推荐 快报 广场 科股宝VIP 视频 直播 媒体 企服 创投 咨询 活动 钛空时间 集团时光 公众号 清朗网络行动 写稿 视频投稿 App下载 ENGLISH 钛媒体 链得得 钛空时间 消研所 钛媒体创投家 品牌服务 专家服务 政府服务 创业者服务
创投家CLUB投资机构库 机构数据库 行研报告 钛媒体 链得得 ITValue 钛空时间 消研所 钛极客 资讯 科股宝 PRO 视频 直播 FM
00:00 / 08:16 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。
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。