2025 年是智能体落地元年，智能体推动传统行业从数字化进入到智能化时代。

工业制造作为数字化时代不被重视的行业，在智能化时代反而备受关注，涌现出诸多智能体应用。智能化时代，工业制造成为智能体落地的重点行业。

01  

离散工业智能体迎来全新发展机遇

相比金融、消费零售，工业包含非常多细分领域。

按照工业制品，根据《国民经济行业分类》（GB/T4754-2011），工业行业可以被分为制造业、采矿业、水电燃气生产供应业 3 个二级行业，41 个三级行业。

按照生产制造方式，工业可以分成三大类：流程制造、离散制造和混合制造。

流程制造主要是大型企业，特点是大装置大投资，自动化程度高，生产制程确定后几乎不变。离散制造则有很多中小企业，特点是非标准化程度高，柔性生产居多，生产工艺、生产制程变化多。

数字化时代，因流程制造企业多数为大型企业，数字化预算投入高，生产流程相对稳定不变，更有利于各类数字化系统落地。离散制造因其品类诸多、生产非标程度高，落地挑战大，发展空间受限。

但智能化时代，大模型技术的泛化能力和分析决策能力，让离散工业智能体迎来全新发展机遇。

02  

智能化和全球化双轮驱动离散工业智能体发展

离散工业智能体发展主要是智能化和全球化两大核心驱动因素。

大模型技术发展为离散工业智能体落地奠定技术基础。

首先，以视觉为代表的传统工业 AI 落地，最大挑战是面对灵活多变的工艺和制程，AI 交付门槛过高，AI 交付成本过重。

多数离散工业企业存在大量 " 柔性生产 "，多数情况不是按照库存进行生产，而是根据订单进行生产。大部分订单需求也不是标准的，需要重新调整工艺和制程。这使得传统 AI 落地时，需要根据每条产线、每个产品重新进行调整，交付成本高，无法服务于小批量生产。

大模型本身的泛化能力，使得智能体具备一定通用性，在一定程度降低了交付门槛和成本，这让 AI 在离散工业企业落地成为可能。

其次，离散工业的 " 柔性生产 " 过往非常依赖于人工经验。在需求确认、销售报价、工艺设计、制程确定、生产交付过程中有大量决策工作。

这些决策并非流程制造那种复杂决策，而是围绕着订单交付，基于业务经验的调控调度类决策，这类决策门槛不是很高，但重复性强，需要综合各类信息。

大模型的海量数据处理能力，基于历史数据和过往经验进行分析决策能力，恰好能够帮助离散工业解决这个问题。

考虑到最终还是由人来完成决策，大模型更多是辅助决策，基于过往案例，汇集各类数据，分析当前问题，给出解决方案。这种人机交互方式也能够大大降低大模型幻觉问题，发挥其海量数据处理优势。

技术突破只是一方面，更重要的是离散工业企业正迎来全球化发展机遇，由此带来的是工程师人才长期供给存在缺口。

中国企业出海已成为必选项，而非可选项。对工业企业而言，出海不仅仅是订单出海，还要生产出海。苹果等大型企业对供应链企业的要求是必须有海外工厂，建厂容易，但熟悉业务的工程师人才招聘困难。

正如前文所言，离散制造这种业务形态对一线工人要求不高，对工程师要求较高。能够基于订单需求，对工艺和生产制程进行调整优化，在生产过程中基于产线产能和订单优先级进行随时调整。

借助智能体，能够帮助工业企业缩短人才培养周期，降低对工程师能力要求。长期来看是有效提升工业企业的竞争力，在全球化竞争中占据一定先发优势。

03  

云端工业智能体是未来趋势，数据积累和用户反馈是实现智能决策的关键

除了大模型，智能体落地依赖于专家知识、工具、工作流等能力，而且需要用户持续反馈数据，才能够持续进化，真正实现辅助决策甚至自主决策。

针对工业场景，核心挑战在于如何积累工程师经验知识，并获取用户持续反馈。

因为离散工业品类诸多，即使是同一品类每家企业的工艺和制程都存在不同差异，缺乏批量化手段去低成本积累这些工程师经验。比较可行的方式是基于一个可用产品，持续获取用户反馈，不断优化迭代，从而能够搭建出一个好用的智能体。

考虑到同品类工业企业虽然存在差异，但整体生产方式和流程类似。如果能够汇集多家企业的经验，抽象总结成最佳实践经验，这对于智能体持续迭代优化有非常大帮助。

限于当前基础模型能力，高参数基模能力在泛化性、分析决策能力上明显更优。私有部署大参数基模的成本过高，选择云端接入是更有性价比的方案。

基于上述因素，云端智能体是必然趋势，能够调用能力更强的基模、能够持续获取用户反馈进行迭代优化。

考虑到超大型企业对数据安全要求高，更加倾向于本地部署，因此，更容易接受云端部署的成长型企业是智能体落地更合适切入点。

离散企业多数为成长型企业，潜在客群规模大。同时，这些成长型企业更加面临工程师人才长期存在缺口的问题，需求旺盛。最后，这些成长型企业多数有出海计划，更倾向选型具备多云部署能力的智能体。

04  

工业智能体主要厂商

工业智能体目前主要是三类厂商，以互联网大厂为代表的基模厂商、传统工业软件厂商和 AI 原生智能体厂商。

基础厂商的优势在于 AI 技术能力强，具备一定 AI 工程化和落地能力，但缺乏工业场景理解和智能体应用交付能力。重点还是提供算力、模型等基础设施服务。

传统工业软件厂商的优势在于工业场景理解和客户资源丰富，但 AI 技术能力弱，缺乏工程化落地能力，同时智能体一般会绑定现有工业软件，产品灵活性较差。

AI 原生智能体厂商的优势在于 AI 落地能力强，能够快速实现智能体应用开发和交付，但工业场景理解一般，客户资源相对薄弱。

圆木智能是一家典型的 AI 原生智能体厂商，聚焦工厂需求、研发、生产三大核心环节，为制造企业提供从需求分析到研发设计、再到生产执行的全链路 AI 解决方案，助力企业实现运营效率与决策质量的双维提升。

圆木智能重点围绕着订单到生产、需求到设计、面向生产的设计优化与评审等多工种协作的复杂场景，提供排产智能体、智能文档解析和设备智能交付等产品服务。

目前，圆木智能已经在机加工、高端装备、消费电子等领域有落地案例，凭借团队的 AI 大模型工程化能力和工业场景 Know-how 经验，为工业企业提供定制化解决方案。

爱分析对圆木智能创始人兼 CEO 姜昌浩进行访谈，针对圆木智能的创业初衷、公司定位、未来发展方向等话题进行探讨，现将部分内容分享如下。

爱分析：您之前拥有 AI 背景，但并未涉足过工业领域，为何最终选择工业作为您的切入点？

姜昌浩：这是一个我经常要回答的问题，选择工业领域既有偶然也有一定必然性。

工业规模巨大，是典型的大市场，任何一个细分行业都具有相当的体量，创业公司在早期容易找到一个根据地。

实际上，通过服务或调研不同的工业企业，我发现他们普遍面临一些通用的痛点，比如虽然自动化已经让一线工人减少了，但非标领域仍大量依赖工程师的重复性劳动，很多工艺问题仍完全依赖人工经验，而这些痛点正是我们团队的 AI 技术可以解决的。

有趣的是，当听到我要做工业，几乎身边绝大多数都劝我不要做，认为这个行业 " 水太深 " 或者 " 很难做 "；这种 " 非共识 " 的状态反而激发了我的兴趣；后来真的做起来，朋友们看到我并不是在玩票，也都给予了非常多的支持和帮助，我们团队中也有越来越多资深工业专家来弥补我在工业 know-how 上的不足。

爱分析：你提到了工业的 Know-how 非常复杂，您如何判断其中的机会？又如何应对工业企业客户的巨大差异性？

姜昌浩：工业场景的复杂性和每家企业的巨大差异性，使得工业数字化产品的产品化难度非常高，市场被切分得非常琐碎。这导致许多供应商不得不去做高客单价的定制化项目。

然而，我们相信新一代的大模型，尤其是智能体，能够从根本上解决通用性的问题。只要产品能够实现通用化，就能够显著降低成本，从而覆盖包括中小工厂在内的更广泛的客群。

我们的策略是避开那些差异化过于严重的场景，在 " 价值 " 和 " 通用性 " 之间找到最佳的平衡点，这也是我们之前在大模型落地在其他工业场景的 PMF 踩坑后总结出的宝贵经验。目前我们产研团队主要在关注排产这个场景。

爱分析：APS 这个赛道竞争已经非常激烈了，你们的产品有哪些差异化和壁垒？

姜昌浩：传统的 APS 厂商有两个主要特点：一是过分强调优化算法的价值，追求理论上的 " 最优解 "；二是交付成本高昂，只服务于高客单价的大型项目。

这带来了两个问题：一方面，这些系统的复杂度很高、灵活性差，难以应对插单、设备损坏等普遍存在的异常情况。

另一方面，市面上 80% 的 APS 厂商都盯着 10% 的大客户，导致中小企业无法承担动辄数百万的项目费用，无法享受到普惠的排产优化服务。

与其称我们的产品为 APS，我更愿意称它为 " 排产智能体 "，为了让大家容易理解，我们把产品名字叫做 " 今天排 "。

我们用 AI 原生的思路来构建它，并在其外层增加甘特图等可视化工具，提供严谨的工业软件体验。今天排的定位是要既能灵活应对复杂多变的现实情况，又能以更低的成本服务更广泛的客户群体。

爱分析：你为何如此强调产品化？

姜昌浩：对于 To B 的 AI 公司而言，想要实现真正的规模化，唯一可持续的路径就是产品化。这一点是我们在实践中逐步体会到的。我们也经历过依靠项目制 " 养活 " 团队的阶段，但那种模式很难形成复用和积累。

如今，我们在对工业现场的理解和 AI 落地能力上都有了更深的积淀，因此认为是时候把重心转向产品化。

产品化的价值在于，它能让团队持续打磨用户体验、沉淀数据、实现模型的快速迭代。相比之下，大客户的定制化项目往往周期长、反馈慢，难以形成可迁移的模型与数据资产。

而现在，大模型的通用性正在为产品化创造新的空间。同时，大模型的私有化成本很高，这反而加速了企业上云的趋势，也在客观上推动了产品化模式的普及。

当然，像 Palantir 这样的公司也提供了另一种成功路径。他们通过深度嵌入客户流程，走出了一条独特的 " 项目即产品 " 路线。

我们认为在中国工业领域，尤其是涉及复杂工艺优化的场景中，确实存在孕育类似模式的土壤。只不过，对我们而言，仍要在产品化和深度服务之间找到更平衡、更适合中国制造业生态的方式。

爱分析：面向未来，您是如何定位圆木智能的？

姜昌浩：我们希望将大模型等新一代人工智能技术，能够在离散制造业规模化落地。我们坚信大模型赋能工业的未来，但对于创业者来说，路径与远景同样重要。我们将圆木的发展分为几个阶段。

第一阶段是 " 打造爆款智能体 "：当前 AI 迭代速度非常快，基座模型和相关技术仍然没有收敛。

在这个阶段，AI 公司的核心竞争力是场景与客户。我们将不断为中小制造业打造爆款智能体产品，除了目前的排产智能体，我们还有后续的产品规划，通过产品来积累口碑和数据。

第二阶段是 " 训练垂直模型 "：当基座模型的能力提升到下个阶段后，垂直数据的价值将被放大，我们将基于第一阶段积累的真实的场景数据来驱动模型创新，让我们的产品更具通用性，模型能力更泛化，并最终打造更多端到端的模型。

第三阶段是 " 构建供应链平台 "：当智能体成为工业企业提质增效的标配以后，企业间通过智能体来协同将创造更大的价值。我们将探索基于智能体的创新业务模式，例如构建一个非标零部件的供应链平台。我们相信，通过智能体，我们可以重构并优化现有产业链的协作方式。

爱分析：市面上有不少供应链平台，圆木智能未来想做的供应链平台是什么定位？

姜昌浩：确实，现在的工业供应链平台形态非常多样，从信息撮合、交易撮合，到总包服务，再到利用 AI 实现线上交易，几乎每种模式都有人在尝试。

但如果回到真正 " 严肃的工业供应链合作 " 上，我们会发现问题依然存在——效率和信任始终是两大瓶颈。

一个完整的工业合作过程，往往要经历沟通、审厂、报价、DFM 评审、试产等多个环节，其中很多环节还需要反复迭代。整个流程里，工厂端涉及销售、工艺、生产等多个角色，需求端也不只是采购，还有质量和研发的参与。

所以我们更关注的是：这些复杂的协作能否被数字化、结构化，并逐步由智能体承担？

我们认为，未来的供应链平台不只是撮合或交易的界面，而是由 " 跨组织智能体网络 " 支撑的协作系统。Agent 与 Agent 之间可以直接交流、理解需求、生成方案，甚至形成协议和履约机制。

从这个意义上看，我们期待的，是一种基于 Agent-to-Agent 网络演化出来的新型供应链平台。甚至能够结合区块链技术，形成一个可信的平台。

爱分析：你所说的供应链结构性变化是指什么？

姜昌浩：这个我可能理解得还不够全面，我举个例子来说明吧。

比如在传统汽车行业，整车是由多个相对独立的总成组成的，各个总成之间的交互较少，所以供应链可以很清晰地被分层：一级供应商负责完整的模块设计和集成，下面再去管理对应的二级供应商。

但随着 " 软件定义汽车 " 的出现，整车内部的系统之间开始深度耦合，电子电气架构更像一个互联的网络，而不是若干相对独立的模块。也就是说，原来那种按模块分层、逐级分包的供应链结构，就很难适应这种强耦合、高频交互的研发和生产模式了。

所以我理解的 " 结构性变化 "，本质上是产品架构由分层式转向网络化所带来的供应链关系重构——传统的一级、二级分层体系，正在被一种更加协同、动态、甚至实时互通的供应网络所取代。

爱分析：实现这一愿景目标需要什么样的团队？

姜昌浩：复合能力是非常必要的，必须是一个 " 工业 x AI" 跨界专家团队。我们三位联合创始人都是各自领域顶尖专家，而且都有过创业经历。

我本人是清华计算机系本硕，硕士毕业于清华大学人工智能实验室。另外两位联合创始人，一位是联合创办了某 SaaS 独角兽企业，负责过多款 SaaS 产品从 0 到 1 的商业化。另一位清华校友之前是 500 强外企的高管，拥有二十年工业数字化及智能制造经验。

我们的团队也是基本围绕着 AI、工业、产品化来展开，有很多优秀的同学，也持续欢迎有实力和野心的小伙伴加入我们。