大模型应用覆盖到 41 个工业大类,工厂侧先要补齐的是工单数据

行业热点应用场景
本文关键词:
工业智能体工业大模型工单数据场景清单FlashTable

工信部的场景清单

10 月 14 日至 16 日,2026 人工智能产业大会在济南举行,300 余家国内外 AI 头部企业到场。会上工信部发布"人工智能赋能新型工业化高价值场景",覆盖石化、钢铁、汽车、消费电子等 20 个细分领域、1000 余个场景。

山东公布的数据更为具体:全省开展行业大模型"揭榜挂帅"122 个,实现 41 个工业大类全覆盖;389 个大模型通过第三方测评,遴选发布 100 个重点推广的垂域大模型。

这几组数字反映出产业节奏的变化:智能体正由定制开发转向批量交付。过去一个场景需要数月沟通,目前供给端先完成能力建设,再由企业选择。

选择权交到了工厂一侧。但工厂侧的准备工作与供给侧的推进速度并不一致。

智能体需要的数据

一个工业智能体要投入运行,需要三项条件:模型、可调用的工具,以及可读取的现场数据。

前两项由供给端逐步解决,第三项构成主要制约。

工厂中的数据大致处于两种状态。

第一种是可阅读的数据:PDF 格式的工艺文件、扫描归档的检验报告、拍照留存的点检单、分散在共享盘中的 Excel。人员可以打开并理解,机器读取则较为困难。

第二种是可执行的数据:结构化存储在数据库中、字段含义明确、取值受到约束、能与工单批次对应的记录。这类数据才能被智能体调用,用于判断、比对与触发动作。

差距即在此处。智能体承担的是工厂的判断工作,而判断依赖结构化事实,不是一批可以翻阅的文档。

以一个具体场景为例。智能体需要判断某批产品能否放行,它需要知道检验记录中每个点位的实测值、判定标准、复检情况,以及该批产品对应的工单与客户要求。这些信息若分散在四份文档中,智能体只能读取片段;若本来就存在于同一条结构化记录上,判断才具备依据。

车间场景的字段需求

工信部此次发布的场景清单覆盖 20 个细分领域、1000 余个场景。对工厂而言,这份清单更接近一张对照表,用于判断自身哪些环节已具备实施条件;对照时通常会发现,FlashTable 这类表单工具要解决的那一层,正好是大多数场景共同的缺口。

而在多数情况下,场景的第一道门槛不在算法,而在于该场景需要哪些字段、这些字段目前记录在哪里。

排产类场景。 需要工序级的开工完工时间、不良数量与设备状态。缺少这些记录,排产模型只能依靠经验参数估算。

质量类场景。 需要判定过程而非判定结果。仅有合格与否的结论,既无法训练也无法解释;具备实测值、允差与判定依据,才能定位到具体参数的偏移。

设备类场景。 需要故障现象与处置措施的对应关系。现象记录在巡检单上、原因记录在维修记录中、措施记录在交接班本上,三者无法对应时,预测性维护难以积累样本。

这三类场景的共同点在于,所需数据大多由人员在现场填写,而非由设备自动产生。FlashTable 处理的是这一段落差。

FlashTable 的字段处理

FlashTable 是一款 AI 驱动的表单开发组件,以组件形态嵌入工厂已有的 MES、QMS、EAM、LIMS 等系统。它站在智能体所需数据的最上游,处理的是现场记录在产生那一刻的形态,也就是让记录从一开始就具备结构。

AI 智能组件匹配。 上传一张巡检表后,FlashTable 解析字段语义,"运行状态"匹配为枚举下拉,"实测值"匹配为数值并绑定范围,"设备编号"匹配为关联项。同一字段在全厂只有一种填写方式,智能体读取的样本才具有一致性。

公式计算与自定义函数。 允差、阈值与合格率用类似 Excel 的公式表达,计算过程写入记录。质量类场景所需的判定过程,在录入阶段即被保存。

动态行列渲染。 检测点位、样品数量、回路编号按需增减,表单数量不随产品型号扩张。

数据直回业务数据库。 通过标准 API 写入企业自有数据库,与 MES 工单、设备台账对应。智能体调用时读取的是能够关联业务对象的记录,而非一份孤立的数据表。

智能体的使用条件

场景清单列了一千多个,供给端的智能体也在批量交付,但工厂侧的准备并不同步。智能体要判断一批产品能否放行,需要的是实测值、判定标准、复检情况、工单与客户要求这些同时落在一条记录上的事实,而不是散在四份文档里的片段。排产、质量、设备三类场景看似不同,缺的字段都来自同一个位置:人在现场填写的那部分记录。

FlashTable 处理的就是这一层。作为 AI 驱动的表单开发组件,它嵌在 MES、QMS、EAM、LIMS 等系统里,把巡检表、检验单搬到线上,字段类型与取值范围在录入时固定,判定过程随记录一起保存,数据写回企业自有数据库。智能体读到的是能关联业务对象的记录,而不是一份需要先清洗的表格。智能体可以采购,这类记录只能自己在车间里长出来。