Olis應用使用Claude檢測停機事件，AI代理會發現故障。

多年來，工業自動化領域的人工智能一直被定義為供應商以專有輔助工具或聊天機器人形式提供的產品。但這一定位如今已開始被打破，一種更貼合實際的理念正逐步興起：企業無需采購人工智能工具來輔助監控和操作機器人，而是可以自主接入專屬的人工智能能力。

大語言模型并非任何形而上學意義上的 “智能體”，既非機器中的靈智，也非通用人工智能雛形，其本質是算力，是硅基芯片的另一種運算形式。探討大語言模型是否具備 “智能”，就如同探討計算機芯片是否擁有 “智能” 一樣，并無實際意義。

一旦將大語言模型視作算力，背后的深層含義便清晰可見：沒有人會只因某款軟件運行在特定中央處理器上就選擇購買，也沒有人會因某套企業資源規劃系統使用的是?？嗣啄茉垂镜碾娏Χ鴽Q定采購。算力本質上只是客戶自主提供的一種基礎要素 —— 可來源于本地、云端，或是企業已搭建的任意基礎設施。

在這一邏輯下，工廠操作人員會像如今使用智能手機或電子郵件一樣，靈活選用各類可用的人工智能工具。而企業的自動化系統將不再受制于單一供應商的人工智能方案，而是能輸出標準化的結構化數據，供克勞德、聊天生成預訓練轉換器等任意人工智能工具解析和分析。

此時，真正的核心問題便成為：企業需要向自有人工智能智能體輸入哪些數據？

三大發展路徑

如今，軟件即服務模式下的人工智能應用，通常采用各應用程序內置專屬智能體的形式。這種模式操作簡便，但同時也存在極強的局限性：內置智能體的認知范圍僅局限于供應商所掌握的信息，無法對接企業的設備維護日志、企業資源規劃系統、實際生產關鍵績效指標，也無法知曉企業真實的經營目標。

當前，更具靈活性的人工智能集成模式正不斷涌現，主要分為三類：

• 全場景內置智能體：該模式目前已實現落地，雖操作便捷，但功能受限，智能體被局限在單一軟件系統內，無法實現跨系統數據互通。

• 開放式應用程序編程接口：這類接口支持自有智能體與各類系統互通，靈活性極高，但存在令牌消耗量大、數據結構化程度低的問題。

• 混合模式：讓企業自有智能體與供應商系統實現交互，供應商系統則通過專為人工智能數據解析優化的內部智能體進行響應。在該模式下，軟件成為可向客戶任意自選大語言模型輸出優化數據的核心載體。

上述第三種模式正是當前行業的發展趨勢，這也是 “為智能體投喂數據” 這一比喻值得深入探討的原因。

數據比人工智能功能更重要

人工智能智能體的實用價值，完全取決于其接收的數據質量。若向智能體輸入大量非結構化的冗余數據，最終只能得到效果欠佳的分析結果；而精準、合理地輸入數據，才能充分釋放人工智能對自動化生產運營的實際價值。

工業自動化領域充斥著海量、時效性極強的遙測數據，包括可編程邏輯控制器信號、生產周期故障信息、設備報錯數據、傳感器運行狀態、視頻流數據、設備正常運行時長日志以及人機界面交互記錄等。

人類技術人員在時間充足的情況下，能夠解讀所有這些數據；人工智能智能體同樣可以做到，但前提是數據需以其可識別的格式進行傳輸。

以奧利斯機器人技術公司的遠程監控與操作軟件為代表的新一代系統，正被設計為以大語言模型可直接解析的方式對設備數據進行結構化處理和輸出。這并非簡單的原始數據堆砌，而是為數據附加語義框架、場景線索和基礎解析信息后的結構化輸出。

要真正釋放人工智能在工業自動化領域的潛力 —— 無論是通過語音指令配置生產單元，還是在人機界面中添加或刪除操作按鈕，企業的自動化系統都必須以人工智能智能體可理解的 “語言” 與其實現交互。需明確的是，大語言模型是人工智能算力的底層核心引擎，而智能體則是經過配置、可自主完成特定任務的大語言模型。智能體的任務執行效果，在很大程度上取決于其接收的數據類型，以及可調用的工具資源。

在這種模式下，企業無需為人工智能智能體開展冗長的訓練工作，因為輸入的是其可輕松解析并采取行動的結構化數據。

遠程監控數據成為人工智能的核心 “養分”

當下的遠程監控工具，可精準捕捉生產周期異常、傳感器信號波動、設備停機時段、邏輯運算故障、人機界面操作變更以及環境參數異常等數據 —— 這些正是人工智能智能體可高效解析的核心信息。

在實際應用中，這意味著系統可捕捉機器人或自動化生產單元內發生的所有操作與數據變化。企業無需將這些原始數據傳輸給遠程工程師，也無需為相關人員開放虛擬專用網絡權限，只需將自有大語言模型對接至該數據來源即可。

隨后，人工智能智能體將完成故障診斷、異常標記、潛在根因分析，甚至可將分析結果與企業內部的關鍵績效指標或經營目標進行交叉比對。

為直觀闡釋這一工作流程，以奧利斯遠程監控軟件的典型數據流轉為例：該軟件將可編程邏輯控制器信號、故障代碼、生產周期時長、視頻流等結構化數據輸入大語言模型，大語言模型為人工智能智能體提供算力支撐，使其完成故障停機診斷、設備故障預測、分析報告生成等特定任務，最終由人工智能智能體向人類操作人員反饋數據分析結果和業務洞察。

自動化系統、大語言模型和人工智能智能體系分屬不同層級，但三者按流程協同運作。而如果自動化系統無法輸出規范的結構化數據，大語言模型將缺乏有價值的分析素材 —— 這正是 “講好人工智能能聽懂的語言”（即提供清晰、具備語義的結構化數據）至關重要的原因。

賦予制造商更多掌控權

自攜智能體模式的核心優勢，在于將控制權重新交還給工業自動化終端用戶：企業可自主選擇大語言模型，管控數據分析的深度、范圍及相關成本；此外，企業無需受制于供應商的人工智能技術發展規劃，擁有更高的自主決策權。

當人工智能成為企業可自主掌控的輸入要素時，其應用可能性將得到極大拓展。例如，企業可將自動化系統與企業資源規劃系統打通，實現生產運營數據與業務場景的深度融合，且全程無需將核心數據托付給第三方，規避數據安全風險。

對于工廠管理者而言，這無疑是真正 “重掌控制權” 的契機。多年來，行業一直向他們傳遞 “人工智能必須作為產品采購” 的理念，但正如前文所述，人工智能的本質只是算力。這意味著，相比 “誰提供模型”，“誰掌控數據和業務流程” 才是更為關鍵的核心。

秉持這一理念推進人工智能在工業自動化的應用，需牢記兩點：第一，企業并非要采購人工智能本身，而是要采購能讓人工智能無需人工干預即可自主解析和利用的軟件系統；第二，人工智能智能體并非工廠的 “大腦”，只是企業自主引入的一種算力資源，如同為自動化設備供電的電力、供人員清潔的水一樣，是一種基礎生產要素。

工業自動化終端用戶應摒棄傳統的聊天機器人模式，轉而采用專為向人工智能智能體輸入清晰、結構化、高語義價值數據而設計的系統。通過這種方式，任意供應商的任意大語言模型都能實現設備故障診斷、分析報告生成、行動方案建議，并與企業整個數字生態系統實現集成互通。