长期以来，制造执行系统 （MES） 一直是智能制造的中枢，它通过预定义的逻辑和配置来编排生产工作流程。但是，如果这些系统能够自主思考、学习和适应呢？

　　每一套 MES 的核心都是其数据模型，但智能层却基本处于“静态”，因为它建立在预设逻辑和配置之上。这意味着，尽管 MES 软件具备高度的可定制与可扩展能力，其运行仍受制于固定规则——而生产环境却远非一成不变。

　　围绕 MES 技术的这一核心痛点，Critical Manufacturing公司的联合创始人兼 CEO Francisco Almada Lobo 在近日举办的 MES & 工业 4.0 峰会上发表主题演讲，帮助制造商为即将到来的 MES 技术变革做好准备。

　　尽管制造业环境的动态特性早已广为人知，但Lobo强调，制造流程本身也已不再是静态。推动这一变革的主要因素涵盖全球经济问题，如新关税政策与供应链中断，以及日益增长的产品定制化需求。

　　这就在僵化的系统逻辑与流动的制造现实之间造成了错位，传统 MES 架构往往难以弥合由此带来的效率损失。

　　Lobo 认为，解决之道并非彻底替换 MES，而是为其引入AI智能体（AI agents）——它们能够在运行中持续学习、自我适应并实时做出智能决策。但他同时指出，要实现这一转型必须具备两大关键要素：接受AI智能体作为必然趋势，并制定强大的数据与架构策略予以支撑。

　　尽管著名未来学家、人工智能先驱Ray Kurzweil的预言似乎与 MES 议题不相关，但其技术观的核心正是“指数级加速”这一特质。Kurzweil曾将技术比作“重力”，一种不断加速的力量。

　　在其2005年著作《奇点临近》中，Kurzweil指出：2000年代初花费1000美元购置的计算能力可媲美昆虫大脑，到2010年则可匹敌小鼠大脑。他预测到2050年，同等投入将能提供相当于全人类大脑总和的计算能力。

　　这种指数级跃升催生了 HubSpot 创始人Scott Brinker 所提出的“Martex 定律”。该定律认为：技术呈指数级演进，而组织却只能以对数级缓慢进化。两者之间的鸿沟日益扩大，使得普通企业几乎难以跟上技术的脚步。

　　Lobo说，应对这一挑战需要战略技术采用、组织敏捷性，有时还需要革命性思维。企业必须敢于从根本上重新构想自己的运营方式，并不断追问：“如果我们今天从零开始，会怎么做？”

　　正在制造业展开的 AI 变革，可划分为三个层次分明、层层递进的浪潮，每一波都在前一波的基础上继续推进：

　　约始于 2007 年，采用回归、决策树、聚类等技术，作用于结构清晰的数据。尽管自 2010 年起这些能力就已普及，但大量制造企业仍未充分挖掘其潜力。

　　始于 2017 年 Google Brain 团队发表的论文《Attention is All You Need》，该论文提出了 Transformer 架构，彻底革新了自然语言处理领域。随后，2020 年的 GPT-3 与 2022 年的 ChatGPT 相继问世，带来了前所未有的文本生成、问题求解和编程能力。

　　Lobo认为，AI 智能体正代表当前最前沿。与前两代不同，“AI 智能体不再只是被动执行指令，而是能够自主推理、规划并完成复杂任务。”

图1：制造数据平台，连同 MES 和IoT互联，是 Lobo所说的"智能制造的三位一体"。

　　现代制造技术与 AI 赋能技术之间的鸿沟在于：传统的事务型制造系统基于关系型数据库，从未为 AI 工作负载而设计；AI 需要海量且多样化的数据集，涵盖图像、文本、日志以及传感器流。同时，AI 既需要历史数据，也需要实时流数据的接入，才能做出即时响应。

　　为满足多源数据需求，诞生了一类全新的系统——制造数据平台。Lobo将其称为“智能制造的三位一体：数据平台 + MES + IoT互联”。

　　为深入理解这一概念，需认识到：来自制造工厂多传感器与设备的物联网数据，需要MES进行情境化处理并解决时间戳同步等关键问题。

　　“企业级数据湖无法实现这些功能，” Lobo强调，“我们建议以MES基础架构为模型核心，使企业从部署之日起就能高效运用AI模型。之所以如此主张，是因为MES可能是构建数字孪生的最强劲基石之一。”

图2：缓解大型语言模型“幻觉”问题的三种技术。

　　众所周知，大型语言模型（LLM）可能出现“幻觉”现象——即兴编造回答，且在不同使用场景间会遗忘关键信息。考虑到这一点，Lobo表示许多人曾质疑他为何主张将LLM作为MES系统核心大脑的关键组成部分。

　　“一种让我们克服LLM幻觉问题的技术是检索增强生成（RAG），”Lobo 说，“通过该技术我们能将MES知识库嵌入系统，使AI借助RAG查询数据，为LLM提供理解上下文并生成响应的能力。”

　　另一种方法是微调（fine-tuning）。Lobo认为，这是为AI补充语境的一个有效途径。“具体而言，我们选取预训练的大型语言模型，通过特定数据集进行二次训练，使其适应特定领域。”

　　第三种方法是提示词工程（Prompt Engineering）。通过精心设计输入文本，战略性地引导LLM的输出结果——通过调整措辞结构并与其互动，最终获得期望的输出内容。

图3：如何让MES数据为AI智能体所用。

　　如今，随着上述 AI 工具和方法的普及，Lobo 阐述了 Critical Manufacturing 如何让 MES 数据为 AI 智能体所用。

　　“在 2024 年 11 月 Anthropic 推出模型上下文协议（MCP）之前，这个过程极其困难，”他说。“MCP 旨在统一 LLM 与外部工具的连接方式。虽然 LLM 本身只生成文本，但这些文本可以为 MCP 客户端提供指令，让它访问服务器并从与 MES 相连的 API 获取数据。由此，MES 的全部能力被带到 AI 智能体面前，LLM 也开始更像一个‘大脑’。”

　　借助这一能力，AI智能体就能基于设备状态实时做出局部决策：重新排程、应对中断或即时优化生产。

　　下一步是让这些 AI 智能体在需要时协同工作。Google 最近为此开发了一项新协议——Agent-to-Agent，使智能体之间可直接“对话”。

　　“在极复杂的场景下，我们很可能会引入所谓的‘元智能体’，”Lobo 表示，“设想一下：一套拥有 UI 和业务规则的 MES，再接入一支智能体团队。这些元智能体能实时洞察系统状况，并向人类提出优化建议以供审批。关键在于，这一过程带有记忆。记忆形成了一个持续的学习飞轮：智能体给出建议，人类决定采纳与否，AI 会评估结果有效性并据此学习。记忆会随着行为不断调整，于是每一次循环，智能体都变得更聪明。”

　　当然，在制造业中让 AI 参与关键决策，最大的担忧之一是如何确保安全机制到位。对此，Lobo 指出了三种可行方法：

　　·  防护栏（Guardrails）：本质上是一个策略边界，明确规定智能体能做或不能做的事。这些边界可以涉及安全、合规或运营限制。

　　· “人类在环”（Human-in-the-loop）：保留人为干预机制，由人类对智能体的行为决策承担责任。

　　·  决策追踪（Decision trails）：记录并解释 LLM 得出某个结论的全过程，以便事后审计。

　　当前 AI 的发展速度催生了所谓的“适应悖论”：技术越先进，组织学习和落地的时间反而越短。如果回顾一下 LLM 领域的演进节奏便可窥见一斑：ChatGPT于2022年11月公开发布，2023年末出现大型推理模型，2024年11月发布MCP，2025年4月推出智能体间协议。

　　“这种加速度意味着制造企业必须现在就着手准备 AI 智能体的集成，”Lobo 强调，迟疑者将被竞争对手甩在身后，而后者正利用这些能力实现动态生产优化、智能异常处理以及自主决策。