一边是大模型、智能体快速迭代，一边是制造企业对质量稳定、成本控制和投资回报的现实考量。当AI真正进入工厂，问题已经从“要不要用”，转向“怎么用好”。

8月25日，第四届质量管理产学研高层研讨会及ICT产业高质量与绿色发展联盟相关活动在广州黄埔举行，议题聚焦工业智能体赋能质量管理。

记者现场采访天津大学管理与经济学部主任何桢、联想集团副总裁王会文、金发科技首席科学家兼首席战略官李建军。三位来自高校、ICT龙头企业和新材料企业的专家，从不同角度给出了相近判断：AI正在重塑制造业质量管理，真正决定落地成效的，仍是高质量数据、系统规划、真实场景以及产业链协同。

这与广州制造业近期的政策实践形成呼应。今年8月，广州市工业和信息化局发布通知公告，启动制造业领域人工智能高质量数据集、行业大模型、工业智能体及移动终端智能体典型案例征集，进一步推动人工智能技术与制造业实际场景结合。

AI进入工厂，首先要跨过“数据关”

“很多企业理念上认同AI，真正实施时却困难重重。”长期研究质量管理的何桢认为，当前最大的基础性问题之一，是企业内部数据仍存在“烟囱”。

产品从研发设计、生产制造到售后服务，本应形成完整的数据链条，现实中不同部门的数据往往各自独立。何桢指出，无论大模型还是工业智能体，其运行基础都是数据。如果底层数据不能贯通，或者数据本身质量不高，再先进的模型也难以产生可靠结果。

更深一层的问题是规划。何桢认为，数字化、智能化转型是一项长期工程，企业需要“一张蓝图绘到底”，按照自身产业特点和实际需求分阶段推进，而不是看到某项技术热门就立即采购设备、建设系统。

这也意味着，AI落地并非投资越多越好。对于数据基础较强的ICT企业，与订单频繁切换的新材料企业，智能化改造的起点和路径并不相同。更现实的办法，是先找准质量检测、生产控制等能够产生明确收益的环节，以局部应用验证价值，再逐步扩展。

从单点应用继续向前，工业智能体还将面对另一个问题——协同。何桢判断，未来质量管理不会只是一个智能体完成一项任务，而是研发、生产、服务等多个智能体相互连接，实现数据感知、分析诊断、控制调整和持续学习。届时，人和智能体、智能体与智能体之间如何交互，将成为新的技术课题。

天津大学管理与经济学部主任何桢

从“事后找问题”，转向“事前防问题”

AI带来的改变，并不只是把人工操作自动化。联想集团副总裁王会文认为，工业智能体正在推动质量管理模式从依赖工程师经验和传统管理体系，向事前风险预警、事中风险评估、数据分析和人机协同决策转变。

王会文同时担任ICT产业高质量与绿色发展联盟理事长，其长期推动数字化质量管理实践。公开资料显示，联想近年来持续探索利用大数据、人工智能和工业物联网推进全价值链质量管理。

一个具体变化发生在供应商审核环节。王会文介绍，传统审核需要工程师准备大量审核条目、制定计划、现场检查，再整理结果形成报告。引入智能体后，部分计划编排、重点识别、结果分析和报告生成可以自动完成。按照联想内部相关项目统计，其智能审核效率提升80%以上，准确度和审核覆盖范围也有所提高。

效率提升之外，更重要的变化发生在人。当重复性数据整理、分析工作交给智能体，工程师可以把更多时间投入质量策划、工程实践和质量创新。未来质量人才也将从单一专业型人才，逐步向同时掌握质量管理经验和AI能力的复合型人才转变。

这一变化并不意味着“机器取代人”。相反，在质量责任、安全判断以及复杂异常处置等领域，人仍然承担关键作用。真正的方向更可能是人机协同——让机器处理高频、重复、大数据量的任务，让工程师聚焦需要经验、创新和责任判断的部分。

联想集团副总裁王会文

质量管理不能停在企业内部，还要打通产业链

如果说ICT企业拥有较好的数据基础，新材料制造则提供了另一类典型场景。

金发科技首席科学家兼首席战略官李建军介绍，新材料企业具有订单批次多、生产转换频繁等特点，如何保持不同批次质量稳定、降低生产切换产生的损耗，是长期面对的问题。工业智能体如果能够结合在线质量检测、智能决策和生产控制，有望进一步提高快速切换和精益生产水平。

他的关注点也从企业内部延伸到了供应链。原材料、零部件和终端产品之间存在大量质量数据、检测报告和问题反馈，传统模式下依赖人工传递和处理，效率有限。工业智能体未来如果能够连接供应商、生产企业和客户，有望形成更加完整、可追溯的数据链路。

王会文也提出类似观点。新材料是ICT和AI算力硬件的重要基础，质量提升很难依靠产业链某一个环节单独完成。联盟平台的作用之一，就是把材料、元器件和终端制造企业连接起来，推动质量创新、标准建设和绿色发展协同。

这也契合广州当前推动AI赋能制造业的方向。广州此前出台的人工智能产业相关政策明确提出，支持企业联合科研院所，围绕汽车制造、智能家电、高端装备、电子信息、生物医药等优势产业，聚焦设计研发、生产制造、经营管理、运维服务、供应链管理等环节，研发行业垂类模型和专用小模型，并通过场景开放推动人工智能技术加快落地。

金发科技首席科学家兼首席战略官李建军

观察：工业智能体的价值，最终要在生产线上回答

这一轮AI浪潮中，中国制造业拥有一个独特优势。即，场景足够丰富。

何桢认为，在基础大模型等前沿研究领域，美国仍具有明显优势；中国则拥有完整的工业体系和大量真实应用场景，企业对于新技术的应用也较为积极，在工业应用层面具有自身优势。这一判断需要放在不同技术环节具体分析，却指出了中国发展工业智能体的重要基础。

问题同样明显。数据不通、系统各自为政、投资缺乏规划、人才能力不足，都可能让AI项目停留在演示阶段。企业如果把“用了AI”当作目标，很容易形成新的数字孤岛；只有把质量提升、成本下降、效率提高作为评价尺度，人工智能才能真正成为生产力。

基于此，工业智能体进入质量管理的真正意义，不是让工厂拥有更多“聪明的软件”，而是推动质量管理从经验驱动向数据驱动、从问题发生后处置向主动预防、从单个企业优化走向产业链协同。

广州拥有汽车、电子信息、新材料等极为完整的先进制造业体系，也在加快人工智能与数据治理融合。对于广州制造业而言，下一步值得关注的，不只是培育多少个模型和智能体，更是能否让它们深入生产线，在一个个真实质量问题中证明价值。

AI可以快速迭代，制造业的质量却没有捷径。数据打牢、场景跑通、标准建立、人机协同，工业智能体才能从技术热点真正成长为制造业高质量发展的新工具。

文、图/广州日报新花城记者：周伟力
广州日报新花城编辑：李光曼