政策文件里，“10个垂域大模型、300个智能体”是明确的数字目标。但如果你走进一家还靠手工台账管库存、靠老师傅经验排产的工厂，会发现另一个问题：大模型要算的东西，底下的数据还喂不进去。
这不是说政策方向不对。恰恰相反，方向很清楚：模型和智能体是目的地，但通往目的地的路，得先从车间和仓库里铺出来。
政策指了方向，工厂的起点在别处
上海这份行动方案的核心逻辑，是“场景牵引、模型驱动、装备升级、能力溢出”。垂域大模型的落点，写的是辅助设计、生产自适应调整、预测性维护这类高价值场景。智能体要发挥的，是理解工业任务、指令和角色的能力。
但一个容易被跳过的前提藏在政策表述的细节里。方案同时强调“引导智能工厂率先开展工业模型应用试点”，而智能工厂的基础是什么？是设备数据采得上来、生产进度看得见、物料流转有记录。没有这层底座，大模型拿到的是一堆口径不一、时间戳失真、系统之间对不上的“脏数据”。
行业调研的数据也印证了这个判断：全球超90%的企业已启动生成式AI试点，但真正进入生产环境并形成规模化价值的不足41%，中小企业高质量数据集不足、数据孤岛普遍是首要卡点。算法不是瓶颈，算力不是瓶颈，底下的数据“没法用”，才是大部分工厂卡住的地方。
一个可参照的落地顺序：先让系统跑出“可算的数据”
精工智能在服务制造企业时，反复遇到同一个局面：ERP里有订单，WMS里有库存记录，MES里有工单，但三套系统各说各话。集团想看一张全局的产能视图，得让几个人花几天手工对齐表格。
所以落地顺序通常不是从“选一个大模型”开始，而是从把订单、物料、产能、品控放进同一套数据语义开始。精工的JMOM制造运营管理平台，做的事情就是把MES、WMS、APS、QMS等系统产生的数据统一到一个对象模型上，让物料、BOM、工艺路线、设备、人员在同一个底座上被描述和调用。没有这层统一，智能体拿到的“上下文”是碎片化的；有了这层统一，后续加载AI能力不需要推倒重来。
这不是理论推演。比亚迪在推进多基地数字化时，精工智能用两年时间完成了西安、淮安、郑州三大基地的WMS部署与验收，系统上线后库存准确率提升至99%以上，出入库时间缩短50%，决策效率提高30%以上。创维的多个基地同样以MES、WMS、APS为核心，实现了跨区域数据贯通与生产过程的透明化管控。这些数字的意义不在于“系统多厉害”，而在于：当库存准了、流程通了，大模型和智能体才有稳定的、可回溯的数据可以学、可以算。
某舞台灯光设备企业的改造更能说明“流程先跑通”的价值。精工团队进场后没有急着上模型，而是先测基线：仓库拣货靠老员工记忆，库存金额高峰期占压约4200万，生产交期平均23天。WMS上线后物料绑定库位码，拣货按系统规划路径执行，物流人力下降85%，库存金额压到约1380万，生产交期缩短56%。这些变化全部发生在“算法”介入之前——靠的是把库存记录和作业流程先做实。
智能体要“懂工厂”，先得有人把工业上下文喂对
政策里还有一句话值得制造企业留意：培育“懂工艺、懂装备、懂软件、懂AI”的系统集成型服务商。这其实点出了当前的一个结构性缺口——大模型公司懂模型，但未必懂换线时间、物料齐套率和设备产能约束之间怎么互相拉扯；工厂懂工艺，但未必有能力把老师傅的经验翻译成智能体可执行的规则。
精工智能数字化工厂的定位，恰好落在这个衔接层：一端是WMS、MES、APS在车间和仓库里跑出来的真实数据和标准作业模板，另一端是JMOM平台统一后的数据底座，AI能力可以在这个底座上逐步加载，而不是另起一套系统。易事特WMS/MES/APS项目的数据也指向同一个逻辑：计划达成率提高35%，制造成本下降25%，关键物料实现精准追溯。先让计划、仓储、制造三条流程在同一条数据链上跑顺，智能体后续要做的“自适应调整”或“预测性维护”，才有可对齐的参照系。
政策给的数字目标很清晰，但工厂侧的答案可能更朴素：大模型要算的那笔账，得先有人把账本记对、把流程跑顺。 垂域模型和工业智能体是值得投入的方向，只是投入的顺序，决定了投入会不会打水漂。
精工智能数字化工厂，制造业Online，持续在场，赋能企业高质量发展。
