设备级智能体算力需求仅1TFLOPS与1TOPS、部署在终端；产线级跃升至10TFLOPS与5TOPS、部署在边缘侧；企业级则需1PFLOPS与5000TOPS、采用云边协同——工业智能体的算力需求随层级提升呈指数级增长。中国工业互联网研究院这份报告从设备单元到企业经营管理，逐级拆解了工业互联网智能体的模型规模、算力需求与部署策略。
设备单元级（L1）——轻量化小模型的终端部署
算力需求与模型类型
设备单元级以轻量化小模型为主，训练算力需求低于1TFLOPS，推理算力需求低于1TOPS，主要采取终端或边缘侧部署方式。模型类型涵盖三类核心应用：故障诊断以机器学习模型为主，强调低延迟、小体积与可解释性；工艺优化以深度学习模型为主，强调低延时、高精度与高鲁棒性；寿命预测以机器学习模型为主，具备长序列依赖、可解释性好与低频次推理的特点。三类模型均部署在终端或边缘侧，确保与工控软件的高效通信。
设备管理智能体的部署实践
设备管理智能体在合肥某制冷工厂的部署验证了设备层策略的有效性。该智能体基于机器学习模型识别故障特征模式，平台内置4700+行业机模型与200+专家算法库，结合物理机模型深度推理实现故障定位与根因分析。算力配置为训练低于1TFLOPS、推理低于1TOPS，部署在终端侧。应用成效显示设备平均维修时间由120分钟降至40分钟，效率提升300%。这一案例表明，轻量化小模型在终端侧部署能够满足设备级应用对实时监控与快速响应的刚性需求。
产线级与车间级（L2-L3）——中等规模模型的边缘部署
算力跃升与模型升级
产线级与车间级的算力需求较设备级显著提升。小模型训练算力需求在10TFLOPS以下，推理算力需求在5TOPS以下，部分场景基于大模型开展应用。主要采取边缘侧部署方式。产线级或车间级智能体需具备比设备层更强的能力：理解设备终端拓扑结构、具备自主产线监控及工控代码交付能力，确保产线整体的高效与稳定。
工业PLC代码智能体的部署架构
工业PLC代码智能体是产线级的典型应用。该智能体基于轻量化代码大模型，精准理解自然语言工艺描述，支持批量变量自动定义并直接生成可应用的操作卡片写入程序。智能体融合抽象语法树分析技术与大模型推理能力，提供代码一键解释、上下文感知自动补全、智能逻辑修复及ST/LD多语言互转功能。算力配置为训练低于10TFLOPS、推理低于5TOPS，部署方式为云端协同。在大型项目配置中，替代人工手动配置极大节省时间并降低出错概率。
企业级（L5）——大模型与小模型协同的云端部署
高算力需求与云边协同架构
企业级的算力需求呈指数级跃升。训练算力需求高于1PFLOPS，推理算力需求高于5000TOPS，主要采取云端或云边协同的部署方式。企业级智能体以大模型与多个小模型协同开展应用赋能，需实现多目标自主协同优化，应用于企业战略决策制定与经营管理等复杂任务。部署架构上，核心大模型部署在云端负责复杂推理与全局优化，专业小模型部署在边缘侧负责实时响应与本地决策。
经营管理智能体的部署成效
经营管理智能体是金蝶开发的典型企业级应用。该智能体整合财务、人力、供应链、营销及知识库数据，通过一个大模型与多个小模型（预置监管模型、决策模型等）协同，实现战略财务分析预测、税务智能问答、全方位运营监管、智能面试助手等多模块功能。算力配置为训练高于1PFLOPS、推理高于5000TOPS，部署方式为云边协同。应用成效显示：企业财务结算效率提升40%以上，人力配置合理性提升30%，供应链库存周转天数减少25%，服务超过一半的中国500强企业。
五级部署策略的演进规律
算力需求与部署方式的逐级跃升
从L1到L5，工业智能体的算力需求与部署方式呈现清晰的演进规律。算力需求方面：L1设备级训练低于1TFLOPS、推理低于1TOPS；L2-L3产线与车间级训练低于10TFLOPS、推理低于5TOPS；L5企业级训练高于1PFLOPS、推理高于5000TOPS——三个层级之间呈现三个数量级的跨越。部署方式方面：L1以终端或边缘侧为主；L2-L3以边缘侧为主；L5以云端或云边协同为主。模型规模方面：L1以小模型为主；L2-L3以小模型为主、部分大模型；L5以大模型+小模型协同为主。这一演进规律为制造业企业规划智能化升级路径提供了清晰的参照坐标。
从点状突破到系统化重构
设备单元级智能体解决的是“点”上的问题——一台设备的维修效率提升300%；产线与车间级智能体解决的是“线”上的问题——一条产线的PLC代码自动生成与优化；企业级智能体解决的是“面”上的问题——财务、人力、供应链的全局优化与战略决策。工业互联网智能体正在从点状突破走向系统化重构，而“T”形架构正是这一演进路径的系统化表达——以横向工业互联网平台贯通数据流，以纵向智能体实现逐级智能跃升。
