制造业有了本体，大模型就能落地吗 | 智造观察

图片来源@unsplash

本体（Ontology），让大模型在制造业的落地告别了黑箱操作，这在ChatGPT刚出现的头一两年还不敢想象。

在今年创新奇智的制造业案例演示现场，一则聚焦玻璃纤维行业拉丝开机率异常根因分析的场景引起了我们的注意。简单来讲，玻璃纤维生产是将配置好的原料粉送去窑炉高温熔融，经拉丝机漏板上的微型小孔拉丝成型的连续过程。拉丝开机率是设备实际拉丝开机时间占计划生产总时间的比例，拉丝机一旦因异常停机即记入停机。因此，记录开机率是体现玻璃窑炉生产的核心指标之一。

以往，这件事情必须交由老师傅干，翻报表、问工段长、查设备日志，没半天理不清头绪。现在，老师傅有了Agent系统在旁干活，在保证准确的前提下，效率有了质的飞跃。老师傅只需要输入两行问题：损失集中出现在哪儿？现场应先查什么？

围绕这两个问题，系统从每台拉丝机开始，逐层向上汇总停机损失，定位出问题集中在哪个区域、哪条通路、哪几台重点设备。不过，系统不会直接给结论，而是建议优先检查的线索，比如“损失集中点在3号通路”“优先检查T1入口温度是否波动”“核实M01机台断头后的上头操作是否规范”等等，并附上趋势图等依据供人工审核，保留可追溯分析路径。最后，经现场人员审核排查后，将线索转化为明确的检查任务，指定负责人和时限，进入现场执行环节。整个人机协作才算完成。

需要注意的是，这个过程中，系统通过预设本体知识，连接产线、区域、通路、设备及其数据关系，已经提前掌握了物理产线的逻辑结构，系统给出的建议和判断依据都有据可查。

制造业历来被视为有较高的护城河，大模型技术想要进入这个领域其实并不容易。从早期的机器视觉诊断，到如今大模型驱动的Agent做分析决策，这是行业正在发生的事情。

填平工业数据的坑

大模型在工业领域的落地举步维艰，关键还在于数据的坑。产线数据碎片化，SCADA、MES、ERP等生产系统彼此孤立，数据各说各话。这导致大模型看不懂工业系统复杂的工作逻辑，而模型天然的概率生成机制又与工业生产对确定性的要求格格不入。

如今，这个坑正在被“本体”技术所填平。这不是一个新名词。通俗理解来看，本体是一个企业或者特定领域内部核心知识之间的动态关联的网络图谱。跟之前静态的知识文档不同，本体是动态的、具有逻辑关系的，并且能够随着时间持续迭代和进化。

没有本体之前，以设备故障维修为例，大模型只是被喂给了厚厚的故障手册，AI只能根据用户的问题，从中摘抄概率最大的相关段落。它不理解故障之间的关联，也无法规划维修步骤。有了本体之后，企业根据故障手册编织成一个动态的本体，AI就能够基于这个本体，不仅能快速找到相似案例，还能自主规划一个完整的排查任务链。

2026年3月，创新奇智发布了AInnoGC工业本体智能体平台，与客户相关的本体研发工作在去年下半年就已经启动。据CTO李凡透露，在本体搭建的早期阶段，主要依赖于FDE工程师的现场调研与手工梳理。工程师需要到现场了解生产全过程，分析历史数据与业务关联，先自行推理形成初步判断，再与客户生产部门验证。

“直接要求客户书面输出生产逻辑并不现实，我们得先输出初稿后请客户验证、增删改，过程较长。即使在今天已经大量应用自动化的背景下，真正实现核心生产环节的生产级落地仍需投入时间。”李凡说。

如今，经过数百家客户本体搭建的经验积累，创新奇智开始将这些行业Know-how固化为训练工业本体模型的语料基础，逐步从手工搭建转向自动化搭建。

李凡解释，智能体与下层数据交互均在本体层进行，企业本体变化相对缓慢，组织结构、生产逻辑一般不常变，而底层软件供应商更换、数据表结构变化频繁。如果缺少这一抽象层，数据表结构一变，智能体便需要同步更新。

大模型深入到工业场景已经不再卷参数，一方面在于工业场景核心工艺公开数据相对较少，很难训练大模型，更多是多领域碎片化场景中的小模型，但更重要的一方面也在于本体模型开始真正意义上发挥作用。

有了本体，FDE的内涵也随之变化

这里有必要提及FDE（前线部署工程师）。

本体作为一种沉淀下来的、可复用的业务数据层，使得FDE的工作得以从零散、重复的项目定制中解放出来。李凡在交流中指出，FDE的能力结构已经伴随智能体的落地有了根本性改变。

过去为不同客户做项目需求五花八门、基本从零到一百，实施路径与项目管理方法千差万别，且难以积累。而如今，有了数据、本体与Harness，就可以用统一的方法论持续开发智能体。这从根本上改变了FDE的工作模式，使其工作从项目化定制转向平台化积累。

传统的FDE需要定义业务逻辑并承担大量定制化开发。在本体等基础设施成熟后，FDE的工作重心发生了转移，这个过程中，AI Coding提升了开发效率，减少了纯粹编码的人力需求；同时，FDE的工作更多地转向业务逻辑梳理和帮助客户更优地使用算力等能力，软件开发可能只占30%-40%。

本体还在影响FDE的能力范畴。李凡指出，FDE的一部分工作正转型为TAC（Token架构咨询），即帮助客户在不同模型间做出选择。比如有的场景因丰富的行业数据，仍需构建垂类模型，而有的场景则可直接基于泛化能力强的通用基础大模型构建智能体。

目前创新奇智组建的FDE团队，已经形成“重点客户攻坚、平台资产沉淀、行业套件开发、同类客户复制”的正循环。上半年，创新奇智“AI+制造”业务收入占比已提升至81.5%，首次实现半年度调整后盈利。宝钢的工程图纸设计效率提升10倍，山东精工电子的锂电产线设备报警形成了数据闭环……智能体已经在客户生产环境中被真实使用。

据IDC数据，创新奇智位列中国工业大模型应用市场份额第一。围绕工业本体智能体平台，创新奇智提出了“Ontology+Harness Engineering+AI Coding”三位一体智能体开发范式。在工业软件领域，落地设备管理（AEAM）、能源管理（AEMS）、制造数据分析（AMI）等多款智能体套件。在工业具身智能领域，则专注于研发机器人“大脑”与“小脑”，灵活选用不同载体。

方向明确，但考验仍在。从早期的手工梳理本体，到现在的平台化积累，工业大模型的落地正在从演示走向生产。这套工程化逻辑的有效性，正在具体的工业场景被反复校验。

（本文首发于钛媒体APP，文 | TechHorizon，作者 | 杨丽，编辑 | 盖虹达）