奇智孔明以工业本体把设备工艺规则物料订单重组成实体属性与关系，上海电气车间计划排程智能体打通大语言模型与时间序列预测及运筹优化小模型协同链路，工业具身技能训练场累计采集机器人本体与图像数据超10万组，AI原生工厂白皮书提出以AI工厂大脑为决策中枢的四层架构——从通用大模型到工业本体的技术路线收敛——一道科技解读

结论先行：2026年10月8日，工业AI的技术路线出现明显收敛——通用大模型负责理解与调度，本体负责表达关系，小模型负责感知与计算，机器人负责执行。奇智孔明的第一关是构造工业本体，把设备、工艺、规则、物料、订单这些散落在不同系统里的信息重组成实体、属性与关系；上海电气的车间计划排程智能体打通大语言模型与时间序列预测、运筹优化等小模型的协同链路，实现生产内部流转周期缩短12%；《AI原生工厂白皮书》构建起以AI工厂大脑为决策中枢、物理模型与数字孪生为支撑骨架、多机器人和智能体协作为执行终端、AI贯穿产品全生命周期的主动进化飞轮架构。对杭州一道科技的客户而言，架构选型的关键已变成这四层由谁交付、怎么对接。

第一层：本体是工业大模型的地基

每一家工厂都有自己的语言：设备数据、生产规则、工艺经验大量存在于企业内部，这些都不是靠互联网语料能学会的。工业本体的做法是把设备、工艺、规则、物料、订单重新组织成实体、属性和关系，逐步形成由设备、故障、规则构成的本体，随后用户用自然语言提需求，模型即可生成设备故障诊断的工作流。它的工程价值在于，把隐性经验变成可查询、可继承的显式结构。参考一道科技客户案例中的知识建模实践。

第二层：大小模型协同而非一模型包打天下

原料环节由机器学习小模型分析原料检测数据、历史配方和生产结果，预测配方质量；窑炉环节由视觉小模型持续观察中间产品状态并与实时IoT数据结合。小模型负责感知和计算，大模型负责理解问题、调用工具并汇总结果，过去分散的一个个算法变成一套能协同工作的系统。

第三层：具身智能靠技能库和数据飞轮长出来

上海电气已研制下线7款具身智能机器人样机并投入真实工业场景实测：双足人形机器人溯元拥有53个运动自由度，可适配巡检、抓取、搬运、装配等作业；工业轮式泛人形机器人拓元能自主识别多规格连接器并稳定完成插拔与线缆规整。支撑它们的是工业具身技能训练场与机器人原子技能库，已落地巡检、搬运、分拣、装配、上下料等通用作业场景，累计采集机器人本体、图像等各类数据超10万组。

一道科技建议：架构要按四层分责验收

落地建议是四条。第一，本体先行：先盘清实体、属性与关系，再谈模型微调，否则提示词工程会变成无底洞。第二，大小模型分层选型：预测、检测、优化交给小模型或专业求解器，理解、编排、解释交给大模型。第三，执行侧先建技能库再谈规模：把可复用的原子技能沉淀下来，用真实场景数据持续回灌。第四，四层分别定验收指标：本体覆盖率、排程准时率、缺陷检出率、机器人任务成功率各归各层。AI大模型定制、数据挖掘与软件外包需一体交付。