智用開物管震：工業互聯網被誤讀十年後，Agent才讓它開始幹活

今年3月，智用開物完成近億元天使+輪融資，除了老股東瑞楓資本，創享投資以及戰略級客戶立訊集團家族辦公室及高管團隊也出現在了股東名單裡。這是智用開物過去一年裡的第三筆融資，而創始人管震告訴，很快會完成新一輪融資。這些資金流向的，究竟是怎樣的一個稀缺方向？是工廠裡那些“不上產線”的環節。當大多數AI Agent還在處理辦公、代碼和客服時，智用開物正在把Agent做成虛擬工廠員工，排產員、報價員、設備維護工程師……四步上崗，半小時就能用起來。創辦智用開物之前，管震在微軟待了19年，做過物聯網、工業互聯網，也參與過OpenAI在微軟的工程化，幾乎經歷了中國數字化轉型的完整週期。

在這樣長的時間裡，讓他印象最深的，反而是十年前一次泡工廠的經歷。那時他還在微軟，帶著“十幾年技術老兵前來佈道”的姿態，去給企業講智能工廠、工業互聯網平臺。當時一位工廠老闆聽完分享，忽閃著大眼睛問了一句：“管老師你說得真好，但這對我有啥用？”“我當時心裡就想：完了！人家一說接地氣的事情，我們解答不了。”如果工廠現在有一批料沒到，產線換線不換線，成本差異怎麼算？預測性維護一年運維四次，每停一次就是兩千萬損失……寫代碼的人能懂這個經濟模型嗎？他突然發現，自己飄在天上太久了。泡在工廠一線的經歷，直接改變了管震對中國工業互聯網的判斷。

當年工業領域都在提“一個大平臺解決所有問題”，用消費互聯網的平臺理念來做工業4.0，他則率先提出“松耦合”概念和框架，認為應該專業的人做專業的事，用數據把能力串起來——但這個理念在當時還是遇到了瓶頸，畢竟沒有誰能說清要如何將不同領域老師傅的專業能力串接起來。直到大模型的浪潮真正襲來，潮水擊打到了離工廠更近的岸邊，管震突然意識到，大模型或許就相當於一個“什麼都懂一點的老師傅”——既然它什麼都能懂一點，那是不是終於可以把工業領域那些各自熟練但互不聯通的環節，按“松耦合”的方式連起來了？2023年，他帶著這個判斷離開微軟，和志同道合的前同事們一起創辦智用開物。

三年間，他把“松耦合”從一種理念翻譯成了一套技術語言：讓多個智能體動態協作、自主判斷該幹什麼、流程該怎麼走。無獨有偶，這套邏輯正是今年一度大熱的OpenClaw也在走的路，而智用開物已經把它扎進了工業現場。但扎進現場這件事，比技術驗證難得多。管震告訴，他現在50%的時間花在產品上，50%的時間得花在認知拉齊上——跑各種大會，跑當地的工作坊，跑各種落地活動。他仍然泡工廠，泡到11點、12點，這是AI無法代勞的事。他仍然在被企業主圍著問問題：五年後我的工廠會怎樣？我在這波浪潮裡能扮演什麼角色？以及，到底怎麼落地？

事實上技術一線的迭代是以天為單位的爆炸，像遙遠星系裡的超新星爆發，但對產業側來說，能捕捉這束爆炸光線的望遠鏡都尚未校準。他毫不驚訝地發現：2026年了，很多企業還徘徊在知識庫階段，把規章制度堆成“內部豆包”；很多企業連崗位說明書都寫不清楚，遑論讓AI理解業務邏輯。在這樣的落差面前，企業確實只能把AI當作工具來用。智用開物正在做的，是把“松耦合”從理念翻譯成可執行的方法：先讓AI通過工業語義引擎理解企業內部的業務邏輯和語義規則，再讓多個智能體在真實的崗位關係裡可靠協作，幫助企業解決高價值業務域中的真實問題，並幫助企業從工具智能邁向組織智能。

其實這比直接賣一個AI平臺要重得多，也慢得多，但工業AI的落地沒有捷徑，只有把底座扎到語義層，才能避免又一個“大平臺”淪為空中樓閣。以下是與管震的對話，有不改變原意的編輯。覺醒：您在微軟待了19年，從物聯網到工業互聯網，算是這個領域的老兵了。什麼時候開始覺得要換個環境？管震：2020年我去讀了個MBA，在那之前，有次事件對我衝擊很大：行業裡的一家頭部工廠，數字化基礎很好，IT投入也高，但遇到突發事件，這些系統全都沒發揮作用。老闆花大錢建的東西，關鍵時刻幫不上忙。那幾年搞工業互聯網數字化，也是越來越迷惑，不知道自己在做的事情做出來有什麼用，我們吹的“生產力提升”真的能自圓其說嗎？

一家企業每年有上億的IT預算，我們憑經驗填立項規劃，對方也是憑經驗審核，越填越覺得不對勁。在讀MBA之前，我還在工廠一線泡了三年。當時也是抱著一個“我是微軟十幾年老兵來給你講課”的心態，指導怎麼做智能工廠、工業互聯網平臺。結果有個工廠老闆忽閃著大眼睛問我：“管老師你說得真好，但這對我有啥用？”我當時心裡就想：“完了！”人家一說接地氣的事情，我們解答不了。”打個比方：如果有一批原料沒到，產線現在換線會怎麼樣？不換線會怎麼樣？到底能不能幫我比較成本差異？又比如說預測性維護，停產運維一次就是上千萬元損失，什麼方案損失更少？我哪知道這個，我又沒有幹過製造業。

：您跟工廠聊的是技術和代碼，但他們提的全是經濟模型的問題，這讓您對工業互聯網的定義產生了疑惑？管震：當時工業互聯網的主流思路是“雲上平臺”，也就是一個平臺把所有東西管起來。我說不對。從工業革命的歷史看，是專業的人做專業的事，分工產生熟練工。為什麼第四次工業革命，反而要一個平臺解決所有問題？每個工序都已經很熟練了，缺的是把它們連起來的方式。所以不能是緊耦合的大平臺，得是松耦合——各幹各的，但能協作。工信部覺得這個思路好，讓我寫白皮書。結果寫著寫著又跑不下去了。為什麼？離企業主關心的東西還是太遠。你說“松耦合”，他問“這能幫我省多少錢”——我又答不上來。

徐明強（時任微軟大中華區CTO）那時候就建議我去了解一下邊際收益這個詞，我瞭解著瞭解著著就讀上了這個MBA課程。第一年補了很多經濟學知識，第二年就天天和老師在課堂上“對線”，理論和實踐在這一年可謂是火花四濺，這個過程我也接上了“算經濟賬”這根弦。：您現在的精力大概分配是怎樣的，還泡工廠嗎？管震：有50%時間放在產品上，剩下50%放在認知拉齊上。工廠該泡就泡，經常在工廠待到晚上十一二點，這是AI沒法替代的事情。產品研發不是光坐辦公室就能做出來的，有很大一部分是在工業現場做出來的。以前做C端互聯網產品，想什麼就做什麼，做出來找人賣就完了。

現在AI要落地，一定得理解工業現場，產品研發前置到客戶現場去做。搞人工智能的同志們不能光做些To C的應用或者短視頻，力量也要用在幫助實體產業變革上。我前段時間分別去了電子廠和化妝品工廠，需要幫企業拆解分析：哪些環節確定性高、自動化程度高？哪些特別花資源、花時間、花人力但做不好？中國的設備工廠產能很強，一開動效率非常高，但可能60%到70%的部分不在自動化的產線上。無論是決策、運營還是研發，這些領域都很花時間、花資源，怎麼跟後面的環節配合？比如問研發部部長，他知道研發怎麼做，但不知道原料能不能及時到位，生產爬坡有哪些關鍵因素，裝到客戶設備上會不會因為環境而形變。

每個人專注自己眼皮底下的事，成為領域專家，但合起來變成整套系統，要靠多年磨合、經驗積累、實驗和市場反饋，週期很長。現在能不能這樣做：從用戶拿到的產品倒退回來，把過程中發生的事、怎麼組建起來的、每個設計工藝一環一環往前倒，讓專業的人繼續幹專業的事，但用AI把他們的決策、運營、研發串起來？這對企業價值就很大，效率、成本的改變非常直觀。：和企業主的交流，跟以前有什麼不一樣？感受過大模型的技術浪潮之後，企業主和政府會提怎樣的問題？

管震：現在大部分（交流）換成了工作坊的形式，企業家們一把手們其實很希望有這樣的交流機會，因為這個時間點裡大家都有焦慮的點，都希望能通過AI創造新的價值，但是欠缺既懂AI又懂工業而且還有超大企業驗證的產品和方法論。而我們也得知道大家有什麼需要，想象出來的東西能不能落地，在不同企業落地成本有多高。得互相碰撞，總結最佳實踐和經驗，再分享給其他人。全社會應用人工智能的時候，邊際成本會更低。工廠主和政府領導問得比較多的有三類通用問題。第一類：能不能對未來5年做判斷？5年後這家工廠、這個行業會發生什麼變化、怎麼推演？第二類：如果知道方向，自己能扮演什麼角色？躺平還是掙扎一下？能不能趁這個風做得更好？

大家還是不想躺平，希望作為“+AI”或“AI+”的範式出現，幫助自己和產業提升。第三類：落地到底怎麼落？每家公司都會提自己的需求，已經知道AI對自己有幫助，但怎麼幹？他們會想“我不是搞AI的，不懂Transformer，我就關心往前走一步該幹什麼”。這時候就得解釋，要有開放的心態，真的去了解AI能幹成什麼事，做好準備，比如數據、崗位認知通過什麼方式沉澱，什麼樣的AI能把事務化工作變成AI助手能幫忙的事，再到未來AI分擔工作，實現的路徑如何，過去成功和失敗的經驗分別如何……認知得拉齊。構建：2023年從微軟出來後，您最初的創業構想是怎樣的？推進過程符合您的預期嗎？

管震：一開始搞了一個概念驗證中心，想複製微軟內部孵化新技術的那套打法——把現有技術和現有場景快速結合起來。但走不通，因為大家聽不懂我們在幹什麼。有三波聽懂了的，願意投資源進來，但我們畢竟不是微軟，有些技術力量滿足不了當時的場景需要。那一年ChatGPT橫空出世，我們也做了嘗試，用大模型加個BOT硬懟，單BOT不夠就堆多BOT一起懟，嘗試過二三十個場景後，我們得出一個判斷：其實真正幹活的不是大模型，是智能體。大模型更擅長推理和規劃，只相當於人腦的System 2（慢思考），但真實世界需要System 1（快思考）的即時反應、需要傳感器感知、需要機械臂控制、需要皮膚反饋學習。

一個智能體很難既要想事兒，又要幹活兒，還要感知。所以智能體必須像人一樣分工：有的負責快思考，有的負責慢思考，有的負責控制，有的負責反饋。這就是為什麼需要很多智能體，而不是一個。：智能體其實不算新東西，之前很流行用拖拉拽低代碼去實現。管震：拖拉拽做工作流，這肯定行不通。首先，業務人員畫不出system prompt和action，技術人員不懂業務節點之間什麼關係、碰到異常怎麼處理。沒有人能畫出一張大圖來準確描述這些關係，當中也有很多工程化的問題。第二，workflow架構本身脆弱。拖拉拽像堆積木，在原來的數字化系統裡，這樣構建是沒有問題的，因為面對的是物理世界確定性的流程。

但工業現場90%的高價值場景並非固定流程，而是需要根據動態約束持續做出判斷——碰到不同環境變量，要做出不同選擇，依據不同領域認知做判斷，再反饋回來。假設有十個業務節點串聯，每個環節都把百萬級Token的上下文擠給下一個。從底層講，多頭注意力機制難以滿足工業場景對穩定性和可追溯性的要求。Demo或許可以，但金融領域數據不能錯、工業現場不能停，容錯率極低的情況下，你怎麼幹？所以拖拉拽只能做RPA加點AI判斷，不是高價值場景。我們當時判斷，這條路是死路。：那你們換的新做法是什麼？你提到的“工業語義引擎”，其實解決的是工廠裡的什麼問題？管震：解決“AI聽不懂人話，人也說不清楚需求”的問題。

AI看似能處理數據，實則不理解這些數據在特定業務語境下的真實含義。比如同義詞與編碼體系的衝突。“備料”這個概念，在供應商系統中可能被稱為SKU，在我方系統中叫備料；即便指向同一實物，編碼規則也可能不同，字段含義、屬性粒度都不一致。如果不對齊，數據在流轉過程中就會丟失關鍵屬性、走樣變形。還有決策邏輯上的局部最優陷阱。以預算審批為例：某部門申請200萬元項目前置投入，CEO批覆後，CFO與銷售總監看到“一把手已批”，便相繼放行。這筆款項就變成沒有人站在公司全局審視這筆投入的合理性。實際上投入產出比是否達到規定的底線要求、是否滿足最高槓杆標準？

如果缺乏基於全局業務規則的語義理解，AI只會機械地記錄“審批通過”，而無法在第一關就識別風險、駁回申請。工業語義引擎，就是讓AI先理解企業的“語法”和“邏輯”，再幹活。就像AlphaFold做蛋白質預測，先告訴它什麼是穩定的結構等等，再讓它去想，否則它可能會瞎想，給出一個完全不可行的方案。：AI理解了業務邏輯、對齊了語義之後，怎麼讓多個智能體協作起來？智用開物提的是“虛擬班組”，這和行業裡說的“多智能體”有什麼不一樣？管震：最大的區別是“先天認識”vs“臨時握手”。現在行業裡有些多智能體架構，是煙囪式的——每個智能體互相不知道對方能幹嘛、要幹嘛，上下文只能傳結果，限制了協作網絡價值。

就像兩個陌生人第一次見面，先自我介紹，再試探，再握手，再傳話。上下文在傳遞過程中層層損耗，傳到第三輪，最初的任務意圖已經變形或丟失。這種協作成本高、可靠性低，很難承載複雜的企業級任務。我們做的“虛擬班組”走的是另一條路，就像足球教練挑球員。教練（中央調度器）在比賽開始前就確定好11名球員的陣容與分工——前鋒、中場、後衛分別負責什麼，彼此之間的傳球路線、配合規則、通信協議，全部在“上場”之前就預定義清楚。這些球員（智能體）先天就知道隊友存在，共享同一套DNA（本體模型與協作契約）。比賽過程中，教練根據場上局勢動態調整戰術，但球員之間不需要重新建立信任或協商規則。

技術上，我們2024年上半年自研了Agentic Context Protocol，後來隨著MCP等協議成熟，逐步將其融入統一框架。關鍵設計在於將COT（思維鏈）與COA（動作鏈）解耦，也就是將推理規劃與動作執行解耦：大模型專注於慢思考與推理規劃，而各個智能體基於預定義的協作關係，只執行自己擅長的動作。它們按照既定的松耦合架構互相調用，像球員接到球后本能地知道該傳給誰，而不是停下來討論傳球方案。：眾多應用場景裡，最有難度的是哪一個？管震：排產。這是製造業最複雜、最值錢的決策場景之一，AI排產相當於這個領域裡“皇冠上的明珠”。

它涉及設備排產、備料、採購等等，本質上是一個多約束條件下的運籌優化問題。但它不是傳統意義上“給定目標函數與約束條件、由求解器在幾分鐘內輸出最優解”的打法。因為每家公司差異太大了。流程製造和離散製造，大規模批量生產和小單快反，它們的排產邏輯、供應鏈協作方式都不一樣。有的鏈主企業還要和供應商用同一套排產邏輯，更加複雜。還有動態依存關係的因素。比如這條產線當前處於什麼狀態？如果在幹活，就不能硬塞一個訂單進去。能不能拿到設備實時數據？拿不到，排產計劃就沒有可行性。

這些約束條件是持續變化的，你還在運算計劃，那邊產線狀態已經變了，關鍵是，排產系統從來都是定製的，中小企業以前根本沒有機會用上便宜的AI排產，絕大多數都用人手搓。我們的做法是：在門戶上放一個“AI排產員”，類似於人才市場中的崗位簡歷，明確標註其“專業背景”——例如適配3C行業精密加工，或化工行業的流程製造。企業“僱傭”它之後，四步完成上崗：對接現有系統（MES、ERP、WMS）；注入崗位SOP；配置硬約束和潛規則；基於歷史數據“實習”。這個過程通常半小時能完成，就像雲臺穩定器的初始校準，需要按照預設軌跡做一定幅度的調整與對齊。

上崗後，真實的排產需求進來，“教練”（調度智能體）開始分發任務：報價信息提取智能體解析數據，庫存智能體確認物料可用，採購建議智能體生成補料方案，最後由排產智能體綜合前述信息，輸出可執行計劃。各智能體僅承擔其專長領域的工作，但通過工業語義引擎實現跨節點的語義互通，確保協作鏈條不丟失、不走樣。：“在門戶上放一個AI排產員”，這聽起來像標準化產品。但工業場景高度定製化，你們怎麼實現“半小時上崗”？管震：我們把“苦力活”做在了底層。把重資產投入前置到平臺層，讓應用層變得足夠輕。工業語義引擎和GoodCrew團隊協作底座，是平臺層的核心基建，我們投入大量資源做。

但99%的企業並不需要親自從頭搭建這套體系，他們需要的是即戰力。因此，我們將崗位智能體設計為“預封裝”產品——類似於僱傭一名剛畢業的專業人員，他已經完成了通識教育（掌握通用工業語義），進入企業後只需快速熟悉特定崗位的“方言”（企業專屬的業務規則與語義映射）。所謂“四步上崗”，就是讓AI自主學習這套“方言”：理解數據源的接口規範與字段含義；建立業務規則框架；明確物理邊界；通過真實案例完成校準與對齊。今年我們的核心目標正是推動崗位智能體的規模化落地，目前規劃了近百個崗位。企業不需要懂大模型原理、Transformer架構、多智能體協作協議，只需像僱傭員工一樣直接調用即可。

復現：現在你們跑出來的標杆客戶有哪些？他們最買單的場景是什麼？管震：立訊是合作最深的，去年跟他們旗下的立景創新共建了聯合實驗室，相關成果也正在向集團內部其他BU複製。華潤燃氣、珠江實業也是我們的核心客戶。2024年我們有10多家客戶，客單價在150萬元左右。今年合同額呈十倍級增長，業務方向正從單點項目交付向體系化服務演進。：有些工廠系統都很老，很多連API都沒有，你們怎麼接入的？管震：這就是為什麼我們去年只敢做兩類客戶。一類是大企業，自身有完整IT部門和供應商管控能力，走共創模式，客戶完成一半的系統對接工作，我們完成另一半。另一類是ISV，其軟件系統本就歸屬己方，不存在數據開放層面的障礙。

當然也碰到過無API接口的情況。我們的“土辦法”就是，選業務場景的時候，別選即時性要求高的。比如某化妝品公司，系統未開放接口，我們提出以“日報通”形式替代：每晚6點半由對方系統導出一份Excel文件，我方次日讀取即可。這就是一個實時性要求不高的場景，這種替代方案就行。：落地過程中，有沒有碰到過非技術層面的阻力？管震：太多了。最典型的是設計部門。我們部署過AI輔助設計的工具，明顯能加速工作，但設計部門不願意用——怕失業，你再怎麼說明價值，對方就是會說“目前用不上”。

更擔心AI會持續蒸餾、提煉資深員工的技能經驗，原來是“師傅帶徒弟”，現在是“AI帶徒弟、餓死老師傅”，所以部分員工會故意提供錯誤數據或消極配合，導致AI提煉出的知識模型失真。認知落差也是隱形阻力的一種。我們接觸過不少企業，上市的那種，與對方“董事長親自抓AI戰略”的定位相左的是，他們的核心訴求，僅僅是構建內部知識庫，把規章制度和異常問題彙總做成內部“豆包”的問答系統。知識庫作為基礎能力當然很重要，但是AI戰略不能只是給員工提供一個工具。產業界對AI的認知，就像隔著三稜鏡：我們所感知的技術演進速度，與一線機構實際看到並願意採納的應用形態，往往處於完全不同的維度。：你們目前的收費模式是怎樣的？

是項目製為主，還是已經有產品化的持續性收入？管震：現在收入結構是三層。第一層是標杆客戶，提供高價值場景的定製化開發，一次性收費為主。第二層面向ISV合作伙伴，例如賽意信息等，將他們既有的軟件與我們的AI能力整合為新產品，向其客戶銷售，我們參與收入分成。第三層是今年主推的“勞動力市場”，面向中小企業提供標準化的崗位智能體，企業可以直接“僱傭”使用。平臺層面收取年費，其中包含約定比例的維護費用。

高價值場景的合作則採用框架性協議，例如與客戶共創某一排產優化場景後，若客戶認為效果顯著，希望將其複製至內部更多部門或人員，由此產生的跨部門結算費用，將按約定比例分配給我們，具體形式可採用訂閱制、服務費或license模式。：您多次提到“虛擬勞動力”的概念，在您看來，未來的企業組織中，智能體將扮演何種角色？管震：不是替代人類，而是讓人集中處理異常判斷和責任決策，通過崗位重定義創造新崗位。就像當年電腦進辦公室，不是替代文員，是創造了“打字員”這個新崗位。每個崗位智能體之間也能再度形成新的協作關係，構成虛擬勞動力團隊。這是新的生產關係，不只是生產力工具。：完成新一輪融資之後，你們最大的變化是什麼？

戰略重心有調整嗎？管震