在 2026 全球工业互联网大会的平行论坛上，上海精智董事长魏杰提出「工厂原生 AI」的判断，并配套展示了已开源的沃土工业大模型 LevelField-1，以及工艺优化、产能调度、执行监控三类工业智能体。这组内容之所以值得单独拆解，是因为它代表了一种与「把通用大模型搬进工厂」明显不同的路线：不是让工厂去适应模型，而是让 AI 与真实生产闭环咬合。
什么是「工厂原生」
魏杰给出的界定是：物理 AI 不一定表现为机器人硬件，关键在于 AI 与真实物理世界形成闭环——持续感知人、机、料、质的状态，接收执行反馈，修正决策，并协同设备作用于现实生产。换句话说，「工厂原生」的重点不在模型有多大，而在它是否被嵌入了生产系统的反馈回路。这个判断，与近两年工业 AI 从「数据智能」走向「理解工业」的行业表述同源，但落点更具体。
三类工业智能体如何分工
上海精智把工业智能体拆成三类，分别回答生产现场的三个核心问题。工艺优化智能体回答「怎么做」，基于图纸与企业真实设备能力生成可执行的工艺；产能调度智能体回答「何时做、谁来做」，动态考量人员、物料、插单与异常，做滚动优化；执行监控智能体回答「做得怎么样」，依托机器视觉与传感器识别偏差并及时预警。
三者的关系并非并列，而是构成一个闭环：前两类生成决策，第三类承接物理世界的反馈，现场暴露的问题再反哺工艺与计划，形成持续改进。用魏杰的话概括，是「单个智能体提升效率，多智能体闭环改进系统」。这也是工业场景与通用办公场景的关键差异——在这里，动作的后果会直接落在物料与设备上。
沃土 LevelField-1：面向非标机加工的工艺大模型
支撑这三类智能体的，是上海精智旗下蓝沃 AI 打造的沃土工业大模型 LevelField-1，定位为面向非标机加工工艺的模型。据公开信息，其训练数据来自 16 家工厂的真实数据，约 10 万张工艺图纸，另有 30 万道非标工序与 13.3 万次非标工单；模型输出经 36 位从业 20 年以上的工艺工程师校验，与工艺师思路的契合度据称超过 95%。在能力上，它可识别 2D 图纸中的工件结构、公差与粗糙度等加工要求，推导加工步骤并给出工艺路线与优化建议，覆盖车削、铣削、钻削、磨削、铸造、锻造、热处理、焊接等 18 类机加工常见工艺环节。该模型已开源，官方表述是与产业伙伴共建扎根现场的工艺智能底座。
需要说明的是，上述契合度与效率数字来自企业公开表述，其统计口径与验证范围目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。对于工业场景，评估这类指标时更应关注它在多大范围的工件与工艺上可复现，而非单点最优表现。
落地规模
据公开信息，上海精智已服务近 300 家制造企业，覆盖机加工、压铸、钣金、注塑、装配、印刷、SMT 等工艺，切入汽车制造、具身智能、家电电子等领域，客户既包括特斯拉供应链、复兴号零部件供应商，也包括大量中小制造企业。魏杰提到，规模不同、产品不同，但核心痛点相似：更快的工艺设计、更准的生产计划、更及时的异常发现、更可持续的经验沉淀。在具身智能方向，其模块化灵巧手关键部件累计交付近两万套，并打通了人形机器人关节模组从减速机到总成的完整装配流程。
与「通用大模型进工厂」的分歧
魏杰在演讲中有一句判断值得记录：制造业真正需要的，不是一个参数更大的模型，也不只是一个会回答问题的助手，而是一个能理解复杂约束、经受真实验证、参与生产闭环并对结果负责的智能系统。这句话点出了当前工业 AI 的一条分岔：一边是把通用能力平移到工业场景，另一边是从现场约束出发重建模型与智能体。前者上手快、覆盖面广，后者门槛高、但更贴近「可交付、可追责」的生产要求。两条路线并非互斥，但在对精度与可靠性要求极高的非标场景里，后者的说服力正在上升。
中立思辨
工业智能体的难点从来不在演示，而在复制。非标机加工的数据高度依赖具体工厂、设备与工艺师经验，这让「在某个厂跑通」与「跨行业泛化」之间存在明显落差；工艺数据的可得性与标注质量，也决定了模型能力的上限。开源是一个加速器，但也把维护与工程化的责任交给了使用者——一个开源工艺模型能否在中小企业真实落地，取决于是否有配套的部署、微调与验证能力。此外，工业场景对错误的容忍度极低，工艺建议一旦出错，代价可能落在真实的物料与交期上，因此「人机协同、关键节点人工确认」仍是更稳妥的落地方式。
趋势研判
短期，工业智能体的竞争焦点会从「模型参数」转向「现场闭环加工艺数据资产」，谁能把真实工单、图纸与工艺师经验沉淀为可复用的资产，谁就更有可能形成壁垒；中期，「工厂原生」这类从现场出发的叙事，可能成为工业 AI 的一条主线，与通用大模型的平移到工业形成互补；长期，工业智能体的价值衡量标准，会从「效率提升了多少」逐步转向「系统是否对结果负责」。对制造企业的务实建议是：先在生产闭环里选一个高频、可量化、出错代价可控的环节试点，跑通「感知—决策—反馈」的最小闭环，再谈规模化复制。工业 AI 的胜负，往往不取决于模型有多大，而取决于它离产线有多近。