过去两年，AI Agent进入企业的速度很快，但“做出一个Agent”和“让Agent长期运行”正在变成两个完全不同的问题。

Forrester在2026年6月发布的《The State Of Agentic AI In 2026》中指出，约四分之三的企业领导者表示正在采用Agentic AI，但真正进入有意义生产环境的仍然只是少数，规模化的多智能体系统更少。这个差距说明，Agent的挑战正在从“能力能不能实现”，转向“能不能稳定进入真实运营”。

差距并不只出在模型能力。一个Agent完成一次知识查询、生成一次分析或者调用一次工具并不难。真正进入生产环境以后，订单会变化、设备会异常、物料会延迟、质量会波动，上午生成的最优方案，几个小时以后可能就已经不再适用。这意味着，生产级Agent不能只解决“这一次任务怎么完成”，还必须持续回答：执行以后发生了什么？环境有没有变化？原来的方案是否仍然适用？下一步需不需要重新调整？

对于制造业而言，这个变化尤其关键。真实生产不是静态流程，而是一个不断受到订单、设备、物料、质量和交付约束影响的动态系统。一次判断正确，并不代表后续仍然正确；真正有价值的是让系统能够根据新状态不断调整。因此，讨论AI Factory时，更值得关注的已经不是“工厂里用了多少AI”，而是AI能不能真正进入一套持续运行、持续反馈、持续优化的机制。

下面的问题也随之变得具体：数字化系统已经能够感知和记录现场，AI进入以后，如何进一步把判断、协调和执行连接起来？

一、从数字化工厂到AI Factory，变化的不只是增加AI功能

传统数字化工厂已经拥有大量系统。ERP记录订单和资源，MES管理生产执行，IoT持续采集设备状态，WMS管理库存和物流，自动化设备按照设定程序完成现场动作。

这些系统解决了制造业非常重要的一步：让现实世界被数据化，让流程能够按照规则运行。但它们的运行逻辑大多数仍然是预先定义好的。例如设备出现某类报警，系统触发固定流程；订单进入以后，按照已有规则排产；机器人根据提前编好的程序完成动作。

工业富联科技服务对AI Factory的理解，则是在原有数字化和自动化基础上进一步把判断、协调和执行闭环连接起来。当订单、设备、物料和质量发生变化以后，不只是系统把信息展示出来，而是AI Agent能够进一步分析变化的影响，判断需要调整哪些任务，并调用相关系统推动执行。

这时工厂的运行方式开始从：“Data → System → Human Decision → Execution”变成：“Perception → Reasoning → Decision → Execution → Feedback”。其中，Digital AI负责理解状态、分析变化和制定决策，Physical AI则通过机器人、AMR以及自动化设备把这些决策真正执行到物理世界。

执行结果重新成为下一轮决策的输入。这也是AI Factory更关注的核心：AI并不是孤立增加在工厂里的一个应用，而是开始进入整个运营闭环。

二、为什么闭环能力比“一次最优”更重要？

真实生产环境最大的特点，就是一直在变化。例如，早上8点，系统根据订单、设备状态、人员和库存生成了一套排产方案。到了9点，一台关键设备发生故障；10点增加一个紧急订单；11点供应商通知某批物料延迟。所以说，即使8点的方案是当时的最优解，到11点也已经不一定适用。

传统系统可以快速告诉管理人员：设备发生了异常、物料可能不足、某个订单有延期风险。但过去真正复杂的部分往往发生在信息出现之后：应该先调整哪个订单？是否需要切换设备？物流路线是否同时调整？质量参数会不会受到影响？

这些决策通常依赖不同部门和专业人员分别判断。AI Agent进入以后，开始有机会把这一层逐步数字化。例如Factory Brain可以围绕生产目标，协调计划、质量、设备和物流等不同智能体共同处理状态变化：计划Agent重新分析订单和产能，设备Agent判断当前设备是否满足生产条件，物流Agent同步检查物料和运输状态，质量Agent评估变更对质量稳定性的影响。

真正的价值不是四个Agent分别给出四个答案，而是围绕一个共同目标形成新的执行方案。

因为真实工厂面对的并不是一个目标。交付、质量、设备利用率、库存、成本和能源之间经常同时存在约束。每个环节各自做到最好，不一定能够让整个生产系统做到最好。因此，AI Factory最终解决的是一个动态问题：在环境不断变化的情况下，如何持续寻找全局更优的运行状态。

三、从Simulation到Feedback，闭环甚至可以提前发生

但AI Factory的闭环并不一定从工厂投产以后才开始。工业富联科技服务在Sim2Real方向上的另一个实践，是利用NVIDIA Omniverse建立虚拟工厂，将设备、产线、物流、人流以及生产节拍放在数字环境中进行模拟和验证。

传统制造很多问题只有真正建出来以后才会暴露。设备有没有空间冲突，机器人路径是否合理，物流会不会形成瓶颈，产线节拍是否达到设计目标，人机协作是否安全，这些问题如果进入现场以后再修改，成本往往非常高。

数字孪生改变的是验证发生的时间点。工厂还没有真正建设完成，就可以先在虚拟环境中模拟不同方案，观察结果，再调整布局和参数。于是闭环从现实世界进一步向前延伸：“Simulation → Decision → Execution → Feedback”。先在虚拟环境中验证，再进入实体工厂运行；实体工厂产生新的数据以后，又可以反馈到数字空间继续分析。

从这个角度看，Omniverse的价值并不只是“把工厂做成3D”。真正重要的是建立一套能够不断模拟、验证和调整的环境，让试错从物理世界提前进入数字世界。

同样的逻辑也适用于复杂自动化任务。随着现场任务从固定程序走向更加动态的决策与执行，大量验证、异常场景和参数调整都不适合完全依赖真实生产线完成。虚拟环境提供的价值，就是在进入真实环境之前，把尽可能多的问题先暴露出来。

四、从Automation到Autonomy，工厂正在形成一个更大的运行闭环

如果把过去二十年的制造技术放在一条线上，会发现变化其实非常清楚。数字化解决的是看得见。自动化解决的是按照规则做得到。AI开始进入以后，新的能力是面对变化还能决定下一步怎么做。因此，Automation和Autonomy之间的差别，并不是自动化率从80%提高到90%，而是系统是否拥有了根据环境反馈重新决策的能力。

工业富联科技服务目前围绕AI Factory形成的技术方向，也可以放进这样一个闭环来看。

1. Omniverse负责在数字世界中模拟和验证；
2. Factory Brain负责理解生产目标并协调不同Agent；
3. 设备、质量、物流、计划等Agent承担具体专业任务；
4. 机器人、AMR和自动化设备构成Physical AI执行层；
5. 现场数据再通过IoT、MES等系统持续反馈回来。

最终形成的并不是一堆AI产品，而是一套：“Simulation → Perception → Reasoning → Decision → Execution → Feedback”持续循环的运行体系。

------

当Agent从试点走向生产，评价标准也会发生变化。真正重要的，不再只是一次任务是否完成，而是系统能不能在环境持续变化的情况下反复运行，并把每一次执行结果重新变成下一轮判断的输入。

下一阶段值得关注的，也不只是模型能够生成什么、Agent能够调用多少工具，而是这些能力能不能真正进入持续运营闭环。当数字孪生提前验证，Factory Brain参与判断与协调，现场系统执行并持续反馈，AI Factory才开始从“增加AI应用”走向“改变工厂运行方式”。