某石化工（850102）厂的运维主管最近有点困惑：花大价钱上线的工业智能体系统，平时问个行业常识、代码释义都对答如流，真到了要排查某条特定产线的停机故障时，给出的方案却和现场工况完全对不上，最后还是得靠有着二十年经验的老工程师到场解决。
以上这种情况并不是个例。
2026 年被行业普遍称为 “智能体爆发元年”，根据 IDC 最新预测，到 2031 年中国工业智能体市场规模将达到 3.5 万亿元，年复合增长率超 135%。政策端也在持续加码 —— 国家数据局《2026 年数字经济（885976）发展工作要点》明确提出 “强化数据赋能人工智能（885728）发展” 六大专项行动，为全年数字经济（885976）高质量发展划定了核心路径。然而在一片向好的行业热度下，德勤发布的调研报告却浇了一盆 “冷水”：当前仅 11% 的企业已成功将 AI 智能体投入规模化生产应用。
万亿级市场空间与个位数落地率的巨大反差，指向了一个难以回避的现实：政策和资本都在推着智能体“向前跑”，但工业场景的“地基”却还没铺平。结合国双服务近百家大中型企业的智改数转实践经验来看，工业智能体的核心卡点从来不在算力、算法、模型这些 “智能以后” 的环节，恰恰仍卡在“智能以前“——散乱区隔的数据、隐性化的专家经验、缺位的安全可信机制，让再先进的 AI 模型也 “无米下锅”，难以生成出真正可靠的决策支撑，具体来看，恐怕存在着如下三重共性”堵点“：
堵点一：数据散乱 ——“有数据” 不等于 “有可用数据”
工业场景的数据来源高度分散，生产设备、运营系统、管理流程产生的数据格式各异，非结构化数据占比普遍超过 70%，大量老旧设备甚至缺乏基础的数据采集接口。过去十年的信息化建设解决了“数据有没有”的问题，但“数据准备”的功课却没过关：例如各类企业留存的技术文档往往存在大量不规范表述，跨部门数据孤岛林立，数据质量参差不齐，导致很多企业坐拥PB级数据资产，但真正能被智能体直接调用的不足 30%。
堵点二：知识隐性化 —— 专家在脑子里，不在系统里
工业领域的核心决策高度依赖行业 Know-How，这些知识经验却在专家头脑、操作手册、技术文档、历史运行数据中，没有被系统地沉淀和结构化。这些“隐知识”是工业决策的核心先验依据，却无法被智能体直接调用。现在行业都在说“Agent 即服务”，但如果 Agent 的“大脑”里没有注入垂直领域的行业知识，就只能流于停留在回答通用问题的层面，根本无法处理复杂的工业场景判断。
堵点三：安全可信缺位 ——“能用”与“敢用”之间存在鸿沟
工业场景对决策的准确性、严谨性要求极高，设备维修中的一个错误判断就可能导致停产、安全事故，造成数百万元甚至更高的损失。当前通用大模型普遍存在的“幻觉”问题，在严肃产业场景中是不可接受的红线——冗余繁杂的知识、不可靠的信息，反而会推高人类专家的判断门槛，甚至误导操作决策。近期十部门联合出台的 AI 伦理审查办法，已经将安全治理从“加分项”变为“准入证”，但多数企业的智能体方案仍未达到满足这一底线要求，可能成为了落地的障碍和挑战。
面对这三重堵点，国双在过去的技术发展中，并没有跟风在算法模型层 “卷参数”，而是选择沉下心在数据和知识层 “补基础”，依托混合式产业智能架构，以“专家知识 + 高质量数据”双轮驱动，为工业智能体筑牢可落地的底座。
当下，国双的数智底座已经实现了对多源异构数据的采集、清洗、计算、治理全周期（883436）管理，可支持企业核心数据资产的沉淀与标准化准备，确保数据在流转过程中实现安全可信分享，为工业智能体提供高质量、可信任、可追溯的可用数据集基础。比如在油气行业，国双为某大型央企打造的覆盖全价值链的生产运行指挥调度平台，统一了数据管理基础设施，整合了原本分散的 12 套工业生产管理系统，数据治理效率提升 40%，能够实时为各层级用户提供生产优化分析及核心指标智能推送，成为后续智能体应用落地的核心数据支撑。
与此同时，作为国双混合式产业智能的核心模块，国双知识智能已经形成了从模型构建、数据标注、知识抽取、知识计算到应用的完整工具链，能够将分散在专家头脑、技术文档中的行业Know-How进行结构化提取和关联，高效构建行业知识库及工业模型库，把显式及隐式的专家经验转变为工业智能体的“指挥大脑”和“控制引擎”。在多模型融合落地的项目中，这些结构化知识库作为外部知识源引入，能够有效降低大模型微调对数据和算力的要求，令大模型的 “幻觉” 和可解释性问题得到显著改善。
考虑到工业场景对应用精准度的极高要求，国双在工业设备预测性维护等核心能力的研发中，始终坚持依托领域知识图谱、标准化行业知识库和知识抽取技术，支撑精准预案的生成，并且保障每一个决策背后的知识来源、数据依据全链路可追溯，让每一个智能解答都有迹可循、有据可依。对比单一通用大模型方案普遍存在的知识冗余、信息不可靠问题，国双的技术路线在问答精准度、数据可追溯性、知识专业性上均表现出显著优势，在某装备制造客户的智能运维系统上线后，即达到故障判断准确率92%的成果，让误报率得到了显著下降。
国双始终相信在工业智能化这条赛道，“慢反而是更快”的路径。
在某大型装备制造央企的数据要素（886041）化项目中，国双没有选择做单点式的数据管理平台，而是深入对齐企业顶层战略，以业务场景价值挖掘为牵引，构建了覆盖数据标准建设、数据质量管控、安全合规治理、资产可信共享的全链路数据生命周期（883436）管理体系。在此基础上，结合领域知识图谱、领域知识库、智能化模型等多技术栈融合，针对设备运维、生产调度等核心场景打造定制化工（850102）业智能体，将经典的数据治理范式升级为“数据要素（886041）准备通道”——实现从数据到知识，再从知识到智能应用的完整闭环。
这种可持续的 “数据运营” 陪跑服务模式，为企业打通了从数据治理到安全可信智能体落地的完整升级路径，用深入场景的实践经验反哺自研技术迭代。众所周知，中国拥有全球最庞大、门类最齐全的工业体系，大量西方技术从未适配过的复杂场景，决定了自主可控、安全可靠的数智技术才是真正可行的落地路径。正如国双 CEO 祁国晟所言：“在智能化发展道路上，中国有场景和产业丰富的优势，我们必须敢于创新，走出一条属于自己、自主可控的产业之路。”
国双认为，工业智能体从来不是装上大模型就能用的即插即用产品，而是需要行业知识与可信数据两大底座持续浇灌的生长型系统。当下行业的集体困惑 ——“智能体这么火，为什么落不了地”，其根源也正在于此。只有真正筑牢行业知识和可信数据这两大核心底座，工业智能体才能在丰富的工业场景沃土中真正落地生根，为产业融合升级释放实实在在的价值。
这条探索之路上真正的战场，从来不在 “智能” 之后，而恰恰更存在于 “智能以前”。
