多模态数据治理驱动工业智能体发展寄云科技时培昕博士详解落地路径

摘要：近日，由工业互联网研习社、数字工博、新一代信息技术与应用展共同主办的的"工业智能体探索营"首期直播中，寄云科技创始人时培昕博士带来主题分享，为工业企业揭开了智能时代的数据治理新范式。这场吸引超千名业内人士参与的直播，直指2025年工业智能体决胜关键—多模态数据

近日，由工业互联网研习社、数字工博、新一代信息技术与应用展共同主办的的"工业智能体探索营"首期直播中，寄云科技创始人时培昕博士带来主题分享，为工业企业揭开了智能时代的数据治理新范式。这场吸引超千名业内人士参与的直播，直指2025年工业智能体决胜关键—多模态数据治理能力的具备将成企业数智化转型分水岭。

一、智能化演进：从大模型到智能体的技术跃迁

时培昕博士首先梳理了大模型与智能体的技术演进逻辑。他指出，大模型以Transformer架构为基础，具备文本生成、代码生成、多模态内容生成等能力，如Meta的MGX工具已能通过自然语言交互自动生成产品文档（PRD）、API设计、代码实现等，颠覆传统软件开发模式。

而智能体（AI Agent）则是大模型的升级形态，具备逻辑分析、自动分解任务、自动化执行任务以及灵活选择行动策略等特性，可通过自然语言交互完成复杂任务，如AutoGPT 已实现基于用户输入的文字类需求，生成各种自动化任务并执行和完成，突破了传统AI只能被动应答的局限。

放眼当下，在工业领域，AI Agent也正在重构工业智能化范式。

二、解读工业大模型的三大困局

当前，国内工业大模型仍处于初级阶段，主要应用于单一知识库问答、智能客服等场景，存在三大核心问题：使用场景单一、精确度不高以及单一模态，缺少上下文关联，导致了部分工业企业动辄数百万的投入，却只能解决一些办公系统的查询、报表生成，提高一定的人员效率，效果远不及预期，其核心是无法接入生产数据，导致海量的生产问题没有得到有效解决，离真正的智能化目标相距甚远。

此外，时培昕强调工业大模型与小模型存在本质区别：小模型聚焦单点分析，参数量小、部署轻量；大模型基于Transformer架构，依赖海量数据与算力，更适合处理文本类输入与复杂逻辑推理。然而，工业场景中大量小模型因碎片化问题难以复用，需通过大模型调度实现协同。

三、工业智能体：多模态数据融合的破局之道

工业智能体，是在工业大模型基础上，融合多模态数据，调度工业小模型和分析工具，实现复杂任务的自动化分解与执行。

以传统设备运维场景为例，整个问题定位过程需要结合人的理解和翻译，凭借经验才能完成多系统之间固定流程的查询任务，从而会产生大量效率损失和知识孤岛。总结其根本原因就是数据采集不完整、缺少数据治理以及上下文关联。

那么，有没有可能让智能体来自动完成这种人工的过程?从数小时的定位时间降低为几分钟甚至几秒钟，并且降低人的出错概率?

时培昕博士结合寄云科技当前智能体开发成果“工业画布”，分享展示了工业智能体的典型应用场景，是如何实现工业数据交互范式的突破。

作为一款基于大模型开发的工业智能交互系统，寄云科技工业画布通过自然语言交互实现多模态数据的整合分析与可视化呈现。该系统目前集成了实时监测数据（如风机风速、功率）、设备静态信息（知识库用户手册/故障文档）和3D模型等，支持用户通过口语化指令完成设备查询（"系统内有哪些设备"）、文档检索（"用户手册中切入风速标准"）和数据分析（"统计风速低于阈值的记录"）等操作，为设备管理、故障排查等业务提供了统一智能交互入口。

因此针对工业智能体的构建，时培昕博士给出的建议是，需分阶段推进：第一阶段需要做好多模态数据采集和治理，第二阶段开展生产数据分析（如工艺、质量、能耗分析等），第三阶段构建工业智能体，实现自动化任务处理和决策支持。

在宝丰集团案例中，寄云科技构建的工业物联网平台接入2万余台设备数据，通过统一物模型将污水处理工艺参数偏差率降低，实现污水处理自动加药和自动接气，提高水质稳定的同时，减少了人工工作量。这印证了时博士提出的三阶构建论：先完成设备、工艺、质量等核心域数据治理，再构建预测性分析模型，最终实现智能体自主决策。

四、企业智能体落地建议：规避风险与分阶实施

随着工业数字化转型进入深水区，工业智能体正成为破解数据孤岛、提升生产效率的关键路径。

针对企业关心的大模型 “幻觉” 问题与实施风险，时培昕引用IDC最新研究强调："实现多模态数据治理成熟度的企业，AI应用成功率将跃升4倍，并提出三点建议：

1、明确目标与基础评估：先厘清业务需求（管理效率提升 vs 生产指标优化），评估数据基础（是否完成 OT/IT 数据整合、治理标准化），避免盲目投入。

2、从小场景切入，分阶推进：

阶段一：数据采集与治理：优先采集关键设备、工艺数据，制定核心数据标准，构建基础数据中台；

阶段二：数据分析与小模型应用：通过工具（如寄云科技时序数据分析工具TE）实现工艺参数波动分析、异常检测，培养工程师数据思维；

阶段三：智能体构建：基于成熟数据基础与场景验证，逐步部署跨系统协同的智能体应用。

3、工具优先，避免硬件浪费：利用开源 /低代码工具进行POC验证，避免过早采购昂贵硬件或算力资源，待场景明确后再规模化投入。

时培昕博士强调，工业智能体建设切勿“叶公好龙”。企业需明确自身需求与数据基础，避免盲目投入。数据治理是实现工业大模型和智能体的基础工作，没有做好数据治理，就无法实现大模型和智能体的效果。

五、数据驱动的工业智能化未来

看不见的数据治理，撑得起看得见的百倍收益。