模型与具身智能实景落地研究报告

工业大模型与具身智能实景落地研究报告

作者单位：泷澹实业（上海）有限公司、泷澹工业研究院、泷澹工业互联网中心
报告日期：2026 年 08 月 29 日

数据来源说明

本报告数据与分析素材来源于工信部装备工业一司公开产业统计公报、工业互联网产业联盟年度白皮书、国内头部制造企业数字化转型公开实践案例、边缘计算产业联盟技术白皮书、主流工业大模型厂商公开技术白皮书、Gartner 工业人工智能赛道分析报告、IDC 全球工业 AI 跟踪报告、中国信通院工业大模型发展研究报告、各制造行业上市公司公开技术披露资料。部分推演判断基于产业样本案例归纳分析，非实验室精准量化实测数据。

免责声明

本报告仅为产业研究分析成果，仅供行业参考交流，不构成任何企业投资决策、技术选型、项目建设的直接依据。报告中所引用第三方公开数据、案例均来自公开渠道，本机构不对第三方原始数据的绝对准确性承担担保责任。不同制造场景工艺约束、设备底座、现场工况存在显著差异性，工业大模型、具身智能相关技术落地效果受硬件条件、数据底座、现场运维体系、行业工艺 Know‑how 积累多重因素影响，报告所提技术路径、趋势判断不代表对任意项目落地效果承诺。未经泷澹实业（上海）有限公司、泷澹工业研究院、泷澹工业互联网中心书面许可，禁止对本报告内容进行篡改、商用二次汇编。

摘要

传统生成式大模型以对话交互为核心能力，擅长文本理解、知识问答、方案推演，但难以直接适配工业生产场景强确定性、高可靠性、强实时性的核心诉求。概率化输出特性，是通用大模型进入生产现场的核心矛盾。工业领域正在发生一次关键范式迁移：从对话式大模型，走向面向任务执行的工业智能体；依托边缘 AI 算力底座重构 IT 与 OT 融合架构，叠加 AR 可穿戴终端、机器人、现场传感硬件等具身载体，打通 “模型认知‑现场感知‑实体执行‑结果反馈” 完整闭环，尝试化解概率化人工智能与确定性工业生产之间的固有冲突。

具身智能不再局限于实验室仿真环境，逐步向工厂运维、产线巡检、设备故障处置、工艺辅助调试、现场安全管控等实景场景落地。边缘 AI 作为关键中间层，承接大模型云端大脑下发任务，在工业现场完成实时推理、本地控制，规避云端传输时延、网络抖动带来的生产风险。AR 眼镜一类人机交互终端，成为人与工业智能体之间重要交互媒介，实现设备运维指引、故障可视化标注、工艺步骤现场推送，把大模型沉淀的工艺知识直接投射到物理作业现场。

本报告围绕工业大模型、工业任务智能体、边缘 AI 改造 IT/OT 架构、具身智能实景落地四大主线，剖析当前产业现实矛盾，梳理技术体系架构，拆解典型落地场景，分析现存瓶颈风险，研判未来演进路径，为制造企业、工业数字化服务商开展相关项目建设提供产业视角参考。
关键词：工业大模型；具身智能；工业智能体；边缘 AI；IT/OT 融合；AR 运维；工业确定性

一、绪论

1.1 研究背景

全球制造业数字化转型已经走过数字化采集、工业软件普及、传统机器视觉检测多个阶段。大模型技术兴起之后，大量通用大模型被引入工业领域，早期应用大多集中在文档问答、工艺文档解析、设备台账文本整理、故障报告生成等纯文本交互场景。这类场景不直接干预物理生产过程，对输出结果容错空间较高，对话交互模式可以发挥大模型知识归纳、文本生成的优势。

当产业尝试把大模型推向产线本体、设备控制、现场作业等直接关联生产结果的环节，固有短板快速暴露。通用大模型属于概率生成模型，输出存在不确定性，同一故障输入，多次调用可能输出差异化处置方案；工业生产对时序、参数、动作有刚性确定要求，参数偏差、动作顺序错误，就会带来设备损坏、产品报废、安全生产事故等现实损失。概率化 AI 与确定性生产的冲突，成为横亘在大模型与真实工业场景之间最核心鸿沟。

在此背景之下，产业方向开始发生转向。行业不再一味追求通用大模型能力无限膨胀，而是聚焦任务闭环执行，推动 “对话大模型” 向 “任务执行型工业智能体” 演进。同时具身智能技术快速发展，让 AI 不再仅仅运行在服务器软件内部，而是绑定物理载体，包括工业机器人、移动巡检设备、AR 人机终端、边缘控制器，实现感知物理世界、理解任务、输出动作、接收现场反馈的完整链路。

边缘 AI 算力体系成为架构变革的核心支点。传统工业体系中 IT 信息技术系统与 OT 生产控制系统分属两套独立体系，IT 侧负责数据统计、业务管理，OT 侧负责设备实时控制，二者数据互通成本高、协议壁垒高。边缘 AI 的介入，正在重构 IT/OT 融合新架构，云端大模型负责知识沉淀、任务规划、模型迭代，边缘端承担实时推理、现场信号对接、安全约束校验，物理终端完成现场作业执行。AR 眼镜实时运维指引是这一架构非常典型的落地缩影：云端大模型调取设备知识库，输出故障处置流程，边缘节点结合现场传感器实时数据做过滤校验，通过 AR 眼镜将步骤、标注、警示信息直接叠加在物理设备之上，指导现场人员完成设备运维作业。

国内政策层面持续推动工业人工智能、工业大模型、工业互联网发展，鼓励新技术在工厂实景落地。与此同时，市场端投入持续增加，大量装备企业、工业软件厂商、AI 技术公司、制造企业研究院，都在布局工业智能体与具身智能相关项目。但实景落地过程中，大量项目依旧停留在试点示范阶段，规模化复制面临工艺知识壁垒、软硬件适配、安全可靠性、投入产出比等多重现实难题。基于上述产业现状，本报告针对工业大模型与具身智能实景落地开展系统性研究。

1.2 研究意义

理论层面，本报告厘清对话交互型大模型与任务执行型工业智能体范式差异，剖析概率化 AI 和确定性工业生产冲突的内在机理，梳理边缘 AI 驱动下 IT/OT 架构重构逻辑，丰富工业人工智能落地的理论分析框架。

产业实践层面，大量制造企业面对纷繁复杂的工业大模型概念，容易混淆通用大模型能力边界与工业现场真实约束。报告拆解实景落地的技术链路、典型场景、现存风险，帮助产业参与者客观认知技术能力边界，避免过度技术幻想，区分实验室演示效果与工厂真实工况下的运行要求，为项目规划、技术选型提供参考。

1.3 研究范围与边界界定

本报告研究对象限定工业实景生产环境，不含实验室仿真环境。核心概念做如下界定：
第一，工业智能体，区别于通用对话 Agent，特指面向工业任务执行，具备感知‑规划‑工具调用‑现场执行‑反馈迭代闭环能力，以完成工业具体作业任务为目标，而非以对话聊天为目标的任务型智能体。
第二，具身智能，指人工智能系统具备物理感知载体，能够对接物理工业世界，接收物理信号，输出作用于物理世界的动作，载体包含工业机器人、移动巡检本体、AR 人机终端、边缘控制器等，不局限于人形机器人单一形态。
第三，边缘 AI 重构 IT/OT 架构，指依托边缘算力节点完成实时推理、协议适配、安全约束，打通上层 IT 业务系统和底层 OT 设备控制系统，云端大模型不直接参与底层设备实时控制。
第四，概率化 AI 与确定性生产冲突：大模型基于概率分布生成输出，存在结果漂移、幻觉现象；工业生产要求动作、参数、时序具备可复现、确定、可控的特征，二者底层逻辑矛盾。

报告不深度拆解大模型底层 Transformer 算法原理，不针对某一款商业产品做测评，重点聚焦架构、场景、矛盾、落地路径分析。

二、从对话交互大模型走向任务执行型工业智能体

2.1 对话式大模型在工业场景的能力边界

对话交互范式的大模型，输入输出主要以文本模态为主。在工业场景可以胜任：设备手册解析、故障报告撰写、工艺资料整理、生产报表文本总结、技术问答、初步故障建议生成。这类工作属于信息处理层，不直接下发动作指令给生产设备，即便模型出现幻觉、输出错误，后果相对可控。

一旦将对话大模型直接用于产线控制、设备故障处置、现场作业指导，固有缺陷就会被放大。首先是输出概率不确定性，同样设备故障现象，多次请求可能得到不同处置步骤；其次是工业幻觉问题，大模型可能编造不存在设备参数、虚构工艺处置手段；第三，缺少现场感知闭环，纯对话模型只接收文本输入，无法实时获取设备当前真实工况，只能依赖人为输入文字描述故障，信息存在丢失、失真；第四，没有执行反馈链路，对话模型输出方案之后，无法获知方案执行之后现场实际结果，不能自动修正自身输出，需要人工完成全部校验工作。

很多早期工业大模型试点项目，仅仅把通用对话大模型套上工业知识库，做简单 RAG 检索增强，本质仍然是对话问答系统，没有形成任务闭环，难以真正介入生产作业流程，这也是很多试点项目难以从演示走向常态化运行的根本原因。

2.2 任务执行型工业智能体核心特征

任务执行型工业智能体，核心目标不是完成对话，而是完成工业具体任务。对话只是人机交互手段，而不是系统最终目的。一套完整工业智能体体系包含多层组件：任务解析层、工业知识底座、规划推理模块、工具调用接口、安全约束校验层、现场感知输入、执行反馈闭环。

第一，任务解析层。接收来自操作人员、上层业务系统下发工业任务，把自然语言描述业务目标，拆解为可分步执行工业子任务。例如 “完成某型号电机轴承异响故障排查”，智能体拆解为读取设备实时振动数据、调取历史同类型故障案例、比对传感器阈值、生成排查步骤、输出处置指引一系列子任务。

第二，工业领域知识底座。不只是通用文本知识库，还包含设备工艺参数阈值、安全规范、设备接口协议、操作禁令、工艺边界约束。知识底座中嵌入大量确定性硬规则，作为概率大模型输出的约束笼子。这是工业智能体和通用 Agent 非常关键区别，通用 Agent 更多依靠大模型自主推理，工业智能体必须把行业安全规范、设备硬约束固化到系统之中。

第三，规划推理模块。依托工业大模型完成任务路径规划，但规划结果不能直接输出执行，需要送入安全约束校验层做拦截校验。

第四，工具调用能力。工业智能体可以调用多样化工具接口：读取 OT 侧设备实时测点数据、调取 MES 系统生产工单、调取设备台账、调用视觉图像识别接口、下发指引信息至 AR 终端，部分场景可对接受控设备执行接口。

第五，安全约束校验层。这是应对概率化 AI 风险的关键屏障。无论大模型输出什么推理结果，全部需要经过硬规则校验，参数超出安全阈值、操作步骤违反安全规程，直接拦截，拒绝向下传递执行指令，同时输出告警。大模型负责 “想方案”，约束层负责 “守底线”。

第六，感知‑执行‑反馈闭环。智能体获取现场传感器、视觉、AR 终端采集真实物理世界数据，任务执行完成之后采集执行结果，反向回传给智能体，用于任务复盘、知识迭代，形成闭环。

2.3 工业智能体和通用对话 Agent 关键差异对比

通用对话 Agent 面向通用互联网场景，容错度高，允许一定幻觉，追求交互体验；工业任务智能体面向生产现场，容错度极低，幻觉属于重大风险，必须设置多层安全拦截。通用 Agent 以对话交互为主要载体；工业智能体对话只是交互通道，大量任务自动后台运行，不需要人机对话介入。通用 Agent 云端集中运行为主；工业智能体大量推理、校验逻辑下沉边缘节点。通用 Agent 对输出结果没有强制可复现要求；工业智能体在相同工况输入条件下，任务输出处置路径必须具备可复现性。

2.4 工业智能体的两类建设路径

第一种路径，基于通用基座大模型做领域微调，叠加工业知识库、Agent 框架、安全约束层。该路径开发速度快，适合知识类、运维辅助类任务，但是基座本身概率属性依旧存在，必须强化外部约束层，不能直接放开设备控制权限。

第二种路径，大模型只负责高层任务规划，底层动作执行、参数控制交给传统工业确定性逻辑。大模型输出宏观策略，底层由经过验证传统工业软件、PLC 逻辑完成实际动作输出。这种模式安全风险更低，是现阶段高危生产场景主流落地思路。大模型不直接触碰底层控制，只做上层任务规划，把概率风险隔离在上层环节。

三、边缘 AI 重构 IT/OT 融合架构

3.1 传统 IT/OT 架构固有矛盾

传统工厂架构中，IT 系统包含 MES、ERP、PLM 等业务管理系统，聚焦业务流程、生产计划、数据统计；OT 系统包含 PLC、DCS、现场控制器，直接管控设备硬件，保障生产实时稳定运行。两套体系技术栈、协议体系、安全体系完全不同。IT 侧偏向大数据、互联网技术，允许一定网络时延；OT 侧要求微秒至毫秒级响应，高可靠性，网络中断不能直接造成生产停机。

传统融合方案大多采用数据网关做单向数据采集，OT 侧数据上传到 IT 系统做统计分析，但是 IT 系统很难反向深度参与 OT 侧实时决策。如果把大模型全部部署云端，所有传感器数据全部上传云端推理，会带来三大现实问题。第一，网络时延，工业现场很多控制任务要求毫秒级响应，公网云端传输无法满足；第二，网络抖动风险，一旦网络中断，云端大模型失效，会直接影响现场作业；第三，海量原始传感器数据全部上传，带来巨大带宽压力，同时带来工业生产数据向外传输的数据安全风险。

完全将大模型部署工厂本地服务器，也存在短板：本地算力成本高昂，大模型持续迭代更新、知识库更新维护负担重，海量历史数据训练、知识沉淀更适合云端集中完成。单纯云端或者单纯本地部署，都无法适配工业场景综合诉求，边缘 AI 成为中间关键解。

3.2 边缘 AI 驱动的新型 IT/OT 分层架构

新架构形成 “云端大模型‑边缘 AI 节点‑现场 OT 硬件” 三层分层体系，重新定义 IT 与 OT 之间分工边界。

云端层，定位为工业大脑，不承担实时控制任务。主要完成大规模历史数据训练、工业大模型迭代更新、行业工艺知识沉淀、长周期任务规划、全局数据分析，把规划完成任务策略下发到边缘节点。云端不直接对接底层设备控制接口，规避网络时延带来的控制风险。

边缘 AI 节点层，是整个架构变革核心载体，承接 IT 与 OT 双向衔接。边缘节点部署在工厂厂区内部，靠近生产设备。一方面接收云端下发任务规划、模型更新包；另一方面直接对接 OT 侧网关、PLC、各类传感器，实时采集设备工况数据。边缘侧完成轻量化大模型推理、多源数据预处理、安全约束校验、任务拆解，把高层任务转化为现场可以执行指令与指引。同时承担安全闸门职能，即便云端出现异常，边缘本地安全逻辑依旧独立运行，保障生产安全。边缘节点可以在网络断开云端的条件下，维持基础现场任务运行，实现断网可用。

现场 OT 硬件与具身载体层，包含 PLC、设备本体、工业机器人、巡检机器人、AR 眼镜、工业视觉采集设备。接收边缘节点输出的指引信号或者受控动作指令，完成物理世界作业，同时持续采集物理世界传感信息回传给边缘节点。

在此架构之下，IT 不再仅仅做事后统计，能够参与现场任务规划；OT 依旧守住实时控制安全底线，概率化大模型推理主要放在云端和边缘上层，底层执行环节保留确定性工业逻辑，实现二者平衡。

3.3AR 眼镜实时运维指引：边缘 AI 架构典型应用实例

AR 眼镜运维指引是该分层架构非常典型实景落地场景，完整链路可以完整展现整套体系运行逻辑。

设备传感器持续采集电机、泵机等生产设备振动、温度、电流数据，原始数据送入边缘 AI 节点。边缘侧轻量化模型实时做异常识别，当识别设备出现故障征兆，将故障基础信息上传云端工业大模型。云端大模型调取设备完整知识库、历史故障案例库，生成整套故障排查与运维处置流程，下发回厂区边缘节点。

边缘节点接收到云端输出方案之后，启动内置安全约束规则校验，过滤掉违反安全操作规范步骤，结合此刻设备实时工况对方案做本地化修正。校验完成之后，将处置步骤、设备零部件标注、风险提示推送至现场作业人员佩戴 AR 眼镜。作业人员看向实体设备，AR 画面直接将故障点位、拆卸顺序、参数要求叠加在真实设备之上，实现虚实融合运维指引。作业人员每完成一步操作，AR 终端采集操作记录，设备传感器同步采集设备状态变化，反馈回边缘节点，用于确认故障是否消除，如果故障未消除，则启动新一轮任务推理。

整个过程中，故障方案的知识生成来自云端大模型；实时数据读取、安全校验、现场交互推送全部由边缘完成；即便云端网络临时中断，边缘侧依旧可以执行已经下发的运维任务，不会直接中断现场作业。

这套模式不是用 AI 完全替代运维工程师，而是把工业大模型沉淀海量工艺知识，通过边缘 + AR 载体直接交付到作业现场人员手上，降低对一线人员多年经验积累的依赖。

3.4 边缘 AI 重构 IT/OT 架构落地过程中的现实障碍

第一，工厂现有 OT 设备协议碎片化。大量存量老旧设备协议不统一，边缘节点对接各类设备需要大量适配开发工作，项目实施成本高。第二，边缘硬件算力选型矛盾。高算力边缘硬件成本昂贵，低算力硬件难以承载轻量化大模型推理，需要做模型蒸馏、量化压缩，带来精度损耗。第三，IT 与 OT 团队组织壁垒。工厂内部 IT 团队、设备 OT 分属不同部门，技术认知、考核目标不同，推动架构改造需要跨部门协同。第四，安全体系重构。边缘节点同时对接 IT 业务数据与 OT 生产数据，需要建立全新边缘安全防护机制，防止边界成为网络攻击突破口。

四、具身智能在工业实景当中落地形态与典型场景

具身智能核心本质，是人工智能不再局限虚拟文本空间，拥有感知物理工业世界的载体，建立智能算法和物理工厂之间交互通道。工业场景具身智能载体形态丰富，并非局限人形机器人，分为人机协同载体、自主作业载体两大类。人机协同载体以 AR、MR 可穿戴终端为代表，AI 输出指引，由人完成最终物理操作；自主作业载体包含巡检机器人、操作机器人，AI 直接驱动实体设备完成作业动作。

4.1 设备现场运维与故障处置场景

设备运维是当前具身智能落地规模最大场景之一。传统设备运维高度依赖资深工程师个人经验，人员流动会造成工艺经验流失；异地设备故障，专家无法第一时间抵达现场。

依托工业智能体 + 边缘 AI+AR 眼镜，形成新型运维模式。工业智能体接收设备异常告警，读取全量测点数据，完成故障根因初步推理，经过边缘安全校验之后，通过 AR 眼镜向现场人员推送可视化指引。包含设备故障点位标注、拆装步骤、安全注意事项、零部件图纸叠加。同时支持远程专家协同，专家远端可以直接在现场 AR 画面上标记设备点位。

对于巡检机器人这类自主具身载体，机器人搭载多光谱相机、声音采集、振动采集传感器，在厂区自主移动巡检。边缘 AI 节点实时处理采集图像与传感信号，工业智能体完成异常识别，识别出泄漏、仪表读数异常、设备异响，自动生成巡检报告，触发对应的处置工单。

需要明确，现阶段绝大多数高危设备维修动作依旧由人执行，AI 承担感知、推理、指引，不直接执行高危物理操作，以此控制概率化 AI 带来的风险。

4.2 产线工艺辅助调试场景

产线工艺调试需要大量工艺知识，调试过程参数微小变化就会带来产品良率波动。传统调试依靠工艺工程师反复试错。

工业智能体对接产线 MES 数据、设备参数、产品质检结果。当产品良率出现漂移，智能体调取历史工艺案例，分析设备参数与良率之间关联关系，输出工艺调试候选方案。候选方案经过边缘层工艺硬规则校验，剔除超出设备允许参数区间的方案。调试方案以指引形式交付工艺工程师，工程师人工判断之后再对设备参数做修改。

整套逻辑下，大模型智能体负责挖掘参数关联关系，给出候选方向；最终参数修改决策权保留在工艺人员手中，不会由 AI 直接改写产线工艺参数，规避概率模型带来工艺报废风险。

4.3 工业现场安全管控场景

工厂安全生产场景包含人员违章识别、设备危险状态识别、危险区域闯入识别。具身载体包含现场摄像头阵列、移动巡检机器人。边缘 AI 完成视频实时推理，工业智能体综合人员位置、设备运行状态，识别违章行为，第一时间在现场终端输出告警，同步推送安全处置工单。

例如识别人员未佩戴防护装备进入高危区域，边缘端立刻完成告警，不需要等待云端返回结果，保障告警实时性。云端工业大模型完成长期违章事件汇总分析，输出安全管理优化建议。

4.4 仓储物流与工厂内物料流转场景

厂区内部 AGV、AMR 属于成熟的具身执行载体。传统 AGV 执行预设固定路线。叠加工业智能体之后，可以接收自然语言任务指令，例如 “将 A 批次物料转运至三号产线”，智能体解析任务，结合厂区实时物料位置、场地障碍物状态，动态规划行驶路径，对接 AGV 执行本体。路径规划推理在云端完成，运动控制、避障安全逻辑下沉边缘控制器，保障运动过程安全。

4.5 各场景落地成熟度区分

运维辅助、安全视觉告警、巡检数据解析已经进入小规模实景试点常态化运行阶段；工艺辅助调试处于试点验证阶段；由 AI 直接驱动机器人完成复杂设备维修操作，仍然处在实验室与示范线阶段，距离大规模实景落地尚有较长周期。产业需要客观区分示范展示效果和工厂全天候连续生产工况的差异。

五、核心矛盾解析：概率化 AI 与确定性工业生产的冲突

5.1 冲突的底层来源

通用大模型是概率生成模型，输出基于统计概率采样，同样输入条件，输出存在随机浮动，会产生幻觉现象。而工业生产是确定性系统。设备每一次动作、每一组工艺参数，都要求确定、可复现。同样工况输入，必须得到一致处置逻辑。二者底层运行逻辑天然存在矛盾，这是工业大模型落地最底层矛盾，不是简单靠扩大模型参数量就可以彻底消除。

概率风险会表现为多种现实问题：第一，模型输出处置方案前后不一致；第二，工业幻觉，编造设备参数、虚构处置流程；第三，对罕见故障工况推理出错，工业场景大量故障属于小概率事件，训练样本数量少，大模型容易给出错误判断。

5.2 行业现存几种化解冲突的技术路径

路径一：分层隔离，把概率推理和确定性执行做物理隔离。大模型只负责上层任务规划、方案建议，不直接下发控制指令。底层执行全部交给经过长期验证的传统工业确定性逻辑、PLC 程序、人工确认环节。大模型输出方案必须经过人或者硬规则校验之后，才能够进入执行环节。这是当前工业界认可度最高的稳妥路线。

路径二：外部约束笼子，构建独立安全校验层。无论大模型输出任何结果，全部送入独立规则引擎校验。内置设备参数边界、安全禁令、工艺红线。一旦输出内容触碰红线，直接拦截，拒绝向下流转。约束层独立于大模型本身，不会被大模型输出内容所影响，形成外部 “防火墙”。即便大模型发生幻觉，也无法输出危险指令。

路径三：领域蒸馏与轻量化行业模型。基于大量真实工业故障、工艺样本做行业微调，降低幻觉概率。但是微调无法彻底消除概率属性，只能降低发生概率，不能完全根除风险，不能把微调之后行业大模型当成 100% 确定系统。

路径四：强反馈闭环。把现场执行结果持续回灌系统，当智能体输出方案出现错误，现场结果反馈回来，触发知识库修正迭代，持续收敛模型输出偏差。反馈闭环可以持续优化，但属于事后修正，不能阻止第一次错误输出发生。

综合来看，没有单一技术手段可以彻底消除概率化 AI 内在风险，产业现实可行方案是多种手段叠加，多层防护，而不是寄希望大模型本身变得绝对确定。

5.3 认知误区：试图依靠大模型完全替代传统工业确定性控制系统

产业当中存在一种认知误区，认为工业大模型可以直接替换 PLC、DCS 这类传统确定性控制系统。PLC、DCS 经过数十年工业验证，具备完备实时性、安全可靠性。大模型概率本质，决定现阶段并不适合直接接管底层设备实时控制。未来演进方向不是替换原有 OT 控制系统，而是大模型工业智能体作为上层增强层，赋能原有工业体系，二者共存互补。

六、实景落地过程中的多维度现实瓶颈

6.1 工业 Know‑how 知识壁垒

工业不同细分行业工艺差异巨大，即便是同一个行业，不同工厂设备型号、工艺版本也存在差异。大模型需要工厂专属工艺知识，而工艺知识大量沉淀在老工程师大脑之中，结构化数字化难度很高。知识梳理、知识校验工作量巨大，是项目主要成本来源，很多项目技术算法可以快速搭建，但是行业工艺知识底座建设滞后，导致系统无法真正可用。

工业知识库不能简单网上抓取公开资料，公开资料存在大量错误，直接喂给大模型会放大幻觉风险，知识库每一条工艺内容，都需要行业工艺人员核验确认。

6.2 数据底座短板

工业大模型、工业智能体运行高度依赖高质量现场数据。大量工厂存在数据碎片化问题：设备数据孤岛，不同设备数据标准不统一；历史故障样本数量不足，很多严重故障几年才发生一次，可用于训练样本稀缺；部分存量设备没有数字化采集接口，需要额外加装传感硬件。缺少高质量标注工业数据集，是制约技术落地一大现实因素。

6.3 软硬件一体化适配难题

具身智能是软硬件耦合体系。工业大模型软件算法、边缘算力硬件、AR 终端、机器人本体、现场传感硬件，来自不同厂商。软硬件之间适配调试工作量巨大。AR 眼镜在工厂复杂强光、粉尘环境之下，识别精度下降；边缘硬件工业环境耐高温、抗震动要求高；工业现场网络环境复杂，都会带来实际使用障碍。很多实验室演示效果优异，部署到真实工厂工况性能明显衰减。

6.4 安全与风险责任界定

当 AI 辅助系统参与故障处置、工艺指引，如果因为智能体输出错误指引，造成设备损坏、生产事故，责任如何界定，目前行业缺少成熟标准。企业对风险顾虑，制约高危场景放开权限。因此现阶段绝大多数项目，把最终操作决策权保留给人，AI 只做辅助指引，规避责任风险。

网络安全层面，边缘节点打通 IT 与 OT，带来新攻击面。工业智能体系统本身如果遭受入侵，恶意篡改任务规划，会带来生产安全隐患，需要配套完整工业网络安全方案。

6.5 投入产出商业挑战

整套体系建设涉及大模型软件授权、边缘硬件、AR 终端、传感器改造、工艺知识梳理、后期运维迭代，整体投入较高。当前很多场景降本增效收益难以快速量化核算。制造业企业对于投资回报周期非常敏感，如何把技术投入转化为可量化收益，是规模化推广关键卡点。大量项目停留在示范项目，难以大规模复制。

七、未来演进路径研判

7.1 技术演进：智能体能力分层演进

短期阶段，也就是当前产业所处阶段：工业智能体以辅助角色为主，完成知识解析、故障推理、作业指引。物理操作由人员完成，概率风险通过外部约束层、人工确认双重隔离。具身智能以人机协同载体 AR 眼镜、巡检机器人为主，复杂物理操作不交由 AI 自主执行。大模型不直接接管底层设备控制。

中期演进，随着工业知识库完善、约束体系成熟、高质量工业数据集积累，部分低风险标准化作业场景，工业智能体可以在多重安全兜底条件下，自主执行标准化简单任务。但高危、非标准化故障处置，依旧保留人工终审环节。云端‑边缘分层架构成为工业 AI 主流标准架构。

长期远景，需要多方面条件共同成熟，行业才会逐步探索更高自主等级具身工业系统。但即便远期，工业生产场景依旧不会完全放弃确定性安全兜底机制，概率大模型永远不能单独承担生产控制责任。

7.2 产业生态变化

工业大模型不会出现一款通吃全部制造行业的超级大模型。不同细分制造行业工艺差异巨大，会形成 “通用大模型基座 + 行业领域知识底座 + 工业智能体框架 + 边缘硬件载体” 的生态模式。通用基座提供基础能力，真正产生价值部分在于行业工艺知识、智能体任务框架、软硬件适配工程能力。服务商竞争重点，不再仅仅是算法模型，而是工业工程落地能力。

IT/OT 融合模式发生改变，不再单纯做数据采集互通，而是以边缘 AI 节点作为中间枢纽，上层智能体做任务规划，底层 OT 守住实时安全底线。

7.3 企业落地实施建议

第一，企业应当理性预期，充分认识概率化 AI 固有局限，不要把工业大模型当成万能解决方案，优先选择辅助类场景切入，例如运维指引、巡检辅助、故障文档解析，从低风险场景开展试点，不急于直接触碰设备控制。

第二，架构层面优先采用云端‑边缘分层架构，将概率推理与确定性执行分层隔离，搭建独立安全约束校验层，作为风险防火墙。

第三，高度重视工业知识底座建设。算法框架可以采购，但是工厂自身工艺知识必须组织内部工艺专家参与梳理核验，知识库质量直接决定整套系统实际效果。

第四，重视数据底座建设，补齐设备数据采集能力，沉淀故障、工艺样本数据集。

第五，区分实验室演示环境与工厂全天候真实工况，试点阶段充分开展长时间现场验证，评估硬件在粉尘、高温、强光等恶劣工况之下稳定性。

第六，建立权责边界，明确 AI 系统定位为辅助工具，高危作业保留人工确认环节，厘清风险责任。

八、结论

通用对话交互型大模型在工业场景存在明确能力边界，产业正在发生范式迁移，向着任务执行型工业智能体方向演进。依托边缘 AI 重构 IT/OT 分层架构，云端负责知识沉淀与高层任务规划，边缘承担实时推理、安全校验、现场交互，AR 眼镜等具身载体把智能能力投射到物理生产现场，为化解概率化 AI 和确定性工业生产之间的固有冲突提供可行技术路线。

具身智能实景落地已经在设备运维、厂区巡检、安全管控等场景实现试点落地，但大规模推广依旧面临工艺知识壁垒、工业数据短板、软硬件适配、风险责任界定、商业回报等多重现实瓶颈。概率生成模型内在属性无法被完全消除，现实可行路径不是试图改造大模型使其完全确定，而是通过架构分层隔离、独立安全约束层、人工终审、反馈闭环多重防护手段，把概率风险隔离控制在安全范围之内。

工业大模型与具身智能不是用来彻底替换传统工业控制系统，而是作为上层赋能体系，和成熟 OT 体系互补共存。技术价值不在于完全替代产业人员，而在于把沉淀下来的工艺知识，通过智能载体交付到生产现场，缓解高端工艺经验传承难题，提升工业现场作业效率。产业各方需要摒弃技术浪漫化想象，立足工厂真实工况，稳步推进实景落地。