**摘要：**从大模型回答问题，到推理模型解决复杂任务，再到Agent调用工具和系统，AI的能力边界正在持续向"执行任务"延伸。2026年10月7日，GPT-6与Intelligent UI进一步将这种变化推向交互层，让模型不仅能够输出文字，还可以根据任务动态组织图形、图表、按钮、表单和交互式工具。对于制造业而言，这种变化的重要性在于：当AI开始拥有更加自然的交互入口，它与工业知识、业务系统和Agent结合后，就有可能从单点辅助工具进一步走向系统级运营协同。工业富联科技服务将沿着这条技术演进路线，分析AI从交互变化走向工业自主运营的关键路径。
一、AI能力跃迁：从"生成内容"到"组织工具"
如果回顾近几年大模型的发展，可以发现AI能力正在发生一条越来越清晰的变化路线。
早期大模型主要解决的是"生成内容"，包括写文章、写代码、总结资料和回答问题；随着推理能力不断增强，AI开始处理更加复杂的分析任务；Agent出现之后，模型进一步获得调用工具、访问数据和执行多步骤任务的能力。
Intelligent UI则让这种变化在交互层面变得更加直观。
2026年10月7日，GPT-6与Intelligent UI正式发布。相关介绍显示，GPT-6可以根据用户问题，在文本、图形、图表、按钮、表单和交互式体验之间进行组合，并根据具体任务决定最合适的呈现方式。
这意味着AI的输出对象正在发生变化。
过去，用户向AI提出问题，得到的是一个答案；现在，用户提出一个任务，AI可以进一步生成一个围绕这个任务组织起来的交互体验。例如计算问题可以形成计算器，复杂知识可以形成可交互的解释图，比较任务可以采用并列展示。
从技术发展角度看，这并不是简单增加一种UI样式，而是AI开始参与"工具如何被组织"的过程。
对于制造业来说，这一步尤其重要。因为工业软件面对的从来不是简单的信息查询，而是设备异常、生产排程、质量分析、物料协调等复杂任务。AI如果能够理解任务并组织工具，就可能成为连接人员与复杂工业系统的新入口。
二、破除桎梏：工业数字化为什么需要新的AI交互方式？
过去十余年，制造业持续建设MES、ERP、WMS、APS、SCADA等系统，大量生产数据、设备数据和业务数据被数字化。
但数字化程度提升之后，企业面临的问题也发生了变化。
过去最重要的问题是"把业务搬进系统"，现在越来越重要的问题是"让不同系统真正围绕业务协同"。
例如生产异常发生后，生产主管需要查看订单状态、设备能力、物料情况和质量信息；设备工程师处理故障时，需要查看报警、历史趋势、维修记录、备件状态和设备手册。这些数据往往已经存在，但它们属于不同系统和不同数据结构。
传统软件要求用户知道"去哪里找"。
AI提供的另一种方式则是：先描述任务，再由系统组织信息。
这正是Intelligent UI值得制造业关注的地方。
未来的工业软件不一定需要取消原来的MES、MOM、ERP等系统，相反，这些系统仍然负责确定性的业务流程和数据管理。AI更适合站在这些系统之上，理解用户意图、协调不同工具，并把相关信息重新组织成一个任务界面。
这样一来，工业软件的架构就可能出现新的分工：底层系统负责稳定运行，Agent负责任务协同，AI负责理解和分析，动态UI负责人与系统之间的交互。
从这个角度看，Intelligent UI并不是工业AI的终点，而更像是一个新的入口。
三、深度融合：大模型如何从交互层进入工业核心场景？
当AI具备更强的任务理解、工具调用和动态交互能力后，它真正的价值将逐渐从"回答问题"进入生产运营。
第一，柔性制造可能从"人工协调"走向AI辅助协同。
小批量、多品种和快速迭代正在提高制造系统的复杂度。一个新产品导入生产，需要同时考虑工艺路线、设备能力、物料准备、质量要求和交付时间。
未来，工程人员可以先向AI描述产品导入目标，AI结合企业已有的数据和知识，整理工艺准备清单、设备匹配情况和潜在风险，再通过动态界面把结果集中呈现出来。真正涉及工艺参数和生产执行的环节，则继续由专业人员和确定性系统审核、执行。
第二，设备运维可能从"预测"进一步走向"辅助处置"。
传统预测性维护主要回答"设备可能什么时候出问题"。进一步结合Agent和工业知识后，AI可以继续分析"为什么会出现问题""应该检查什么""过去有没有类似案例""需要什么备件"。
例如主轴温度出现异常，系统可以同时关联实时数据、历史故障、维修手册、维修工单和备件库存，形成一个面向工程师的故障处理空间。AI负责缩短信息搜索和分析时间，而最终的维修动作仍然受到权限和安全规则约束。
第三，供应链管理可能从"看板监控"走向"方案推演"。
面对供应中断、订单变化或者物流异常，管理人员过去需要人工收集不同系统的数据，再比较多个方案。未来Agent可以围绕一个任务调用库存、订单、物流和供应商数据，形成多个备选方案，并将交期、成本和风险进行可视化比较。
此时，动态UI真正承担的是"决策工作台"的角色。
四、演进路线图：从单点智能走向工业自主运营
如果把工业AI的发展放到更长的时间轴上，可以将其理解为从数字化基础逐步走向自主运营的五个阶段。
①单点改善与②流程优化：首先建立数字化底座。
这一阶段解决的是设备连接、数据采集、业务流程数字化和系统协同问题。没有稳定的数据基础，AI就无法获得可靠的上下文；没有明确的业务流程，Agent也很难判断任务应该如何执行。
因此，工业AI并不是"模型先行"，而是需要建立在长期数字化建设基础之上。
③场景创新与④运营提升：AI开始进入核心业务。
当企业数据和业务流程逐渐打通后，AI开始进入研发、生产、质量、设备、供应链和能源等具体场景。这个阶段的关键变化，是AI从单个岗位助手逐步走向跨系统协同。
工业富联长期推进灯塔工厂建设，已经形成覆盖多个制造行业的数字化实践。截至目前，公司已累计对内打造9座、对外赋能13座灯塔工厂，其中包含2座可持续灯塔工厂。相关实践也正在向更多行业复制。
在这一基础上，AI的价值可以进一步从"解决一个问题"走向"优化一组业务流程"。
⑤自主运营：AI从工具升级为制造运营的新型基础设施。
工业富联2026年发布的灯塔工厂相关白皮书提出"AI Makes AI"理念，并进一步探索AI Factory方向。其核心变化，是AI不再只是某一个环节的效率工具，而是逐步进入制造系统的运营层。
在这种架构中，Factory Brain可以承担更高层次的运营协调，Agent负责不同任务之间的协同，Digital AI处理数字空间中的分析和优化，Physical AI进一步连接真实物理世界，而MOM、MES等系统继续承担稳定的业务流程。
这才是工业AI从"智能助手"走向"自主运营"真正需要形成的技术体系。
五、结语：Intelligent UI之后，工业AI真正竞争的是系统能力
从大模型到推理模型，从Agent到Intelligent UI，AI正在逐渐改变人与软件之间的关系。
但对于制造业而言，真正值得关注的并不是某一个新功能，而是这些技术组合起来之后会产生什么变化。
如果说大模型解决的是"理解和生成"，推理模型进一步解决"复杂问题分析"，Agent开始解决"任务执行"，那么Intelligent UI解决的就是"人如何更自然地与这些能力协作"。
把这几个能力放进制造业之后，一条新的技术路线逐渐清晰：用户提出目标，AI理解任务，Agent调用工业知识和业务工具，系统完成分析与协同，动态UI把过程和结果重新呈现给人，再由人进行确认、决策和监督。
再向前一步，当这种能力与Factory Brain、MOM、数字孪生以及Physical AI进一步结合，工业AI才有可能从单点应用走向系统级运营。
当然，自主运营并不意味着让大模型直接接管工厂。工业生产仍然需要确定性控制、安全策略、权限管理、数据治理和人工监督。AI越深入生产核心环节，对可靠性和工程体系的要求反而越高。
工业富联科技服务正在持续围绕灯塔工厂、AI Factory和全球智造运营能力探索这一演进方向。未来，工业AI的竞争重点也将逐渐从"谁的模型更聪明"，转向"谁能够把模型、Agent、工业知识、数据、系统和物理设备真正连接起来"。
这或许才是从大模型走向工业自主运营之后，制造业真正需要面对的新一轮技术竞争。