科创AI+| 具身智能主题专访：数益工联何盛华：从工业工程到Process AI，重构工厂全域智能

建设社会主义现代化强国，关键在于科技自立自强。以科技金融支持创新创造，因地制宜发展新质生产力，加快建设现代化产业体系，是我国在"十五五"时期推动高质量发展、实现中国式现代化的核心战略部署。发展智能经济新形态，需要打通科技成果转化堵点、强化产业体系支撑、畅通金融赋能渠道，构建科技、产业、金融良性循环。在此背景下，《清华金融评论》推出《科创AI+》主题专栏，旨在深入阐释国家战略部署、汇聚权威观点、服务高质量发展大局，为政策完善与行业实践提供智力支持。

具身智能是人工智能下一阶段的核心发展方向，推动智能技术从数字空间落地至真实工业场景。工况复杂、流程繁杂的工业工厂，是其规模化应用的核心阵地。以工业工程筑牢生产运营的底层方法论，以信息技术打通全厂数据采集与业务流转，以数据智能决策替代传统人工经验模式，催生了工厂全域智能（Process AI）体系。该体系是工业具身智能落地的核心支撑，依托标准化数据流转、工业价值流约束与工业智能决策引擎，搭建起标准化工业业务体系、安全执行机制和可持续迭代的数据闭环，实现工厂全要素、全流程的智能化自主运行。本期围绕IE演进与Process AI产业逻辑、数字工厂工程架构、工业大脑构建路径、具身智能工厂落地约束、智能制造国产替代与产业周期五大核心议题，专访数益工联创始人兼CEO何盛华。

一

产业逻辑：从工业

工程到Process AI

Q：工业工程自二十世纪初发轫，从泰勒科学管理到运筹学优化，从精益生产到数字化工厂，历经逾百年演进。在AI驱动的智能化阶段，IE的方法论价值是否发生本质变化？传统“IE+IT”框架如何演进为包含具身智能的Process AI新架构？三者之间的层次关系应如何定义？

何盛华：IE的方法论价值没有本质变化，但其应用边界和技术内涵正在发生根本性扩展。IE的核心始终回答两个问题：做什么，以及为什么这么做。泰勒时代的IE解决单工序效率问题，运筹学时代解决多工序协同问题，信息化时代解决跨部门数据流问题。进入AI时代，IE要解决的是工厂级自主决策问题，这正是Process AI的切入点。

传统“IE+IT”框架中，IE提供方法论框架，IT提供工程实现，但决策环节仍依赖人工经验。引入AI后，三者的层次关系可重新定义：IE定义价值流——确定哪些环节需要优化、优化的目标函数是什么；IT构建数据流——采集全要素数据并实现标准化互联；AI驱动决策闭环——在数据基座上实现自主感知、分析、决策和执行。三者并非简单叠加，而是形成“定义—实现—决策”的递进结构。Process AI的本质，就是这三者在工厂场景中的工程化融合。

从产业演进的角度看，IE+IT+AI不是对工业工程的颠覆，而是其方法论在数据智能时代的自然延伸。IE在过去逾百年中不断吸收新工具，如运筹学、计算机、精益思想等，每一次吸收都拓展了其应用边界。AI的引入是最近一次边界拓展，但IE作为“顶层设计学科”的定位没有变。没有IE的框架，IT只是数据采集工具；没有IE的价值流定义，AI的决策缺乏优化方向。这也是为什么工业软件行业里，纯IT背景的团队做工业大脑往往难以落地，工业有大量隐性知识嵌在工艺流程中，缺乏IE方法论的系统抽象，数据和算法就无法形成有效的决策闭环。

Q：数益工联将“IE+IT+AI”作为核心方法论，团队中IE与IT研发人员配比达到1:1，这在工业软件行业极为罕见。这种组织架构的设计逻辑是什么？在Process AI的技术框架下，IE、IT、AI三者的职能边界与协同机制如何界定？

何盛华：IE与IT的关系，可以用建筑学类比：IE是建筑学，IT是土木工程。建筑的设计是建筑师的工作，不可能让建筑师去搬砖；造房子由土木工程师完成，但如果没有建筑师的设计，土木工程师也不知道该造成什么样。工业工程解决“做什么”和“为什么这么做”的问题，IT解决“怎么实现”的问题。1:1的配比，是因为这两个维度在工业软件中同等重要，不能只有设计没有工程，也不能只有工程没有设计。

在Process AI框架下，三者的职能边界可以清晰界定。IE负责价值流定义，从200多个实际项目中提炼通用需求，将行业工艺知识、管理体系（如IATF 16949）抽象为标准模块和功能。IT负责数据流构建，1300多种设备通讯协议的积累、系统架构的工程实现、SLA 99.98%的稳定性保障。AI负责决策闭环，目前以工业Agent为载体，包括自研的APS智能排产、压铸工艺优化，以及与第三方合作的焊接自动优化、工艺参数自动生成、碳排放计算等十余种Agent，后续会扩展到数十甚至上百种。三者的协同机制是“先抽象设计，再工程实现，最后智能迭代”。不可能给每一家制造企业按照其要求做各种功能然后堆在一起就成为产品。一定是先进行抽象设计，把框架设计好，然后在实践中不断调整充实。SAP当年的设计过程如此，DFS也是同样的路径。AI的引入不能改变这一逻辑，AI的决策能力必须建立在IE定义的价值流和IT构建的数据流之上，否则就是空中楼阁。

二

工程架构：数据流与

价值流的双轮驱动

Q：DFS数字工厂系统以边缘数据层、应用功能层、数据大脑层构建三层架构。相比传统MES的信息化采集模式，这一架构在数据流和价值流两个维度上的差异化壁垒分别是什么？

何盛华：传统MES做的是信息化采集，即将纸面信息搬到屏幕上。DFS做的是全链路数据打通和价值闭环。 核心理念：打通数据流，实现价值流 。

在数据流维度，壁垒在于离散制造业场景中生产要素种类的极端复杂性。不同品牌、不同年代、不同协议的设备都要实现标准化接入。DFS内置1300多种通讯协议，对应数千种设备类型，这是长时间积累形成的壁垒。不是技术上做不了，而是需要逐个设备去适配和验证，没有捷径。这一层的工程量决定了后来者很难快速追赶。

在价值流维度，壁垒在于工业工程方法论的深度。DFS的20个标准模块、86项标准功能不是凭空设计的，而是从200多个实际项目中提炼出来的通用需求。比如汽车行业IATF 16949体系要求的质量管理功能，已完全标准化。应用功能层以精益思想和IE理念为指导，确保每个功能模块都对应一个明确的价值输出——QCD（质量、成本、交期）指标的提升。没有标准化的数据流，价值流就是空中楼阁；没有价值流的闭环，数据流就是一堆死数据。差异化壁垒同时存在于两个维度。

数据大脑层是最终的价值输出层——不只是看到数据，而是用数据驱动决策。打通从设备物联、人机交互到运营管理、优化决策的全链条数据，基于平台构建工厂级与行业级的工业数据大脑。这一层也是工业Agent的运行载体，是Process AI中“AI”部分的工程落点。

Q：接近100%的交付成功率、约99%的上线率、约97%的持续使用率、99.98%的系统稳定性。在工业软件行业，这组数据极为罕见，数益工联支撑这些指标的工程体系是什么？

何盛华：第一支撑是产品设计。产品设计完成时，就已经知道它能否在实际工厂环境中运行。系统稳定性从三年前的99.9%提升到99.98%。99.98%意味着全年365天24小时运行，停机时间仅1.5小时。此前99.9%时年停机十几个小时，就有部分客户无法接受。这些基础指标靠一点一点积累提升，没有取巧的空间。

第二支撑是实施团队。实施团队以工业工程背景为主，IE与IT配比1:1。这批人懂工业、懂制造，与制造业企业人员使用同一套语言。此前一些互联网公司做工业大脑，使用算法工程师团队，对工厂的很多场景无法理解。工业有大量隐性知识嵌在流程中，缺乏IE背景就很难做工业数字化。

第三支撑是功能落地。IE功能与汽车行业IATF 16949体系深度融合，这些功能在工厂中能直接产生QCD指标的提升。产品设计好、实施团队懂行、功能能产生实际价值——三个条件叠加，交付成功率自然接近100%。这不是单一因素的结果，而是工程体系的系统性输出。

Q：“1周诊断、3个月上线、1年回收期”的交付体系在不同行业的适配性如何？跨行业泛化扩张的方法论基础和边界在哪里？

何盛华：汽车零部件和装备制造两个行业，标准化程度基本达到95%，可以高效率交付。装备行业即将推出100%标准化的产品。这两个行业累计交付200余家，包括数十家上市公司。

跨行业扩张正在向半导体材料、高分子材料、机械电子加工、航空等领域推进。方法论基础在于系统的模块化设计。不同行业的工艺和方法以配置化方式内置在软件中，调整配置即可适配，不需要从头开发。但每个行业的工艺组合和管理方式存在差异，工艺Know-how的积累是主要瓶颈。现阶段我们认为工厂离散型智能化落地边界也很明确。流程型工业（如化工）不做——其关注工艺配方和参数控制，与离散型制造逻辑完全不同。芯片制造和封装不做——要求高度定制。服装行业不做——需要软硬件一体化（以吊挂线为核心），不涉足硬件。目前适配的行业约覆盖整个离散制造业的一半，在数益工联发展的这个阶段足够了，我们要聚焦。

三

工业大脑：从数据

平台到智能决策

Q：数益工联在数字工厂平台上已加载十余种工业Agent，涵盖APS排产、压铸工艺优化等场景。工业Agent与传统工业软件的算法模块有何本质区别？这一层的生态格局会如何演化？

何盛华：本质区别在于决策闭环的自主性。传统工业软件的算法模块是“工具型”的——输入参数，输出结果，决策仍由人工完成。工业Agent是“智能体”型的——它能主动识别异常、评估风险、优化决策并自主执行。APS智能排产Agent可以基于实时设备状态、订单优先级、物料库存等多维数据，自动生成最优排产方案并动态调整，不需要人工干预。

当前十余种Agent分为两类：自研的（APS排产、压铸工艺优化等）和与第三方合作的（焊接自动优化、工艺参数自动生成、碳排放计算等）。这一层的生态格局会向“平台+应用”的方向演化——底层是数据平台和工业大模型，上层是百花齐放的工业Agent。每个Agent解决一个具体的工业问题，制造企业根据自身需求选择加载。

后续Agent数量会增长到数十甚至上百种，全部运行在DFS数据平台上，与大模型结合，形成工厂级的智能决策闭环。这一层的竞争格局尚未定型——大模型公司做不了工业Agent（缺乏数据和场景），底层平台公司做不了所有Agent（场景太多），中间层是创业公司的机会窗口。

Q：大模型进制造企业是确定性趋势，但大模型公司并不掌握工业数据。数益工联如何定位自身在大模型与工业场景之间的角色？数据平台与AI能力的协同边界在哪里？

何盛华：定位很明确——做基建，不做大模型。大模型是大模型公司的事，工业软件公司的核心能力在于提供数据平台和产品平台，让大模型和工业Agent在平台上发挥作用。目前和头部大模型公司合作做智能辅助决策，用自身积累的工业数据调用大模型的Token，生成辅助决策功能。

协同边界在于数据的所有权和场景的定义权。大模型的通用能力是公共的，但工业数据是私有的。这意味着谁掌握了工厂的全要素数据，谁就掌握了AI在工业场景中的落地入口。DFS平台每天采集和处理的数据，是大模型无法自行获取的。反过来，没有大模型的推理能力，这些数据也无法转化为自主决策。两者是“数据供给”和“智能消费”的协同关系。

这个定位也决定了商业模式，不是卖大模型，而是卖数据平台加Agent生态。制造企业为数据基座和智能决策能力付费，大模型作为底层能力被集成在平台中。这种模式的优势是粘性高，一旦工厂的全要素数据接入平台，迁移成本极高；劣势是规模化速度受限于交付能力，不像纯软件可以快速复制。

Q：您曾提出“具身工厂”的概念，作为工厂智能化的终极形态。这一形态与当前数字工厂的差距在哪里？从数据平台到自主决策闭环，需要跨越哪些技术节点？

何盛华：“具身工厂”的核心是大脑与执行器的闭环。对于工厂而言，不在乎执行器是自动化生产线、AGV小车、自动仓储还是具身机器人，只要能执行命令就行。执行器进工厂，本质上是作为大脑指令的物理实现——感知、决策、执行、反馈，形成闭环循环。

当前数字工厂已经完成了数据采集和流程打通，部分场景实现了Agent辅助决策。但距离“具身工厂”还有几个技术节点需要跨越：第一，工业Agent的覆盖广度。从十余种扩展到覆盖工厂主要决策场景的数十种；第二，Agent之间的协同能力。当前各Agent独立运行，未来需要多Agent协同决策；第三，从辅助决策到自主决策的跨越。当前Agent生成建议仍需人工确认，未来需要实现闭环自主执行；第四，执行器的智能化。AGV、机器人、自动生产线需要具备接收AI指令并自主执行的能力。这些技术节点的跨越不是一家公司能独立完成的。数益工联的定位是做好大脑和数据基座，执行器层面与自动化厂商和机器人企业合作。工业大脑的方向是确定的，但时间维度可能是漫长的，工业要算成本、算开机率、算OEE（Overall Equipment Effectiveness，设备综合效率），每一个技术节点的跨越都需要通过工业评价体系的验证。

四

具身智能进工厂：工业评价体系的硬约束

Q：当前具身智能赛道火热，大量人形机器人企业宣称“进工厂”。从工业评价体系的角度，机器人进入产线需要满足哪些硬性指标？工厂的评价逻辑与实验室环境有何本质差异？

何盛华：工厂的评价体系远比实验室复杂。采购决策必须通过一套量化公式的计算，核心指标有三个：节拍、开机率、成本。

第一是节拍（Takt Time）。工业工程中，如果节拍要求8秒，就必须按8秒执行。按10秒执行意味着损失20%的效率。机器人的速度有硬性要求，不是“慢一点没关系”——在连续生产线上，节拍偏差直接转化为产能损失。

第二是设备开机率。发那科（FANUC）工业机器人的开机率接近95%以上——24小时中95%的时间可运行。设备管理中的MTBF（两次故障间平均时间）指标，发那科机器人能连续工作几万个小时才出故障。具身机器人目前离这一水平差距显著。

第三是成本。一台10公斤载重的工业机器人手臂约7万元，能以8秒节拍生产。替代设备的成本如果翻倍，意味着折旧到每件产品的成本翻倍。此前采购自动化设备的计算逻辑是：一台设备相当于一个工人三年工资是合算的（同等效率下）。如果工人年成本10万元，设备30万元以内可以考虑替换，否则换不了。

在节拍、开机率、成本等核心硬指标达标的基础上，柔性（即设备与系统快速适应多品种加工任务、灵活转换生产模式的能力）才会成为重要的考量维度。具身机器人的柔性优势固然显著，但在工业量产场景中，它更多是锦上添花的附加价值，而非准入门槛。目前业内不少“机器人进工厂”的案例，包括部分车企的演示，往往仅侧重于前瞻性技术验证与能力探索。真正“进入”，或是“面向量产的采购决策”，依然需要回归到上述量化公式的严谨测算中。

Q：您将具身智能进工厂的挑战与自动驾驶做了类比。自动驾驶经过近15年发展仍面临瓶颈。具身智能的世界模型相比自动驾驶，技术难度孰高孰低？产业化路径的预期时间尺度如何判断？

何盛华：回顾过去15年，自动驾驶经历了从资本狂热到量产落地的完整周期，验证了“数据驱动”和“渐进式落地”的可行性。虽然目前行业仍在向L4级无人驾驶的终极目标攀登，但其在感知、决策、安全工程以及大规模数据处理上积累的工程经验，正在为具身智能铺路。可以说，自动驾驶是具身智能的“上半场”，它为下半场的具身智能进工厂、进家庭，乃至通用机器人积累了不可或缺的产业记忆。

如果单论世界模型的技术难度，具身智能的挑战远超自动驾驶。自动驾驶主要解决的是二维平面内的避障与导航，场景有车道线、红绿灯等明确的物理边界和交通法规约束；而具身智能面对的是三维乃至四维空间，工厂中每一道工序、每一种非标零件、每一次物理交互的变数都呈指数级增长。从“避开”到“精准交互”，这种物理约束的复杂性，决定了具身智能的训练难度至少是自动驾驶的十倍。关于产业化的时间尺度，我们需要谨慎乐观。工业大脑和数智工厂的终局方向是确定的，但通往终局的路径注定是曲折的。工厂是一个极其务实的场景，必须算成本、算开机率、算OEE（设备综合效率）。我们不能因为当前的局限就否定未来，但也绝不能脱离工业评价体系去盲目乐观。从实验室走向真实产线，具身智能还需要经历漫长的数据积累和逐项验证，这个时间尺度保守预计可能要十年。但有了自动驾驶打下的基础，我们有信心走得比前人更稳。

五

国产替代与产业周期

Q：DFS系统已与西门子、罗克韦尔等海外工业软件正面竞争。在技术层面，国产工业软件与海外巨头的差距如何评估？工业软件定义工业标准这一命题，在Process AI阶段是否有了新的内涵？

何盛华：技术层面已经超出。以西门子数字工厂软件为参照，DFS的技术架构更新、功能覆盖更广、落地效果更好。罗克韦尔的系统在功能深度上不具备竞争优势。但商业竞争中，品牌影响力的差距仍然显著，部分项目客户仍首选西门子，因其品牌效应和全套产品组合（自动化硬件、设计软件、管理软件等）。西门子走并购路线，内部几十个软件均为收购整合，这是商业策略而非技术策略。

工业软件定义工业标准，这一命题在Process AI阶段有了新的内涵。传统工业软件定义的是流程标准（怎么做、怎么管），Process AI阶段的工业软件将定义决策标准（怎么判断、怎么优化）。谁的数据平台覆盖了更多工厂，谁的工业Agent积累了更多场景，谁就掌握了工业智能化的标准制定权。这不是简单的国产替代，在传统MES领域追赶西门子意义有限，但在Process AI这一新赛道上，中外起点接近，中国制造业的规模优势可以转化为数据优势和场景优势。

DFS被认定为国家级首版次软件，并入选工信部物联网赋能行业发展典型案例和智能制造系统解决方案“揭榜挂帅”项目。这些认定提供了信任背书，例如某央企项目，如果没有首版次软件的资质，一家成立几年的公司很难获得这类客户的信任。但政策红利不能替代市场竞争力，最终客户看重的是案例数量、系统稳定性和实际价值。

Q：工业互联网赛道经历资本热潮后迅速降温，行业洗牌加剧。您如何判断这一赛道的资本周期？对于正在进入工业软件或Process AI赛道的创业者，核心建议是什么？

何盛华：2018至2022年是工业互联网的资本窗口期，国家推进工业互联网双跨平台，资本热度高，PS估值可达50倍，与当前智驾或此前大模型的资本热度类似。但工业的难度在于：它得一家一家、一个行业一个行业地去做，速度没那么快。过去三至四年的行业寒冬中，约70%至80%的企业被洗出，其中不乏融资规模更大的同行。数益工联六年年均增长率约50%，从一千万到六千万花了六年，与互联网公司或具身智能公司一年十倍的增长无法类比，但工业的集中度没有此前预期的高，每个细分领域需要逐步积累。

对于新进入者，如果目标是做底层平台，窗口期基本已关闭。2018至2022年的资本窗口使得头部企业能够支撑大规模研发团队和数亿研发投入，当前已不具备这一基础。相对可行的路径是做中间层工业Agent。大模型公司和底层平台公司都覆盖不了的领域，单一场景的深度解决方案有机会。只要能解决一个具体的工业问题，如电镀参数优化、机床自动调参、图纸到工艺的自动转换，做成爆款产品，在制造企业的基数下就可以实现规模化普及。

从产业金融的逻辑看，工业软件赛道的资本回报特征是：长周期、高壁垒、低波动。一旦产品成熟并形成客户黏性，收入稳定性和现金流可预测性远高于消费互联网。这也是为什么SAP能垄断全球工业软件市场数十年，工业软件的替换成本极高，先发优势一旦建立就难以撼动。数益工联的长期目标是在全球离散制造行业达到10%以上的市场占有率，在数字化工厂领域参与定义新的工业标准。

确定性的判断是：数字化本身确定无疑，大模型进制造企业确定无疑，工业Agent的百花齐放确定无疑。不确定的是：具身机器人进工厂量产何时成熟，工业大脑何时真正形成自主决策闭环。方向正确，但不躬身入局，无法判断发展速度。在“物理世界具身智能工业智能化”的宏大叙事中，工厂全域智能Process AI是一场需要耐力而非爆发力的产业马拉松——不是颠覆的激情，而是深耕的韧性，才是工业数字化最需要的气质。

（本文为清华金融评论&清友创联联合策划“科创AI+|科技产业金融”专栏的主题访谈）

Review of Past Articles -

01

02

03

04

关于《清华金融评论》·《科创AI+》

《清华金融评论》坚守“建言金融政策，引领金融实践”的办刊初心与使命，《科创AI+》栏目聚焦新一轮科技革命与产业变革的时代浪潮。针对当前AI赋能科技创新、产融深度融合、前沿技术落地等热点话题进行深度剖析、案例分享与访谈解读。解码科创企业成长逻辑，洞察AI技术应用边界，探索“科技- 产业-金融”协同发展新路径。

来源 | 本人访谈

编辑 | 兰银帆

审核丨秦婷