当“大模型”长出“本体”骨架
作者｜田思奇
编辑｜栗子
当AI从模型能力竞赛走向商业化落地，行业开始出现清晰的分层。
其中一端是以“养龙虾”为代表的个人智能体迅速出圈，实现全民agent普及，但高算力成本与不稳定的付费结构，是这门生意无法绕过的坎；另一端，企业的担忧更加务实：AI进入核心生产流程后，能否持续产生可量化价值？
这一答案正在制造业中被验证。
作为中国新质生产力的核心载体，制造业具备高复杂度、高价值密度与强约束环境，也因此成为AI从技术走向生产力的最佳试炼场。刚刚发布2025年财报与行业首个工业本体智能体平台的创新奇智，提供了一个清晰样本：这家被对标为中国制造业版Palantir的公司，正推动AI+制造从技术验证走向经营结果，从概念落地为可持续的商业闭环。
1.从规模扩张到经营质量
据「甲子光年」观察，过去两年，AI to B领域最大的变化是：企业不再为模型能力本身买单，而是直接追问业务结果。
尤其是在制造业，问题变得非常具体：良率能否提升，能耗能否降低，排产能否优化，停机能否减少。
大量企业在试点后发现，基于大模型的问答、分析和简单自动化，难以进入生产核心。AI停留在辅助层，而非执行层。这是工业AI长期难以规模化的关键原因。
创新奇智CEO徐辉指出：企业级智能体的难度远高于个人应用，本质在于需要同时理解数据、业务逻辑与工作流，并在高精准度、可控性、安全性的约束下执行。
政策方向也在同步收敛。《人工智能+制造专项行动》提出到2027年形成1000个工业智能体，十五五规划将建设现代化产业体系列为首要任务。制造业作为实体经济根基，被推至AI价值验证的最前沿。
在这一背景下，创新奇智2025年财报指向性更强。公司营收15.13亿元，同比增长23.8%，制造业收入占比80.9%，毛利率35.0%。更关键的是经营质量的变化：应收账款周转天数缩短64天，收入增长的同时应收账款下降12.8%。
在创新奇智看来，这不是简单的周期性回升，而是主动调整的结果。
徐辉向「甲子光年」等媒体透露，创新奇智放弃了一些体量较大但回款周期长的项目，将资源集中到制造业核心场景。与之同步的，是技术体系的重构。通过一模一体两翼架构，公司将大模型、智能体平台以及工业软件与机器人能力整合为统一体系，使AI从辅助层走向执行层。
从行业整体来看，能够完成这一转变的企业仍是少数。大模型的能力提升，并不自动转化为生产端的落地能力。问题不在模型本身，而在企业缺乏一套能够承载业务逻辑、约束决策过程的系统结构。
当「甲子光年」提到，现在不少企业在做企业级龙虾，但实际体验与宣传存在落差时，CTO李凡也表示，当前市场上的企业级龙虾，许多都停留在部署层面。有的只是将个人智能体迁移到企业环境，有的解决了安全问题，却没有解决使用问题。“我在我们自己的研究院布了一个，发现没法用。因为它不是我个人的，而是团队的。你不知道拿它做什么，就算知道想做什么，基础设施也没有。”
这段回答意味着，工业AI的瓶颈，在于是否存在一层能够把数据、规则与流程组织起来的结构，使AI能够稳定地参与决策与执行。
面对这一断层，创新奇智选择将本体推到台前，作为重构工业AI的关键支点。
2.中国制造业版Palantir
如果用一句话概括过去两年工业AI的进展，可以说：能力已经具备，但难以进入生产核心。
大模型在语言理解、任务规划与知识整合上的能力已经被验证，但一旦进入制造业，这套能力很快触碰边界。工业生产要求结果确定、路径可解释、过程可追溯，在这样的环境中，概率生成反而成为风险。
过去十年，制造业的信息化经历了两个阶段：工业互联网解决了数据采集问题，知识图谱提供了结构化表达能力，但两者本质仍停留在描述层，无法推动系统执行。
李凡强调：“工业智能体要在生产制造核心场景落地，必须突破传统AI‘知其然不知其所以然’的局限。”
基于这一思路，创新奇智推出了AInnoGC工业本体智能体平台，将模型、数据、本体与智能体能力整合为分层架构，并在典型场景中实现超过95%的推理准确率与秒级响应。
从结构上看，本体更像工厂的语义操作系统。
它不直接提供能力，而是对能力进行组织和约束。通过实体、关系与规则三层结构，本体将设备、工艺、物料、工单等生产要素，以及它们之间的因果逻辑，统一抽象为机器可以理解和推理的语义体系。
换句话说，本体像“骨架”，其作用是把企业内部已经存在但分散，如同“血肉”一般的各项能力组织起来。
这一思路与海外提出的Harness Engineering高度类似。其中harness本意是套在马身上的缰绳、马鞍等马具，这里指像约束马匹一样，通过设立约束机制，让智能体在复杂任务中稳定运行，持续输出可靠、一致的结果。在工业场景中，这种约束不是优化项，而是前提。
“去年我们讲的是ChatDoc、ChatBI，还是知识库或读数工具。但今天我们的东西更深层，已经进入生产工序和业务逻辑。” CEO徐辉对「甲子光年」表示。他用一个比喻总结：“越往深走，对龙虾的要求越不一样。五百米以下的深水，龙虾可以长到一百斤。养小龙虾，盆子里就可以；养大龙虾，不一样。”
从更大的参照系来看，许多国际厂商也在加速向这一方向演进。西门子正在强化工业AI操作系统能力，推动Industrial Copilot从辅助走向执行；罗克韦尔自动化将生成式AI嵌入设计与生产流程；SAP则通过Joule把智能体与企业业务系统深度耦合。
更清晰的对标，非Palantir莫属。这家公司在政企市场的核心能力，并不在于模型本身，而在于通过本体论构建统一的数据语义体系，将分散的数据、规则与业务逻辑组织为可推理、可执行的决策系统。从Foundry到AIP，Palantir的演进，本质是从数据整合走向决策中枢，最终进入业务执行环节。
创新奇智AInnoGC工业本体智能体平台，与其形成结构上的呼应，但两者的路径存在差异。Palantir面向的是通用政企决策体系，而创新奇智直接扎进制造业一线，将本体嵌入生产流程与控制链路，更靠近执行端。这也意味着，其挑战更高，但一旦跑通，对产业的改造力度也更深，也有希望让创新奇智成为中国制造业的Palantir。
技术层面来看，AInnoGC工业本体智能体平台的优势，体现在四个核心模块的协同运作上。
本体知识构建模块将设备运维SOP、生产工艺、质量归因等隐性经验，转译成大模型可理解的规则与业务逻辑，形成可复用的知识资产。
孪生图谱与数据引擎支持IT/OT异构数据秒级接入，实时映射物理状态为动态数字孪生，依托工业图计算技术实现复杂关联的深度分析。
认知与推理引擎基于本体知识库进行逻辑演绎与因果溯源，每一步推理都有据可查，满足工业场景的严谨性与可追溯要求。
智能体编排模块则通过低代码模式调用本体知识库，依托MCP协议快速集成MES、EAM等工业软件，支持多智能体协同完成复杂跨场景任务。
平台还具备高准确率、实时闭环、知识可进化、低门槛、全可审计五大核心价值，区别于传统 AI，精准适配企业级场景需求。
如果说过去工业数字化的核心是系统，那么在智能体时代，控制权正在从系统界面，转移到能够理解并调度这些系统的中枢层。而本体，正是这一中枢的起点。
3.唤醒沉睡的工业资产
在本体提出之前，创新奇智已经在多个工业场景中完成了智能体落地。但此前许多能力以项目形式存在，不同场景之间难以复用，不同系统之间难以打通，经验无法沉淀为长期资产。这进一步验证了本体重新组织既有能力的价值。
以工业设计为例，创新奇智与Bentley联合推出的iPID读图智能体，已在头部钢铁企业实现落地。客户在七大专业中积累了大量PID管线图，全部以PDF形式存储，属于典型的哑图。传统模式下，单张图纸修改需要数天时间，且难以复用。
基于千万级PID数据训练的工业多模态模型，iPID便可以实现静态图纸向可编辑模型的自动转化，对超过400种工业图例进行识别，整体还原度超过95%。图纸处理周期从数天压缩至分钟级，返工成本降低75%以上，检索效率从小时级缩短至秒级，设计模块复用率提升约60%。过去只能被查看的图纸，开始具备被调用与推理的能力。
类似的变化也出现在生产与运营环节。在某全球知名啤酒企业的灯塔工厂，创新奇智最初以ChatBI切入，实现数据查询的对话化，但很快触及瓶颈，“客户最开始只是看数，但很快就提出一个问题：能不能不仅看到数据，还能理解数据之间的关系，并做出决策。”
在引入本体后，原本分散在不同系统中的工厂、产线、设备、工单与能耗数据，被统一建模为具备业务语义的实体。
在工业机器人场景中，这种转变更加直接。通过一脑多体架构，智能体能力被嵌入物流、检测与巡检系统。在矿业与制造场景中，系统可以完成路径规划、设备调度与无人转运，机器人开始具备在复杂环境中的自主决策能力。徐辉强调，创新奇智已经与库卡、擎朗等机器人巨头达成合作：“上天、入地、下海，我们都有场景。场景需要什么，就用什么业态的本体。”
这一结构变化，也直接带来了商业模式的转向。随着本体将行业经验结构化并产品化，AI能力开始具备跨场景复用的基础，公司从单点解决方案提供商，转向系统级平台。
对于行业普遍关心的AI是否会替代工业软件的问题，创新奇智给出的判断是重构而非替代。徐辉在发布会上表示，工业软件沉淀了数十年的流程与知识，是制造业的基础设施。未来，这些系统将以能力模块的形式存在，被智能体调用，而本体智能体将成为统一的交互入口与决策中枢。
从更宏观的角度看，这一变化意味着工业数字化的控制权正在发生转移。过去控制权属于各类系统本身，而在智能体时代，控制权开始向能够理解业务逻辑并调度系统的中枢层集中。
本体，正是这一中枢得以成立的前提。
4.工业AI的中国化路径
工业智能体正在进入明确的规模化阶段。IDC数据显示，中国工业企业应用大模型及智能体的比例从2024年的9.6%跃升至2025年的47.5%；Gartner预测，到2028年约33%的企业软件将内嵌代理型AI。产业正从技术验证迈入真实落地，未来三年将是格局形成的关键期。
但规模化并不等于简单复制。过去十年，中国工业互联网长期依赖项目制开发，每个工厂都需要重新建模、重新适配，能力难以沉淀，边际成本居高不下。项目越多，系统越复杂，复用能力却没有同步提升，这也使得从案例走向规模化始终困难。
问题的关键不在能力缺失，而在缺乏一套可以持续复用、统一调度的能力结构。
创新奇智给出的答案，是将一模一体两翼作为整体架构来解决这一问题。以工业大模型提供通用认知能力，以本体智能体作为中枢完成语义组织与决策约束，再通过工业软件与工业机器人两翼承接执行。这一结构的意义，在于将模型能力、业务逻辑与执行系统整合为一个可闭环运行的体系，使AI不再依赖单点项目落地，而具备跨场景复制与持续演进的基础。
在这一体系之下，本体的作用开始显现。通过将设备运维、能耗优化、质量追溯等核心业务逻辑抽象为统一语义模型，平台可以在不同产线之间迁移智能体能力，使经验从一次性交付转变为可复用资产。工业AI由此第一次具备了可扩展性。
这一结构变化，正在重塑AI To B的商业逻辑。过去依赖人力交付的项目模式，逐步转向以模型与平台为核心的标准化输出。随着复用比例提升，单位成本下降，毛利结构改善，行业长期存在的低毛利困局开始松动。
与此同时，商业模式的讨论也回到现实约束之中。
当「甲子光年」问道，随着英伟达GTC等会议推动token计费模式，创新奇智是否会转向类似路径时，李凡强调：要看业务实质。制造业大量场景采用私有化部署，模型运行在客户侧，这种情况下更适合按算力或服务器收费，而非token。
徐辉进一步指出，这并不是技术选择问题，而是市场结构决定的结果。在以预算审批与招标为主导的制造业体系中，订阅制或流量计费短期内难以成为主流，更现实的路径是混合模式，甚至探索按结果付费。
这意味着，工业AI的商业化路径不会简单复制互联网，而将沿着制造业自身的运行逻辑演进。
2026年被视为智能体应用的起点，但真正决定产业高度的，并不是入口规模，而是进入生产核心的深度。能够在高约束环境中稳定运行，并持续产生经营结果的能力，才是AI的长期价值所在。
在这一意义上，本体不只是一个技术组件，而是一种新的能力组织方式。而一模一体两翼，则是这种能力得以落地的工程化路径。谁能够建立这一体系，谁就更有可能在下一阶段的工业AI竞争中，占据主导位置。
（文中图片来自创新奇智；封面图由AI生成）
热门跟贴