编者将追究其法律责任。 （一）工业智能体是赋能新型工业化的关键使能技术，应用落地 可释放显著颠覆价值。工业智能体具备环境感知、逻辑推理、任务规 划、工具调用、任务执行及多主体协同能力，已逐步渗透研发设计、生 产制造、营销服务、运营管理等工业全流程，推动智能制造从“自动 化”向“自主化”跨越，在提效降本、流程优化、价值创造等方面展现 出突出的产业变革作用。 （二） 力的智能系统。工业智能体则是专门为工业生产制造场景设计、部署、 运行的，以工业大模型为核心认知与推理引擎，深度融合工业知识图 谱、机理模型、领域数据与业务流程，具备环境感知、逻辑推理、任务 规划、工具调用、任务执行及多主体协同能力的软件系统或软硬一体 实体。 （二）工业智能体内涵辨析 工业智能体是推动“人工智能+制造”迈上新台阶的关键驱动技术， 它并非脱离现有人工智能赋能制造业轨迹，而是对其的深化与超越。 五、我国发展工业智能体的建议 （一）筑牢技术创新根基，提升工业场景适配能力 一是探索搭建国家级协同创新平台，以重大科技专项、“揭榜挂 帅”等机制为抓手，重点攻关工业机理与智能体决策模型深度融合、轻 量化部署、多智能体协同适配等核心技术，破解泛化能力不足、实时响 应不达标、跨系统协同冲突等落地难题。二是构建工业级场景验证闭 环，搭建典型复杂工况测试平台，围绕极端环境、突发故障等场景，验 证工业智能体运行稳定性

ChatGPT 诞生以来，人工智能发展进入爆发期，GPT-4o、V-JEPA 2、OpenClaw 等多模态模型、智能体和具身智能前沿领域快速迭代， AI 技术从“序列预测”走向世界模型、从智能对话到智能体协同、从虚 拟智能走向物理 AI，并展现巨大的社会经济变革潜力，驱动制造业 智能化从以判别分析为主的“自动化智能”向具备自主决策与生成能 力的“自主化智能”演进，这一过程中实现了三个关键转变。一是从单 时间和运营风险；美国软件技术企业 LogicMonitor 的 AI 智能体能主 动分析设备运行数据，确定故障原因并给出解决方案，使警报减少 80%。 2.多智能体协同实现复杂工业流程调度和全局资源优化 在单智能体的自主执行与决策能力基础上，多智能体协同系统通 过多主体间的信息交互、能力互补与任务协同，突破单智能体的能力 边界，目前行业内已形成两条成熟的技术落地路径：一是“中心协调 器+多个执行智 “听懂”彼此。二是面对设计中“既要性能好、又要成本低”的多目标难 题，建立需求、方案、仿真、排程、根因分析的多智能体协同机制， 寻求最优设计策略。三是将产品生产、在役阶段的质量、维保、用户 反馈等数据进行沉淀并回流至设计阶段，用来修正最初的设计参数和 材料选择，推动模型与策略在全生命周期的持续进化。例如麻省理工 团队采用多智能体协作框架，整合了“视觉－语言”模型用于草图风格 工业智能创新发展报告（2026 年）

学习路径推荐和协作助理，智能化识 别岗位所需技能和员工现有能力，并 提供个性化学习和任务匹配方案。 • 将人才能力与业务流程直接关联，确 保关键岗位人员在业务操作和决策中 发挥最大价值，支持组织整体协同与 效率提升。 业务流程智能化 • 通过流程挖掘、智能决策支持和工作 流编排，将企业核心业务流程数字化、 标准化并智能化，实现端到端流程优 化。 • 打通各环节信息流与操作流，实现工 具、数据、岗位和业务的协同，使流 私域知识应用”问题： • RAG（用私有知识库增 强大模型生成能力） • 知识图谱与语义索引 知识增强 与推理类 让AI从“回答问题”升级为 “执行任务” • 多智能体系统（各类岗位/ 角色智能体协作） • 工作流编排与任务自动化 确保AI应用的可靠性、合规 性与可控性： • AI可解释性与审计追踪 （提供输出链路溯源） • 控制与数据安全权限 智能体与 自动化类 治理与 安全类 AI原生+产业级Know-How 688亿美元。 • 作为现阶段企业最直接可见的生产力提升方式，其市场规模已达 2024 年的869亿美元，并将在 2030 年达到 2,320亿美元，持续保持 主导地位，但增速有所放缓。未来，随着多智能体协同、跨系统知 识融合和工作流自动化的普及，该领域将继续保持企业级智能生产 力生态中的主导地位，成为连接知识、人才与业务的关键支撑层。 AI人才 培训与发展 AI人才管理 与效率工具 智能协作与

的颠覆性特质下被加速放大，呈现出清晰的分层特征： 1. 领先企业：从“数字化”迈向“智能化”的范式革命 这类企业已突破传统数字化边界，进入“AI 原生”运营阶段：一方面，超越单一流程自动化，追求 智能体协同。以酷特智能为例，其不再局限于“机器替代重复劳动”，而是进入了“多智能体应用”的领域。 每个生产环节（如设计、打版、排产、裁剪）都可能由一个或多个 AI 智能体负责，它们之间像一支“AI 战队” 的较量。企业将从 “紧 密耦合的组织机器”，演变为 “由无数智能体组成的弹性生态系统”。这一过程中，IT 部门的角色也将 彻底转变：从 “系统维护者” 升级为 “智能体生态培育者”，负责制定智能体协同规则、优化数据流通机制。 趋势 2：AI 实施路径从 “狩猎模式” 转向 “农耕模式” 当前多数企业的 AI 应用仍处于 “狩猎模式”―― 四处寻找能带来快速回报的 AI“猎物” （如一 个 执行到风控全面重构业务逻辑。2018 年以来，企业 AI 应用从单点自动化（如 RPA 财务审核）逐步演进， 2025 年已涌现酷特智能多智能体协同生产、世纪开元 AI 大模型驱动印刷产业智能定制应用、上海联 通 AI Agent 赋能企业数字化营销等标杆案例，实现从 “机器替代人工” 到 “智能体协同决策” 的跨越， 成为驱动业务创新的核心动力。 正如 Gartner 发布的 2025 年中国 AI 技术成熟度曲线显示，与大模型的

在智能体层，聚焦于智能体应用的工程化开发与编排能力。该层 需提供可视化开发环境，支持业务人员与技术人员协同定义智能体角 色、任务自标、对话流程与工具绑定策略。平台应内置工作流引擎， 支持多智能体协作、人机交互相融、异常处理与回退机制等复杂逻辅 编排。关键在于，所有智能体行为必须可配置、可追踪、可审计一一 包括其调用了哪些工具、依据了哪些数据、做出了何种决策。同时， 14 应建立智能体 的质量与价值的规 模。 破解组织协同难题，必须进行前瞻性的组织设计与机制创新，推 动金融机构从“职能竖井”向“价值网络”转型。核心在于构建“战略牵 引、机制保障、人才支撑、文化浸润”的四位一体协同体系。 1.强化顶层设计与战略解码： 成立高规格的数学化/智能化转型委员会：由组织领导直接挂师， 核心业务部门、科技、风险、合规、数据等部门一把手作为常设委员， 负责审议智能化战略、审定重大投资项目、裁决重大资源协调与优先 Allinone 规划力 个超级入口提供所 找和接素 无需到处寻 工程 记忆力 结果交付 需繁现的过程操作 行动力 大件 图9上海银行AI手机银行系统架构图 应用平台层：借助多智能体协作实现灵活的功能扩展和个性化服 务，支持客户端智能化开发组件、动态卡片、流式会话网关、智能搜 推等智能能力，可实现从货架式功能清单查找到“一句话”指令式服 58 务。以全场景适配为核心，基于任务执行沙箱，在保障隐私安全基础

业存在三重失衡：总量失衡、技能结构失衡、信息匹配失衡。现有的招聘平台门 槛较高，难以服务于蓝领就业与下沉市场。而报告所调研的支付宝平台，通过打 造平台生态，降低数智化平台的使用门槛，推动就业生态中的各主体协同，全方 位服务于蓝领高质量就业。 本报告在上述创新的基础上，对支付宝平台作为数智化平台的代表在促就业 方面的特殊价值进行了分析：一是“平台的平台”模式；与其他促就业平台不同， 支付宝打造的 1.海量的信息为求职咨询提供知识基础 30 2.数智化能力为求职咨询提供质量保障 31 3.全天候、一站式服务为就业咨询提供便利 32 第三节 平台打造聚合各方主体的就业生态 32 1.多主体协同 33 2.多资源聚合 33 3.多流程融合 35 第四节 平台增强就业信息透明度与可信度 36 第五节 平台促进新型就业模式发展 37 1.平台为新型就业模式提供要素支撑 37 2.平台新商业模式催生新型就业模式 方面，如支付宝就业团队与三顾云科技联合研发的公共就业 AI 数智人“小顾”， 解答咨询问题准确率高达 95%以上，解放人力的同时，为求职者提供了便利。 第三节 平台打造聚合各方主体的就业生态 平台作为就业的载体，通过多主体协同、多信息聚合、多流程融合打造了一 个以数字平台所有者为核心的、由各类互补主体所组成的复杂就业网络，在这个 网络中，平台聚合的多主体相互作用，各种相关要素在平台系统内流动、转化， 为就业“招、

奇安 信科技集团股份有限公司 随着“东数西算”工程深入实施，网络安全、数据安全 成为算力基础设施必须面对和解决的关键问题。韶关数投与 奇安信以内生安全为核心理念，构建集群—数据中心两级一 体协同防护体系，实现统一指挥调度、联防联控、快速处置 一体化安全防护，大幅提升韶关数据中心集群安全防护能力。 一是构建区域一体安全防护中心。围绕云、网、数、边、 端、密码等安全需求，构建涵盖算力基础设施、云平台、应 端、密码等安全需求，构建涵盖算力基础设施、云平台、应 用等全栈式安全防护体系，稳妥有序推进风险监测、研判分 析、事件处置、应急响应等安全运营工作，为 20 余家数据 中心、50 万标准机架提供全方位安全保障。 二是打造两级一体协同综合安全管理平台。以网络安全 协同保护为核心、安全信息共享为导向，建成安全通报预警、 调度指挥、安全合规等 10 余项核心安全能力，实现集群内 51 网络和数据安全“可知、可视、可管、可控、可溯”，形成

不高，却占用 研发人员 30%—50% 的时间。随着高级 AI 代理的大规模应用，这些环节正被“智能体”系统 性接管： IDC 预测显示，到 2030 年，70% 的开发者将与自主 AI 智能体协作，其角色将从“亲自执行” 转向“规划与设计”；同时，70% 的企业会在 DevOps （研发运营一体化）流程中嵌入 AI 智能体， 实现测试、扫描与修复建议的自动化闭环，“人机分工”将成为研发组织的新常态。

研究通过机器人原型系统验证感知—行动闭环对智能生成的 关键作用，但也暴露出学习效率和泛化能力不足的问题。 进入融合深化阶段，多模态感知、强化学习与世界模型等技 术路径加速汇聚，智能体范式成为核心框架，系统由单点能力验 证转向整体协同演化，但同时带来算力、系统复杂性与安全性等 挑战。当前，具身智能正迈入系统化与产业化探索阶段，在大模 型赋能下形成“通用能力+具身约束”的新结构，推动从任务定 制向平台化演进，并在结构化场景中逐步实现落地应用。整体来

客户获得成功。 持续创新是推动发展、赢得市场份额的关键。它融合了创造 力、多元化、执行力和较高的风险承受能力。SAP 是第一批 采用设计思维方法的企业之一。我们投资了虚拟协作空间和 200 多个实体协作空间,将创新融入到企业的方方面面。在 推动创新和引发客户共鸣方面,多元和包容发挥了举足轻重 的作用。这些价值在“自闭症人才项目”和不断增加的千禧 一代员工队伍中得到了充分体现。 为实施真正的整体战略