從“龍蝦”狂歡到工廠重構：創新奇智如何用“本體智能體”破解工業AI落地之困？|?甲子光年

當“大模型”長出“本體”骨架

作者｜田思奇

編輯｜栗子

當AI從模型能力競賽走向商業化落地，行業開始出現清晰的分層。

其中一端是以“養龍蝦”為代表的個人智能體迅速出圈，實現全民agent普及，但高算力成本與不穩定的付費結構，是這門生意無法繞過的坎；另一端，企業的擔憂更加務實：AI進入核心生產流程后，能否持續產生可量化價值？

這一答案正在制造業中被驗證。

作為中國新質生產力的核心載體，制造業具備高復雜度、高價值密度與強約束環境，也因此成為AI從技術走向生產力的最佳試煉場。剛剛發布2025年財報與行業首個工業本體智能體平臺的創新奇智，提供了一個清晰樣本：這家被對標為中國制造業版Palantir的公司，正推動AI+制造從技術驗證走向經營結果，從概念落地為可持續的商業閉環。

1.從規模擴張到經營質量

據「甲子光年」觀察，過去兩年，AI to B領域最大的變化是：企業不再為模型能力本身買單，而是直接追問業務結果。

尤其是在制造業，問題變得非常具體：良率能否提升，能耗能否降低，排產能否優化，停機能否減少。

大量企業在試點后發現，基于大模型的問答、分析和簡單自動化，難以進入生產核心。AI停留在輔助層，而非執行層。這是工業AI長期難以規模化的關鍵原因。

創新奇智CEO徐輝指出：企業級智能體的難度遠高于個人應用，本質在于需要同時理解數據、業務邏輯與工作流，并在高精準度、可控性、安全性的約束下執行。

政策方向也在同步收斂。《人工智能+制造專項行動》提出到2027年形成1000個工業智能體，十五五規劃將建設現代化產業體系列為首要任務。制造業作為實體經濟根基，被推至AI價值驗證的最前沿。

在這一背景下，創新奇智2025年財報指向性更強。公司營收15.13億元，同比增長23.8%，制造業收入占比80.9%，毛利率35.0%。更關鍵的是經營質量的變化：應收賬款周轉天數縮短64天，收入增長的同時應收賬款下降12.8%。

在創新奇智看來，這不是簡單的周期性回升，而是主動調整的結果。

徐輝向「甲子光年」等媒體透露，創新奇智放棄了一些體量較大但回款周期長的項目，將資源集中到制造業核心場景。與之同步的，是技術體系的重構。通過一模一體兩翼架構，公司將大模型、智能體平臺以及工業軟件與機器人能力整合為統一體系，使AI從輔助層走向執行層。

從行業整體來看，能夠完成這一轉變的企業仍是少數。大模型的能力提升，并不自動轉化為生產端的落地能力。問題不在模型本身，而在企業缺乏一套能夠承載業務邏輯、約束決策過程的系統結構。

當「甲子光年」提到，現在不少企業在做企業級龍蝦，但實際體驗與宣傳存在落差時，CTO李凡也表示，當前市場上的企業級龍蝦，許多都停留在部署層面。有的只是將個人智能體遷移到企業環境，有的解決了安全問題，卻沒有解決使用問題。“我在我們自己的研究院布了一個，發現沒法用。因為它不是我個人的，而是團隊的。你不知道拿它做什么，就算知道想做什么，基礎設施也沒有。”

這段回答意味著，工業AI的瓶頸，在于是否存在一層能夠把數據、規則與流程組織起來的結構，使AI能夠穩定地參與決策與執行。

面對這一斷層，創新奇智選擇將本體推到臺前，作為重構工業AI的關鍵支點。

2.中國制造業版Palantir

如果用一句話概括過去兩年工業AI的進展，可以說：能力已經具備，但難以進入生產核心。

大模型在語言理解、任務規劃與知識整合上的能力已經被驗證，但一旦進入制造業，這套能力很快觸碰邊界。工業生產要求結果確定、路徑可解釋、過程可追溯，在這樣的環境中，概率生成反而成為風險。

過去十年，制造業的信息化經歷了兩個階段：工業互聯網解決了數據采集問題，知識圖譜提供了結構化表達能力，但兩者本質仍停留在描述層，無法推動系統執行。

李凡強調：“工業智能體要在生產制造核心場景落地，必須突破傳統AI‘知其然不知其所以然’的局限。”

基于這一思路，創新奇智推出了AInnoGC工業本體智能體平臺，將模型、數據、本體與智能體能力整合為分層架構，并在典型場景中實現超過95%的推理準確率與秒級響應。

從結構上看，本體更像工廠的語義操作系統。

它不直接提供能力，而是對能力進行組織和約束。通過實體、關系與規則三層結構，本體將設備、工藝、物料、工單等生產要素，以及它們之間的因果邏輯，統一抽象為機器可以理解和推理的語義體系。

換句話說，本體像“骨架”，其作用是把企業內部已經存在但分散，如同“血肉”一般的各項能力組織起來。

這一思路與海外提出的Harness Engineering高度類似。其中harness本意是套在馬身上的韁繩、馬鞍等馬具，這里指像約束馬匹一樣，通過設立約束機制，讓智能體在復雜任務中穩定運行，持續輸出可靠、一致的結果。在工業場景中，這種約束不是優化項，而是前提。

“去年我們講的是ChatDoc、ChatBI，還是知識庫或讀數工具。但今天我們的東西更深層，已經進入生產工序和業務邏輯。” CEO徐輝對「甲子光年」表示。他用一個比喻總結：“越往深走，對龍蝦的要求越不一樣。五百米以下的深水，龍蝦可以長到一百斤。養小龍蝦，盆子里就可以；養大龍蝦，不一樣。”

從更大的參照系來看，許多國際廠商也在加速向這一方向演進。西門子正在強化工業AI操作系統能力，推動Industrial Copilot從輔助走向執行；羅克韋爾自動化將生成式AI嵌入設計與生產流程；SAP則通過Joule把智能體與企業業務系統深度耦合。

更清晰的對標，非Palantir莫屬。這家公司在政企市場的核心能力，并不在于模型本身，而在于通過本體論構建統一的數據語義體系，將分散的數據、規則與業務邏輯組織為可推理、可執行的決策系統。從Foundry到AIP，Palantir的演進，本質是從數據整合走向決策中樞，最終進入業務執行環節。

創新奇智AInnoGC工業本體智能體平臺，與其形成結構上的呼應，但兩者的路徑存在差異。Palantir面向的是通用政企決策體系，而創新奇智直接扎進制造業一線，將本體嵌入生產流程與控制鏈路，更靠近執行端。這也意味著，其挑戰更高，但一旦跑通，對產業的改造力度也更深，也有希望讓創新奇智成為中國制造業的Palantir。

技術層面來看，AInnoGC工業本體智能體平臺的優勢，體現在四個核心模塊的協同運作上。

本體知識構建模塊將設備運維SOP、生產工藝、質量歸因等隱性經驗，轉譯成大模型可理解的規則與業務邏輯，形成可復用的知識資產。

孿生圖譜與數據引擎支持IT/OT異構數據秒級接入，實時映射物理狀態為動態數字孿生，依托工業圖計算技術實現復雜關聯的深度分析。

認知與推理引擎基于本體知識庫進行邏輯演繹與因果溯源，每一步推理都有據可查，滿足工業場景的嚴謹性與可追溯要求。

智能體編排模塊則通過低代碼模式調用本體知識庫，依托MCP協議快速集成MES、EAM等工業軟件，支持多智能體協同完成復雜跨場景任務。

平臺還具備高準確率、實時閉環、知識可進化、低門檻、全可審計五大核心價值，區別于傳統 AI，精準適配企業級場景需求。

如果說過去工業數字化的核心是系統，那么在智能體時代，控制權正在從系統界面，轉移到能夠理解并調度這些系統的中樞層。而本體，正是這一中樞的起點。

3.喚醒沉睡的工業資產

在本體提出之前，創新奇智已經在多個工業場景中完成了智能體落地。但此前許多能力以項目形式存在，不同場景之間難以復用，不同系統之間難以打通，經驗無法沉淀為長期資產。這進一步驗證了本體重新組織既有能力的價值。

以工業設計為例，創新奇智與Bentley聯合推出的iPID讀圖智能體，已在頭部鋼鐵企業實現落地。客戶在七大專業中積累了大量PID管線圖，全部以PDF形式存儲，屬于典型的啞圖。傳統模式下，單張圖紙修改需要數天時間，且難以復用。

基于千萬級PID數據訓練的工業多模態模型，iPID便可以實現靜態圖紙向可編輯模型的自動轉化，對超過400種工業圖例進行識別，整體還原度超過95%。圖紙處理周期從數天壓縮至分鐘級，返工成本降低75%以上，檢索效率從小時級縮短至秒級，設計模塊復用率提升約60%。過去只能被查看的圖紙，開始具備被調用與推理的能力。

類似的變化也出現在生產與運營環節。在某全球知名啤酒企業的燈塔工廠，創新奇智最初以ChatBI切入，實現數據查詢的對話化，但很快觸及瓶頸，“客戶最開始只是看數，但很快就提出一個問題：能不能不僅看到數據，還能理解數據之間的關系，并做出決策。”

在引入本體后，原本分散在不同系統中的工廠、產線、設備、工單與能耗數據，被統一建模為具備業務語義的實體。

在工業機器人場景中，這種轉變更加直接。通過一腦多體架構，智能體能力被嵌入物流、檢測與巡檢系統。在礦業與制造場景中，系統可以完成路徑規劃、設備調度與無人轉運，機器人開始具備在復雜環境中的自主決策能力。徐輝強調，創新奇智已經與庫卡、擎朗等機器人巨頭達成合作：“上天、入地、下海，我們都有場景。場景需要什么，就用什么業態的本體。”

這一結構變化，也直接帶來了商業模式的轉向。隨著本體將行業經驗結構化并產品化，AI能力開始具備跨場景復用的基礎，公司從單點解決方案提供商，轉向系統級平臺。

對于行業普遍關心的AI是否會替代工業軟件的問題，創新奇智給出的判斷是重構而非替代。徐輝在發布會上表示，工業軟件沉淀了數十年的流程與知識，是制造業的基礎設施。未來，這些系統將以能力模塊的形式存在，被智能體調用，而本體智能體將成為統一的交互入口與決策中樞。

從更宏觀的角度看，這一變化意味著工業數字化的控制權正在發生轉移。過去控制權屬于各類系統本身，而在智能體時代，控制權開始向能夠理解業務邏輯并調度系統的中樞層集中。

本體，正是這一中樞得以成立的前提。

4.工業AI的中國化路徑

工業智能體正在進入明確的規模化階段。IDC數據顯示，中國工業企業應用大模型及智能體的比例從2024年的9.6%躍升至2025年的47.5%；Gartner預測，到2028年約33%的企業軟件將內嵌代理型AI。產業正從技術驗證邁入真實落地，未來三年將是格局形成的關鍵期。

但規模化并不等于簡單復制。過去十年，中國工業互聯網長期依賴項目制開發，每個工廠都需要重新建模、重新適配，能力難以沉淀，邊際成本居高不下。項目越多，系統越復雜，復用能力卻沒有同步提升，這也使得從案例走向規模化始終困難。

問題的關鍵不在能力缺失，而在缺乏一套可以持續復用、統一調度的能力結構。

創新奇智給出的答案，是將一模一體兩翼作為整體架構來解決這一問題。以工業大模型提供通用認知能力，以本體智能體作為中樞完成語義組織與決策約束，再通過工業軟件與工業機器人兩翼承接執行。這一結構的意義，在于將模型能力、業務邏輯與執行系統整合為一個可閉環運行的體系，使AI不再依賴單點項目落地，而具備跨場景復制與持續演進的基礎。

在這一體系之下，本體的作用開始顯現。通過將設備運維、能耗優化、質量追溯等核心業務邏輯抽象為統一語義模型，平臺可以在不同產線之間遷移智能體能力，使經驗從一次性交付轉變為可復用資產。工業AI由此第一次具備了可擴展性。

這一結構變化，正在重塑AI To B的商業邏輯。過去依賴人力交付的項目模式，逐步轉向以模型與平臺為核心的標準化輸出。隨著復用比例提升，單位成本下降，毛利結構改善，行業長期存在的低毛利困局開始松動。

與此同時，商業模式的討論也回到現實約束之中。

當「甲子光年」問道，隨著英偉達GTC等會議推動token計費模式，創新奇智是否會轉向類似路徑時，李凡強調：要看業務實質。制造業大量場景采用私有化部署，模型運行在客戶側，這種情況下更適合按算力或服務器收費，而非token。

徐輝進一步指出，這并不是技術選擇問題，而是市場結構決定的結果。在以預算審批與招標為主導的制造業體系中，訂閱制或流量計費短期內難以成為主流，更現實的路徑是混合模式，甚至探索按結果付費。

這意味著，工業AI的商業化路徑不會簡單復制互聯網，而將沿著制造業自身的運行邏輯演進。

2026年被視為智能體應用的起點，但真正決定產業高度的，并不是入口規模，而是進入生產核心的深度。能夠在高約束環境中穩定運行，并持續產生經營結果的能力，才是AI的長期價值所在。

在這一意義上，本體不只是一個技術組件，而是一種新的能力組織方式。而一模一體兩翼，則是這種能力得以落地的工程化路徑。誰能夠建立這一體系，誰就更有可能在下一階段的工業AI競爭中，占據主導位置。

（文中圖片來自創新奇智；封面圖由AI生成）