AI智能體將如何改變 MES 和制造業(yè)？
發(fā)布時(shí)間：2025-08-29 www.dzsex.cn
長(zhǎng)期以來，制造執(zhí)行系統(tǒng) （MES） 一直是智能制造的中樞，它通過預(yù)定義的邏輯和配置來編排生產(chǎn)工作流程。但是，如果這些系統(tǒng)能夠自主思考、學(xué)習(xí)和適應(yīng)呢？
每一套 MES 的核心都是其數(shù)據(jù)模型，但智能層卻基本處于“靜態(tài)”，因?yàn)樗⒃陬A(yù)設(shè)邏輯和配置之上。這意味著，盡管 MES 軟件具備高度的可定制與可擴(kuò)展能力，其運(yùn)行仍受制于固定規(guī)則——而生產(chǎn)環(huán)境卻遠(yuǎn)非一成不變。
圍繞 MES 技術(shù)的這一核心痛點(diǎn)，Critical Manufacturing公司的聯(lián)合創(chuàng)始人兼 CEO Francisco Almada Lobo 在近日舉辦的 MES & 工業(yè) 4.0 峰會(huì)上發(fā)表主題演講，幫助制造商為即將到來的 MES 技術(shù)變革做好準(zhǔn)備。
盡管制造業(yè)環(huán)境的動(dòng)態(tài)特性早已廣為人知，但Lobo強(qiáng)調(diào)，制造流程本身也已不再是靜態(tài)。推動(dòng)這一變革的主要因素涵蓋全球經(jīng)濟(jì)問題，如新關(guān)稅政策與供應(yīng)鏈中斷，以及日益增長(zhǎng)的產(chǎn)品定制化需求。
這就在僵化的系統(tǒng)邏輯與流動(dòng)的制造現(xiàn)實(shí)之間造成了錯(cuò)位，傳統(tǒng) MES 架構(gòu)往往難以彌合由此帶來的效率損失。
Lobo 認(rèn)為，解決之道并非徹底替換 MES，而是為其引入AI智能體（AI agents）——它們能夠在運(yùn)行中持續(xù)學(xué)習(xí)、自我適應(yīng)并實(shí)時(shí)做出智能決策。但他同時(shí)指出，要實(shí)現(xiàn)這一轉(zhuǎn)型必須具備兩大關(guān)鍵要素：接受AI智能體作為必然趨勢(shì)，并制定強(qiáng)大的數(shù)據(jù)與架構(gòu)策略予以支撐。
指數(shù)級(jí)增長(zhǎng)vs.對(duì)數(shù)級(jí)進(jìn)化
盡管著名未來學(xué)家、人工智能先驅(qū)Ray Kurzweil的預(yù)言似乎與 MES 議題不相關(guān)，但其技術(shù)觀的核心正是“指數(shù)級(jí)加速”這一特質(zhì)。Kurzweil曾將技術(shù)比作“重力”，一種不斷加速的力量。
在其2005年著作《奇點(diǎn)臨近》中，Kurzweil指出：2000年代初花費(fèi)1000美元購(gòu)置的計(jì)算能力可媲美昆蟲大腦，到2010年則可匹敵小鼠大腦。他預(yù)測(cè)到2050年，同等投入將能提供相當(dāng)于全人類大腦總和的計(jì)算能力。
這種指數(shù)級(jí)躍升催生了 HubSpot 創(chuàng)始人Scott Brinker 所提出的“Martex 定律”。該定律認(rèn)為：技術(shù)呈指數(shù)級(jí)演進(jìn)，而組織卻只能以對(duì)數(shù)級(jí)緩慢進(jìn)化。兩者之間的鴻溝日益擴(kuò)大，使得普通企業(yè)幾乎難以跟上技術(shù)的腳步。
Lobo說，應(yīng)對(duì)這一挑戰(zhàn)需要戰(zhàn)略技術(shù)采用、組織敏捷性，有時(shí)還需要革命性思維。企業(yè)必須敢于從根本上重新構(gòu)想自己的運(yùn)營(yíng)方式，并不斷追問：“如果我們今天從零開始，會(huì)怎么做？”
制造業(yè)必須關(guān)注的三波 AI 演進(jìn)
正在制造業(yè)展開的 AI 變革，可劃分為三個(gè)層次分明、層層遞進(jìn)的浪潮，每一波都在前一波的基礎(chǔ)上繼續(xù)推進(jìn)：
第一波：經(jīng)典機(jī)器學(xué)習(xí)
約始于 2007 年，采用回歸、決策樹、聚類等技術(shù)，作用于結(jié)構(gòu)清晰的數(shù)據(jù)。盡管自 2010 年起這些能力就已普及，但大量制造企業(yè)仍未充分挖掘其潛力。
第二波：大語言模型
始于 2017 年 Google Brain 團(tuán)隊(duì)發(fā)表的論文《Attention is All You Need》，該論文提出了 Transformer 架構(gòu)，徹底革新了自然語言處理領(lǐng)域。隨后，2020 年的 GPT-3 與 2022 年的 ChatGPT 相繼問世，帶來了前所未有的文本生成、問題求解和編程能力。
第三波：AI 智能體
Lobo認(rèn)為，AI 智能體正代表當(dāng)前最前沿。與前兩代不同，“AI 智能體不再只是被動(dòng)執(zhí)行指令，而是能夠自主推理、規(guī)劃并完成復(fù)雜任務(wù)?！?/div>
圖1：制造數(shù)據(jù)平臺(tái)，連同 MES 和IoT互聯(lián)，是 Lobo所說的"智能制造的三位一體"。
數(shù)據(jù)平臺(tái)之基
現(xiàn)代制造技術(shù)與 AI 賦能技術(shù)之間的鴻溝在于：傳統(tǒng)的事務(wù)型制造系統(tǒng)基于關(guān)系型數(shù)據(jù)庫(kù)，從未為 AI 工作負(fù)載而設(shè)計(jì)；AI 需要海量且多樣化的數(shù)據(jù)集，涵蓋圖像、文本、日志以及傳感器流。同時(shí)，AI 既需要?dú)v史數(shù)據(jù)，也需要實(shí)時(shí)流數(shù)據(jù)的接入，才能做出即時(shí)響應(yīng)。
為滿足多源數(shù)據(jù)需求，誕生了一類全新的系統(tǒng)——制造數(shù)據(jù)平臺(tái)。Lobo將其稱為“智能制造的三位一體：數(shù)據(jù)平臺(tái) + MES + IoT互聯(lián)”。
為深入理解這一概念，需認(rèn)識(shí)到：來自制造工廠多傳感器與設(shè)備的物聯(lián)網(wǎng)數(shù)據(jù)，需要MES進(jìn)行情境化處理并解決時(shí)間戳同步等關(guān)鍵問題。
“企業(yè)級(jí)數(shù)據(jù)湖無法實(shí)現(xiàn)這些功能，” Lobo強(qiáng)調(diào)，“我們建議以MES基礎(chǔ)架構(gòu)為模型核心，使企業(yè)從部署之日起就能高效運(yùn)用AI模型。之所以如此主張，是因?yàn)镸ES可能是構(gòu)建數(shù)字孿生的最強(qiáng)勁基石之一?！?/div>
圖2：緩解大型語言模型“幻覺”問題的三種技術(shù)。
建立對(duì)大型語言模型的信任
眾所周知，大型語言模型（LLM）可能出現(xiàn)“幻覺”現(xiàn)象——即興編造回答，且在不同使用場(chǎng)景間會(huì)遺忘關(guān)鍵信息。考慮到這一點(diǎn)，Lobo表示許多人曾質(zhì)疑他為何主張將LLM作為MES系統(tǒng)核心大腦的關(guān)鍵組成部分。
“一種讓我們克服LLM幻覺問題的技術(shù)是檢索增強(qiáng)生成（RAG），”Lobo 說，“通過該技術(shù)我們能將MES知識(shí)庫(kù)嵌入系統(tǒng)，使AI借助RAG查詢數(shù)據(jù)，為L(zhǎng)LM提供理解上下文并生成響應(yīng)的能力?！?/div>
另一種方法是微調(diào)（fine-tuning）。Lobo認(rèn)為，這是為AI補(bǔ)充語境的一個(gè)有效途徑?！熬唧w而言，我們選取預(yù)訓(xùn)練的大型語言模型，通過特定數(shù)據(jù)集進(jìn)行二次訓(xùn)練，使其適應(yīng)特定領(lǐng)域。”
第三種方法是提示詞工程（Prompt Engineering）。通過精心設(shè)計(jì)輸入文本，戰(zhàn)略性地引導(dǎo)LLM的輸出結(jié)果——通過調(diào)整措辭結(jié)構(gòu)并與其互動(dòng)，最終獲得期望的輸出內(nèi)容。
圖3：如何讓MES數(shù)據(jù)為AI智能體所用。
智能體架構(gòu)革命
如今，隨著上述 AI 工具和方法的普及，Lobo 闡述了 Critical Manufacturing 如何讓 MES 數(shù)據(jù)為 AI 智能體所用。
“在 2024 年 11 月 Anthropic 推出模型上下文協(xié)議（MCP）之前，這個(gè)過程極其困難，”他說。“MCP 旨在統(tǒng)一 LLM 與外部工具的連接方式。雖然 LLM 本身只生成文本，但這些文本可以為 MCP 客戶端提供指令，讓它訪問服務(wù)器并從與 MES 相連的 API 獲取數(shù)據(jù)。由此，MES 的全部能力被帶到 AI 智能體面前，LLM 也開始更像一個(gè)‘大腦’?！?/div>
借助這一能力，AI智能體就能基于設(shè)備狀態(tài)實(shí)時(shí)做出局部決策：重新排程、應(yīng)對(duì)中斷或即時(shí)優(yōu)化生產(chǎn)。
下一步是讓這些 AI 智能體在需要時(shí)協(xié)同工作。Google 最近為此開發(fā)了一項(xiàng)新協(xié)議——Agent-to-Agent，使智能體之間可直接“對(duì)話”。
“在極復(fù)雜的場(chǎng)景下，我們很可能會(huì)引入所謂的‘元智能體’，”Lobo 表示，“設(shè)想一下：一套擁有 UI 和業(yè)務(wù)規(guī)則的 MES，再接入一支智能體團(tuán)隊(duì)。這些元智能體能實(shí)時(shí)洞察系統(tǒng)狀況，并向人類提出優(yōu)化建議以供審批。關(guān)鍵在于，這一過程帶有記憶。記憶形成了一個(gè)持續(xù)的學(xué)習(xí)飛輪：智能體給出建議，人類決定采納與否，AI 會(huì)評(píng)估結(jié)果有效性并據(jù)此學(xué)習(xí)。記憶會(huì)隨著行為不斷調(diào)整，于是每一次循環(huán)，智能體都變得更聰明?！?/div>
安全考量
當(dāng)然，在制造業(yè)中讓 AI 參與關(guān)鍵決策，最大的擔(dān)憂之一是如何確保安全機(jī)制到位。對(duì)此，Lobo 指出了三種可行方法：
· 防護(hù)欄（Guardrails）：本質(zhì)上是一個(gè)策略邊界，明確規(guī)定智能體能做或不能做的事。這些邊界可以涉及安全、合規(guī)或運(yùn)營(yíng)限制。
· “人類在環(huán)”（Human-in-the-loop）：保留人為干預(yù)機(jī)制，由人類對(duì)智能體的行為決策承擔(dān)責(zé)任。
· 決策追蹤（Decision trails）：記錄并解釋 LLM 得出某個(gè)結(jié)論的全過程，以便事后審計(jì)。
適應(yīng)悖論
當(dāng)前 AI 的發(fā)展速度催生了所謂的“適應(yīng)悖論”：技術(shù)越先進(jìn)，組織學(xué)習(xí)和落地的時(shí)間反而越短。如果回顧一下 LLM 領(lǐng)域的演進(jìn)節(jié)奏便可窺見一斑：ChatGPT于2022年11月公開發(fā)布，2023年末出現(xiàn)大型推理模型，2024年11月發(fā)布MCP，2025年4月推出智能體間協(xié)議。
“這種加速度意味著制造企業(yè)必須現(xiàn)在就著手準(zhǔn)備 AI 智能體的集成，”Lobo 強(qiáng)調(diào)，遲疑者將被競(jìng)爭(zhēng)對(duì)手甩在身后，而后者正利用這些能力實(shí)現(xiàn)動(dòng)態(tài)生產(chǎn)優(yōu)化、智能異常處理以及自主決策。
標(biāo)簽：AI智能體 ,MES ,制造業(yè),AI,制造執(zhí)行系統(tǒng),智能制造
相關(guān)文章