为什么自带代理改变工业自动化

Olis应用使用Claude检测停机事件，AI代理会发现故障。

多年来，工业自动化领域的人工智能一直被定义为供应商以专有辅助工具或聊天机器人形式提供的产品。但这一定位如今已开始被打破，一种更贴合实际的理念正逐步兴起：企业无需采购人工智能工具来辅助监控和操作机器人，而是可以自主接入专属的人工智能能力。

大语言模型并非任何形而上学意义上的 “智能体”，既非机器中的灵智，也非通用人工智能雏形，其本质是算力，是硅基芯片的另一种运算形式。探讨大语言模型是否具备 “智能”，就如同探讨计算机芯片是否拥有 “智能” 一样，并无实际意义。

一旦将大语言模型视作算力，背后的深层含义便清晰可见：没有人会只因某款软件运行在特定中央处理器上就选择购买，也没有人会因某套企业资源规划系统使用的是埃克米能源公司的电力而决定采购。算力本质上只是客户自主提供的一种基础要素 —— 可来源于本地、云端，或是企业已搭建的任意基础设施。

在这一逻辑下，工厂操作人员会像如今使用智能手机或电子邮件一样，灵活选用各类可用的人工智能工具。而企业的自动化系统将不再受制于单一供应商的人工智能方案，而是能输出标准化的结构化数据，供克劳德、聊天生成预训练转换器等任意人工智能工具解析和分析。

此时，真正的核心问题便成为：企业需要向自有人工智能智能体输入哪些数据？

三大发展路径

如今，软件即服务模式下的人工智能应用，通常采用各应用程序内置专属智能体的形式。这种模式操作简便，但同时也存在极强的局限性：内置智能体的认知范围仅局限于供应商所掌握的信息，无法对接企业的设备维护日志、企业资源规划系统、实际生产关键绩效指标，也无法知晓企业真实的经营目标。

当前，更具灵活性的人工智能集成模式正不断涌现，主要分为三类：

• 全场景内置智能体：该模式目前已实现落地，虽操作便捷，但功能受限，智能体被局限在单一软件系统内，无法实现跨系统数据互通。

• 开放式应用程序编程接口：这类接口支持自有智能体与各类系统互通，灵活性极高，但存在令牌消耗量大、数据结构化程度低的问题。

• 混合模式：让企业自有智能体与供应商系统实现交互，供应商系统则通过专为人工智能数据解析优化的内部智能体进行响应。在该模式下，软件成为可向客户任意自选大语言模型输出优化数据的核心载体。

上述第三种模式正是当前行业的发展趋势，这也是 “为智能体投喂数据” 这一比喻值得深入探讨的原因。

数据比人工智能功能更重要

人工智能智能体的实用价值，完全取决于其接收的数据质量。若向智能体输入大量非结构化的冗余数据，最终只能得到效果欠佳的分析结果；而精准、合理地输入数据，才能充分释放人工智能对自动化生产运营的实际价值。

工业自动化领域充斥着海量、时效性极强的遥测数据，包括可编程逻辑控制器信号、生产周期故障信息、设备报错数据、传感器运行状态、视频流数据、设备正常运行时长日志以及人机界面交互记录等。

人类技术人员在时间充足的情况下，能够解读所有这些数据；人工智能智能体同样可以做到，但前提是数据需以其可识别的格式进行传输。

以奥利斯机器人技术公司的远程监控与操作软件为代表的新一代系统，正被设计为以大语言模型可直接解析的方式对设备数据进行结构化处理和输出。这并非简单的原始数据堆砌，而是为数据附加语义框架、场景线索和基础解析信息后的结构化输出。

要真正释放人工智能在工业自动化领域的潜力 —— 无论是通过语音指令配置生产单元，还是在人机界面中添加或删除操作按钮，企业的自动化系统都必须以人工智能智能体可理解的 “语言” 与其实现交互。需明确的是，大语言模型是人工智能算力的底层核心引擎，而智能体则是经过配置、可自主完成特定任务的大语言模型。智能体的任务执行效果，在很大程度上取决于其接收的数据类型，以及可调用的工具资源。

在这种模式下，企业无需为人工智能智能体开展冗长的训练工作，因为输入的是其可轻松解析并采取行动的结构化数据。

远程监控数据成为人工智能的核心 “养分”

当下的远程监控工具，可精准捕捉生产周期异常、传感器信号波动、设备停机时段、逻辑运算故障、人机界面操作变更以及环境参数异常等数据 —— 这些正是人工智能智能体可高效解析的核心信息。

在实际应用中，这意味着系统可捕捉机器人或自动化生产单元内发生的所有操作与数据变化。企业无需将这些原始数据传输给远程工程师，也无需为相关人员开放虚拟专用网络权限，只需将自有大语言模型对接至该数据来源即可。

随后，人工智能智能体将完成故障诊断、异常标记、潜在根因分析，甚至可将分析结果与企业内部的关键绩效指标或经营目标进行交叉比对。

为直观阐释这一工作流程，以奥利斯远程监控软件的典型数据流转为例：该软件将可编程逻辑控制器信号、故障代码、生产周期时长、视频流等结构化数据输入大语言模型，大语言模型为人工智能智能体提供算力支撑，使其完成故障停机诊断、设备故障预测、分析报告生成等特定任务，最终由人工智能智能体向人类操作人员反馈数据分析结果和业务洞察。

自动化系统、大语言模型和人工智能智能体系分属不同层级，但三者按流程协同运作。而如果自动化系统无法输出规范的结构化数据，大语言模型将缺乏有价值的分析素材 —— 这正是 “讲好人工智能能听懂的语言”（即提供清晰、具备语义的结构化数据）至关重要的原因。

赋予制造商更多掌控权

自携智能体模式的核心优势，在于将控制权重新交还给工业自动化终端用户：企业可自主选择大语言模型，管控数据分析的深度、范围及相关成本；此外，企业无需受制于供应商的人工智能技术发展规划，拥有更高的自主决策权。

当人工智能成为企业可自主掌控的输入要素时，其应用可能性将得到极大拓展。例如，企业可将自动化系统与企业资源规划系统打通，实现生产运营数据与业务场景的深度融合，且全程无需将核心数据托付给第三方，规避数据安全风险。

对于工厂管理者而言，这无疑是真正 “重掌控制权” 的契机。多年来，行业一直向他们传递 “人工智能必须作为产品采购” 的理念，但正如前文所述，人工智能的本质只是算力。这意味着，相比 “谁提供模型”，“谁掌控数据和业务流程” 才是更为关键的核心。

秉持这一理念推进人工智能在工业自动化的应用，需牢记两点：第一，企业并非要采购人工智能本身，而是要采购能让人工智能无需人工干预即可自主解析和利用的软件系统；第二，人工智能智能体并非工厂的 “大脑”，只是企业自主引入的一种算力资源，如同为自动化设备供电的电力、供人员清洁的水一样，是一种基础生产要素。

工业自动化终端用户应摒弃传统的聊天机器人模式，转而采用专为向人工智能智能体输入清晰、结构化、高语义价值数据而设计的系统。通过这种方式，任意供应商的任意大语言模型都能实现设备故障诊断、分析报告生成、行动方案建议，并与企业整个数字生态系统实现集成互通。