过去一年，工业AI领域正在形成一个接近共识的判断：流程工业才是智能体规模化落地的主战场，离散制造受制于工艺知识沉淀难、定制化成本高，节奏会更慢。这个判断有行业调查与论坛共识支撑。ARC咨询集团2026年2月在奥兰多举办的第30届行业领导力论坛对此有一项行业共识：流程工业的规模化落地进度"显著领先于离散制造"，根本原因在于两类行业底层的数据成熟度不同（据与会专家整理）。落到机制层面，中控技术创始人褚健在《中国工业报》的一次深度专访中，把工业AI的落地难点归结为数据孤岛化、碎片化，以及模型多停留在"预警"或"建议"层面、无法形成全链路闭环。

但有共识支撑的判断，不等于没有边界。国内的玻璃深加工提供了一个值得认真对待的边界样本：它是离散的、非标的、容错率极低的，按主流标签应该归入"最难的那一类"，却恰恰跑出了可验证的订单级闭环。问题或许不在于"离散还是流程"哪个标签更对，而在于离散场景里的智能体有没有被做对。

"错不起"的极端样本

玻璃深加工的"难"，不在离散本身，而在两个约束的叠加。

工序端是不可逆的。玻璃是脆性材料，钢化之后无法二次切割开孔，尺寸或参数错一项，这一片玻璃只能报废，没有返工余地——原片、工时和交期都要重新算。订单端是高度非标的。每一笔订单的尺寸、厚度、孔位分散在图纸、电子表格、手机照片和聊天截图，甚至手写的下料单里。离散制造通常面临的多规格、小批量，在这里被推到了极致：订单之间的共性极低，而每一步工序的容错空间几乎为零。

这种场景恰好命中了褚健所说的"数据孤岛化、碎片化"痛点，但这里难的地方，和流程工业不是同一个。流程工业的DCS、历史数据库至少围绕同一套装置和同一组工艺参数运转，数据的"上下文"是相对稳定的；离散非标场景的数据上下文是围绕一张订单临时生成的——图纸变了，孔位变了，厚度变了，下游所有工序约束跟着变。智能体如果只能在单点环节给出建议，而无法把一张订单从询价到交付的连续决策链串起来，它在第一步就会失去判断依据。

Cognite联合创始人兼CTO Geir Engdahl对工业AI落地困境的判断在这里格外适用：工业AI通常不是死在模型层，而是死在车间里；数据分散在几十个遗留系统中，没有统一的数据模型和结构化的上下文。他举过一个更具体的例子："你可能为一个泵解决了AI预测维护的问题，但你的工厂里还有成千上万个泵。"没有统一的数据层，每一次部署本质上都是从零开始的新项目。离散非标制造如果按"一个场景一个模型"的方式去做，边际成本很难下降，也就很难走出Pilot阶段。

玻璃深加工做对了什么：让智能体按订单组织，而不是按工序切碎

玻璃深加工做对了什么？先别急着把它抬成"离散制造的范式"。它最值得看的地方，是它没有把智能体拆成工序上的一个个工具，而是把一张非标订单变成了智能体共同工作的"案卷"。

聚玻工业科技不是一家从大模型切入的AI公司。十余年专注玻璃产业供应链服务，平台连接大量浮法玻璃与深加工企业。除了在订单、仓储、物流这些环节积累了持续运行的数据之外，还往生产端延伸，把排产、质检、能耗、设备接进来，把供应链侧与生产端的数据打通，完成一轮工业数据标准化治理，形成玻璃产业高质量数据集。换句话说，在做智能体之前，聚玻先有了玻璃深加工的场景底子和数据底子——这一点很重要，因为离散非标的"上下文"不是靠通用语料训练出来的，是靠一张一张订单、一条一条产线攒出来的。

因此，聚玻工业科技的智能体也不是一堆散落在工序上的聊天窗口。底座是一个可实时查看的数据驾驶舱，订单、产能、质量、能耗一屏可见，管理者可以直接问"今天哪条线能耗偏高""哪些订单有延期风险"；上面是围绕岗位配置的AI报价员、AI下单员、AI排产员、AI发货员和AI经营助手等数字员工，并让这些岗位智能体共享同一张订单的上下文：图纸、孔位、厚度、交期一变，报价的约束传到下单，下单的约束传到排产，排产的约束传到发货，而不是每个岗位各看各的、各给一条建议。

聚玻这套做法，也正是Cognite反复强调的那条路径——先有统一的数据模型和结构化上下文，智能体才谈得上连续决策——在离散场景里的具体样子；它和褚健强调的"感知—决策—执行"全链路闭环是同一套逻辑的不同落点，只是那个闭环的中心，从装置运行换成了一张非标订单的全生命周期。

聚玻在玻璃深加工的落地实践，值得被放在"边界样本"的位置上，不是因为它证明了离散制造比流程工业更容易规模化，而是因为它说明：离散非标的"难"，难在智能体必须围绕订单做连续决策，而不能停在单点工具。最难的品类一旦按"围绕订单的连续决策"组织起来，也能跑出订单级闭环；但这个闭环能不能复制、能不能撑得住，是另一层问题。

修正判断，而不是推翻判断

流程工业的领先是事实，ARC论坛关于数据成熟度的判断也没有被推翻。玻璃深加工跑通订单级闭环，并没有改变这个主次关系——离散制造也不会因为跑通一个案例就排到前面去。这个案例真正说明的是另一件事：过去我们对"离散制造难"的理解，是把它当成了"这个场景不适合用智能体"；但这个案例显示，难主要在于智能体必须围绕订单做连续决策，而不是这个场景不能用智能体——"离散制造难"的理解，需要修正。

所谓"离散制造难"，不应该被解读为"离散场景不值得优先投入"，而应该被解读为离散场景对智能体架构的要求更高——要求从单点工具升级为连续决策链路，要求数据治理的颗粒度细到一张非标图纸的上下文，要求智能体不是"懂AI的人做AI"，而是"懂工艺的约束被写进了AI的决策边界"。换句话说，"离散难"的检验标准，不是模型在单点工序上准不准，而是智能体能否沿一张订单连续走完决策链。聚玻的案例把这个要求具象化了，但它是否构成一个可迁移的范式，取决于下一个问题：闭环跑通了，谁为它持续付钱，这笔账该怎么算？

这个问题，不属于技术路线之争的范畴，而属于工业智能体商业化的真问题。它也正是下一轮讨论应该接住的东西。

责编：侯馨文

THE END

大众商报(大众商业报告)所刊载信息，来源于网络，并不代表本媒体观点。本文所涉及的信息、数据和分析均来自公开渠道，如有任何不实之处、涉及版权问题，请联系我们及时处理。大众商报非新闻媒体，不提供任何互联网新闻相关服务。本文仅供读者参考，任何人不得将本文用于非法用途，由此产生的法律后果由使用者自负。

如因文章侵权、图片版权和其它问题请邮件联系，我们会及时处理，内容纠错/举报反馈:13014838410；举报邮箱:tousu_ts@sina.com

本文地址：http://www.dzmg.cn/industry/93657.html

-- 分享 --