聊聊工业智能体的两个类别：
工业知识智能体与工业控制智能体

1. 两类本质不同的系统

在工业场景中，被称为"智能体"的系统，如果按其与物理世界的交互深度，可以划分为以下两类：

2. 工业知识智能体：LLM 的价值边界

基于大语言模型 (LLM) 的智能体在工业场景中是有价值的，但用户需要知道其能力边界：

• 工艺知识问答：可以从操作规程、设备手册、历史故障记录中检索和生成回答（但可能出错）
• 报表与摘要生成：可以将结构化生产数据转化为可读的分析报告（但可能出错）
• 辅助决策建议：可以基于历史模式给出工业参数调整建议（但可能出错）
• 代码与脚本生成：可以为 SCADA / DCS / PLC 编程提供代码片段（但可能出错）

LLM 不理解物理因果，它不知道"将球磨机给矿量从 45 t/h 提升至 52 t/h"意味着旋流器溢流粒度 P80 将如何变化，循环负荷将如何重分布，下游浮选的解离度将受到怎样的影响。它只是从语料中找到了统计相关性最高的文本片段，然后输出给你。将这类系统归入"工业知识智能体"是准确的。称其为"工业智能体"，则可能是有害的。

3. 工业控制智能体：两个支柱

工业控制智能体是能对物理过程产生实际干预的智能体。按控制对象的粒度，分为两个子类：装备智能体 (Equipment Agent) 和 过程智能体 (Process Agent)（也称"工艺智能体"）。

3.1 装备智能体 (Equipment Agent)

装备智能体的控制对象是单台工业设备或设备子系统。其主要职责是在工况出现未知波动（包括进料品位、设备磨损、生产环境）时，可以自主维持设备的安全、稳定与高效运行。技术上，它将热力学、流体力学与传质动力学方程嵌入边缘计算节点，实现设备级的闭环感知、推理与控制。

典型场景比如：

• 旋流器智能体：高频推演涡旋场内颗粒受力分布，亚秒级自动调谐溢流/底流配比，维持目标分级粒度；
• 球磨机智能体：基于选择/破碎函数和功耗模型，实时估算磨机内部负荷状态（填充率、料球比），自主调节给矿量与补加水量，维持磨矿回路稳态；
• 发酵罐智能体：在线推演代谢速率，自主闭环调整补料流量与搅拌剪切率，维持菌体生长保持正常状态；
• 阳极炉智能体：实时辨识多相热传导系数与熔体氧势，在安全红线包络内自主调节燃料流量与氧化/还原时间，控制反应节奏并确保铜熔体各成分达标。

装备智能体的本质是一个增强型控制器——在传统 PID / 模糊控制的基础上，引入基于"物理AI"的预测与优化能力，使设备能自主应对更复杂的工况变化。

3.2 过程智能体 (Process Agent)

过程智能体的服务对象是整条工艺流程或生产线段。其职责不是操控某台具体设备，而是根据产品生产过程目标和过程约束的变化，自主决定工艺参数的最优组合。它是面向完整工业过程的全流程自主优化引擎。

典型场景比如：

• 渣选磨浮过程智能体：将磨矿-旋流器-浮选闭路循环作为耦合系统统一建模，协调磨矿回路（球磨机给矿量、补加水量、分级压力）与浮选回路（充气量、药剂投加、液位设定），在处理量、精矿品位、尾矿品位、吨矿电耗之间求解最优；
• 阳极炉精炼过程智能体：跟踪 SO₂/O₂/CO 烟气成分的实时轨迹，自主判定氧化-还原工序的最优切换时刻，协调送风量、天然气流量与炉体温度控制，在铜品质达标前提下最小化每炉次时间和燃料消耗；
• 青霉素发酵过程智能体：在仿真数据与物理动力学模型支撑下，跨批次学习最优的补料策略、pH 控制轨迹和溶氧调控方案，在产物收率、批次周期和菌体活力之间寻找全局最优。

过程智能体的本质是一个工艺过程优化器，解决的核心问题是：在满足所有工艺约束的前提下，在工艺要求发生变化时，能自主设定工艺参数使目标函数（质量、效率、成本、生产安全的加权组合）最优。

3.3 两者的层级关系

装备智能体和过程智能体不是并列关系，而是层级关系：

这与工业控制系统的经典层级结构一致：

• 装备智能体 对应 ISA-95 的 Level 1-2（基础控制层 + 监控层）
• 过程智能体 对应 ISA-95 的 Level 3（制造运营管理层）

过程智能体向下发出的是设定值 (setpoint)，装备智能体负责跟踪并执行这些设定值。两者在不同的时间尺度上运行，解决不同粒度的控制问题。

以渣选磨浮场景为例：当矿石硬度突变时：

1. 球磨机装备智能体在 3 秒内通过状态观测器检测到负荷异常；
2. 过程智能体接收异常信号，经物料平衡校验后，向多个装备智能体同步下发协调指令：磨矿侧补水上调、泵频上调（加强分级）；浮选侧捕收剂增加 5%、液位目标下调；
3. 各装备智能体在各自的闭环中跟踪新的设定值，全流程 3-5 分钟平稳过渡（传统人工操作需 30+ 分钟且伴随振荡）

4. 工业控制智能体的主要技术要求

无论是装备智能体还是过程智能体，作为能干预物理过程的系统，需要满足以下工程约束：

4.1 物理因果建模

智能体必须内嵌或调用"物理AI模型"（结合机理模型和数据驱动模型的混合模型），以实现：

• 前向预测：给定控制动作 $u(t)$，预测系统状态轨迹 $x(t+\Delta t)$
• 逆向求解：给定目标状态 $x^*$，求解所需控制序列 $u^*(t)$
• 约束感知：在物理约束（热力学平衡、质量守恒、设备极限）下求解可行域

这要求模型具备物理一致性 (physical consistency)，而非仅仅在统计意义上拟合历史数据。

4.2 闭环控制

工业控制智能体的核心特征是闭环：

装备智能体在毫秒级闭环，过程智能体在秒到分钟级闭环。大参数模型的高算力需求、推理延迟、非确定性输出等特性，使其无法作为闭环控制回路中的核心决策节点。

4.3 小样本冷启动

工业现场的一个根本性挑战是：新装置、新工况、新产线缺乏历史数据、缺乏标签数据。纯数据驱动的方法在这种场景下失效。物理AI的解决路径是：利用物理守恒律提供先验约束，将可行解空间压缩 $10^{2}$–$10^{3}$ 倍。工况变化后，最低可能仅需个位数工况数据即可完成参数辨识与控制器初始化。ThinkMachine在铜精炼阳极炉烟气数据上验证了 $N \le 20$ 的冷启动能力（Geo-PHORCE 算法），在青霉素发酵数据上完成了跨行业泛化验证。

4.4 多模态感知与融合

工业环境的状态不来自文本，来自：

• 热电偶、压力变送器、流量计的连续信号
• 工业相机（泡沫图像、矿石粒度图像）的视觉流
• 振动传感器、磨音传感器的频谱数据
• DCS/PLC 系统的过程变量（功率、电流、阀位）

智能体需要将这些异构信号融合为统一的状态表征——例如通过 PINN 多模态软测量，在线推演无法直接测量的关键过程变量（矿浆细度、发酵呼吸商、炉内熔体温度分布）。这是感知融合与物理信息引导推理的问题，不是"提示词工程"问题。

5. 总结

工业智能体的本质不是"能说话的 AI"，而是"能干活的 AI"。对于"工业智能体"，我们建议更准确的术语体系：

• 基于 LLM 的工业知识应用 → 工业知识智能体：处理信息，辅助人的决策；
• 能控制单台设备的自主系统 → 装备智能体 (Equipment Agent)：将物理AI模型嵌入边缘节点，使设备在复杂工况下闭环自整定；
• 能优化全流程的自主系统 → 过程智能体 (Process Agent)：在多约束空间中跨工段跨设备协同，逼近工艺最优。

后两者统称工业控制智能体，它们的共同本质是：输出的不是文本，而是控制信号；改变的不是人的认知，而是物理世界的状态。这是 Physical AI 的范畴，需要物理建模、控制理论、和工程安全的深度融合。

混淆知识智能体与控制智能体，不仅是概念上的不严谨，更可能误导工业企业的技术投资方向和预期管理。