随着人工智能技术的飞速发展，特别是大模型能力的涌现，整个社会对于AI的认知已经发生了翻天覆地的变化。从最初仅仅在IT圈层内的技术探讨，到如今DeepSeek等现象级应用引发的全社会热议，AI无疑已经跨越了技术的鸿沟，走进了大众视野。然而，当我们把目光从热闹非凡的C端消费级应用，转向更为复杂、更为严谨的B端工业制造领域时，情况却显得截然不同。如果说C端是狂欢的海洋，那么B端尤其是制造业，则更像是一片需要精耕细作的深水区。在这里，单纯依靠大模型的通用能力，往往难以解决实际落地中遇到的棘手问题。
在近期举办的“WIM2025创新者年会·未来制造峰会”上，360数智化集团首席解决方案架构师李方翔的一番演讲，深刻揭示了这一行业痛点。他指出，尽管AI技术水平已经达到了相当的高度，但当热潮真正涌入制造业，试图从“数字化”迈向“智能化”的关键阶段时，传统的路径依赖遭遇了严峻的现实瓶颈。这不仅仅是指算力消耗巨大、成本高昂的问题，更深层次的原因在于大模型对特定工业业务逻辑的理解存在偏差，以及在严苛的生产环境中，如何保障数据安全与系统稳定性，这些都是横亘在技术与应用之间的巨大鸿沟。
为了破解这些难题，360并没有停留在单纯的大模型训练上，而是另辟蹊径，将目光投向了“智能体”。与传统的知识库相比，智能体最大的不同在于，它不再仅仅是“懂知识”的存储介质，而是进化成为了能够“做事情”的执行主体。这种转变是革命性的，它意味着AI不再是被动的问答工具，而是具备了感知、决策甚至执行能力的“数字员工”。在制造业的实践中，这种能力显得尤为珍贵。360提出的思路非常清晰：将个人层面的效率提升，通过智能体延伸至企业端，构建起一条从“超级员工”到“超级团队”，最终形成“超级组织”的完整赋能链路。
这条链路的构建并非空中楼阁，而是有着非常具体且务实的应用抓手。经过对产业的深入洞察，360明确了“智能体+制造”的四大核心应用方向，这些方向精准地切中了制造业的当前痛点。首先是在生产制造端，智能体展现出了惊人的专业能力，它不仅能够胜任工业知识问答，还能自动生成维修SOP（标准作业程序），甚至能够进行工业级代码生成和精密机床编程。这些功能直接作用于生产环节，对于降低成本、提升效率有着立竿见影的效果。想象一下，在以往需要资深工程师耗费数小时编写的数控程序，现在通过智能体的辅助，可以在极短的时间内完成初步生成与优化，这无疑释放了巨大的生产力。
其次，在用户服务端，制造业面临着资深技术人员流失、新员工成长周期长的普遍难题。这往往导致团队服务能力出现断层，客户满意度下降。针对这一痛点，智能体发挥了“经验传承者”的作用。它可以辅助完成智能派单，根据故障类型和人员技能进行精准的维修工单匹配，甚至能够制定初步的维修策略。这种做法不仅平衡了团队的服务能力，也让新员工能够借助智能体的“大脑”，快速达到资深专家的服务水平，极大地缓解了人才断层带来的压力。
再者，在智能产品端，AI能力的融入正在重新定义消费级产品。无论是新能源汽车的车主服务APP，还是智能家居设备，都开始集成智能体技术。通过自然语言的交互，用户可以更直观地控制设备、获取服务。这种从“制造”向“智造”的延伸，不仅提升了产品的附加值，也增强了用户的粘性，为企业开辟了新的价值增长点。
最后，在经营管理端，智能体同样大有可为。通过对业务流程的深度分析与数据赋能，智能体能够帮助管理者发现流程中的瓶颈，提出优化建议。这不再是简单的数据报表展示，而是基于AI深度分析的决策辅助，让企业管理更加精细化、科学化。
在这四大方向中，故障维修与工业设计被视作最为典型的两大突破口，也是最能体现智能体价值的场景。以故障维修为例，传统的维修模式高度依赖个人的经验，一旦老工程师退休，其经验往往随之流失。而现在，智能体可以结合设备的故障描述、历史维修数据以及备品备件的库存信息，快速生成一份详细的故障概述表、物料清单以及维修手册。现场的技术人员只需要根据智能体的指引，结合自身的实际经验进行操作即可。这种“人机协同”的模式，已经在航空、电力、新能源风电等大型设备维修场景中得到了实际验证，极大地提高了维修效率与准确性。
而在工业设计领域，智能体的作用同样不容小觑。工业设计往往需要查阅大量的国标规范、技术手册，过程繁琐且耗时。通过自然语言交互，设计师可以让智能体快速抽取相关的专业知识，查询具体的国标规范（如国标5508-2021）。在进行钢结构强度设计等复杂环节时，智能体能提供精准的参考数据，显著缩短设计周期，让设计师能够将更多的精力投入到创新性的工作中。
当然，要实现上述场景的落地，仅仅有应用方向的规划是不够的，还需要一个强大的平台来支撑。针对企业落地智能体的复杂需求，360推出了“企业级智能构建与运营平台”解决方案，其核心设计理念非常有意思，叫做“建、用、管”分离。这一理念的提出，基于对现实中企业组织架构的深刻理解。正如李方翔所言：“一个单位内90%以上的人只管用，不管做。” 如果一个平台过于聚焦开发者，门槛过高，那么它就很难在业务人员中普及开来。
因此，360的平台巧妙地设计了三种形态来对应不同的角色需求。“开发态”是面向开发者的，提供了功能强大的智能体编排工具，以及智能体的监测与检测功能，确保投入生产的智能体效果稳定可靠；“用户态”则类似一个应用商店，被称为“智能体广场”，业务人员可以像在手机上安装APP一样，在这里选用自己需要的智能体，无需关注背后的技术细节；“运营态”则是为管理者准备的，通过这个界面，管理者可以清晰地监控所有智能体的算力消耗、调用情况等运营数据，从而进行科学的资源调配。
值得一提的是，在实际的工业场景中，智能体往往不是以一个独立的问答机器人形式存在的，而是深度融入到既有业务系统中。例如在故障工单场景中，一线维修人员可能仍然是在熟悉的原维修系统中进行操作，但在他点击“提交”或“生成方案”的背后，调用的却是智能体的强大能力。这种“无感融入”的设计，极大地降低了员工的学习成本，提升了系统的易用性。
然而，工业环境对准确性的要求极高，容错率极低。大模型存在的“幻觉”问题，即一本正经地胡说八道，是其在工业领域落地的最大阻碍。为了破解这一难题，360在平台中重点引入了两大技术策略。首先是“人在回路”的交互设计。这意味着智能体的每一步执行结果，都不是自动终结的，而是可以被人为干预和纠正的。系统会等待确认，或者设置倒计时后自动继续。这种设计的关键在于，“错误纠正不是在最后一步，而是在每一步都可能发生”。这就像是给智能体配备了一位“监工”，随时确保它的决策在正确的轨道上。
另一大杀手锏是多智能体编排技术。360提供了从L2到L4级的智能体编排能力，其核心思想是将一个复杂的任务拆解为颗粒度更小的子任务，然后分配给不同的专用智能体去执行。例如，处理一个复杂的维修工单，可能需要一个智能体负责查阅故障库，一个智能体负责生成物料清单，还有一个智能体负责编写维修步骤。最后再由一个总控智能体进行汇总。这种“术业有专攻”的模式，能够有效降低单个大模型在一次调用中承担过多任务而产生的错误率，从而大幅提高整体任务的准确性。李方翔表示，虽然业界对多智能体的定义级别可能有所不同，但通过细粒度的分工来提升复杂任务的执行效果，已经成为业界的共识。
此外，该平台还支持异构智能体纳管。这对于许多已经有一定信息化基础的企业来说非常重要。企业可以集成管理基于其他开源框架开发的智能体，实现“统一纳管”。同时，平台还提供了超150种MCP（Model Context Protocol）工具的私有化部署能力，极大地扩展了智能体的应用边界。
在工业领域推动智能体技术落地，使其能够在严苛的生产环境中被“放心使用”，是一项极其复杂的系统性工程。这不仅需要技术的创新，更需要安全体系的保障、基础设施的支撑以及产业生态的协同。360作为安全领域的巨头，在这方面有着天然的优势。
安全与信创，是智能体融入核心生产流程的准入前提。李方翔强调，大模型存在内容被污染、输出错误甚至产生“幻觉”的风险，这在制造业中是不可接受的，尤其是在军工、航空等涉及国家安全的领域。为此，360将专门的大模型安全服务能力注入到了平台中，这就像是为智能体穿上了一层“防弹衣”。同时，360突出了其全栈私有化部署与信创适配能力。从底层的数据库、操作系统，到CPU架构，平台完全支持国产化信创要求。这为那些对数据保密与自主可控有极致要求的领域，提供了坚实的保障。
除了安全，规模化的算力支撑与全链条的服务能力也是落地的关键保障。模型的训练、调优与稳定运行，离不开底层庞大的算力支持。据悉，360已经投入了上千P规模的算力资源用于相关的AI研发与业务支撑。更值得一提的是，360已经获得了国家生成式人工智能服务备案，这意味着其服务合规、安全，企业可以放心使用。公司提供从模型训练、数据处理到工程化部署的全链条服务，为智能体在复杂工业环境中的持续运营，提供了强大的基础设施层面的支持。
最后，技术的生命力在于生态。生态共建与人才培养，决定了技术渗透的深度与广度。360深知这一点，因此正积极通过与高校的合作，将智能体平台转化为教学与科研的实践工具，共同培养适应产业需求的复合型人才。李方翔指出：“教学需要一个可搭建、可应用的真实平台。”通过这种方式，360不仅是在输出技术，更是在通过连接产学研，为整个行业输送“造血”能力。
从早期的大数据与搜索技术，到自然语言处理和视觉引擎，再到如今的工业智能体解决方案，360正尝试将其深厚的技术积累，系统性地迁移到智能制造赛道。这不仅是一次技术的跨界，更是一次对制造业未来的深刻洞察。在人工智能从消费端向产业端纵深发展的关键阶段，构建一个安全、可靠、开放的协同生态，正成为推动制造业实现智能化升级的核心前提。360智能体工厂的实践，无疑为我们提供了一个极具价值的样本。
