夜雨聆风工业需要确定性、可审计、强约束、实时闭环；大模型是概率生成、存在幻觉、弱因果推理，大量误区来源于混淆二者边界，把 AI 辅助能力等同于工业系统执行能力。
一、软件与系统定位类误区
- 误区：AI 智能体可以直接替代传统工业软件，“大模型即软件”，代码将会消亡
问题：工业软件承载固化业务流程、数学算法、实时控制、权限审计、事务一致性、OT 硬件对接；大模型 / 智能体擅长语义理解、知识调用、自然语言编排，无法完成强确定的闭环执行。智能体适合做调度层、交互层、助理层，不能替换底层业务内核与控制逻辑。 风险：直接用智能体接管生产决策，幻觉会带来工艺错误、排产错误、设备误动作，缺少事务回滚、合规审计能力，只适合 Demo 演示，无法投产。 - 误区：工业智能体可以独立运行，不需要对接现有工业软件底座
问题：智能体本身没有数据源、没有执行抓手，必须调用现有工业软件接口、算子、算法模块；脱离存量工业系统的智能体只能做问答，无法落地业务。 - 误区：大模型能力越强，就越能替代传统工业软件的算法内核
问题：排程、仿真、PID 控制、物料计算依靠严谨数学模型，不是统计概率；大模型只能做需求翻译、结果解读，不能替代优化求解器与机理算法。
二、数据建设类误区（数据集 vs 传统工业数据治理）
- 误区：只要构建高质量 AI 数据集，就可以替代传统工业数据治理工作
问题：传统工业数据治理解决主数据标准化、元数据管理、跨系统一致性、时序数据质量、数据血缘、权限、脏数据清洗、数据孤岛、OT‑IT 对齐；AI 数据集只是面向模型训练的子集。数据集不解决主数据混乱、字典不一致、数据血缘缺失，即便数据集质量很高，智能体调用业务系统依然会拿到矛盾、错误的业务数据。 风险：训练集很漂亮，但真实业务运行时数据语义冲突，智能体输出全部失真。 - 误区：只要把企业文档、日志全部向量化存入向量库，就完成工业 AI 数据准备
问题：向量库只解决非结构化文本检索，不能修复结构化业务数据缺陷；大量工业核心信息在 ERP、MES 结构化表、时序传感器，不是文档。仅靠 RAG 向量检索无法解决主数据、字典、跨系统关联问题。 - 误区：工业 AI 优先做大模型微调，数据治理可以后置
问题：工业场景 “垃圾进，垃圾出”，底层数据语义不一致，无论怎么微调，推理阶段持续出错；很多项目先调模型再补治理，最后推倒重来。
三、本体与知识建模认知误区
- 误区：用大模型侧的本体 / 智能体本体概念，直接替代工业软件传统本体、ISA‑95 等标准化本体模型
问题：传统工业本体是经过行业沉淀的严格 schema，定义设备层级、工艺对象、业务对象、约束规则，服务系统互操作；大模型本体更多服务语义解析、提示词约束。二者目标不同，不能简单替换；直接用大模型生成本体，容易出现实体 ID、层级、业务约束幻觉，造成智能体调用接口参数错误。 - 误区：知识图谱 / 本体建好，智能体就能自动完成全部业务推理，不需要传统业务规则引擎
问题：本体定义概念与关系，但工业大量硬约束（安全阈值、业务校验、合规规则）需要规则引擎做强制拦截；本体只做语义框架，不能承担强制业务校验。 - 误区：直接把图数据库当成工业本体，建图即完成本体建设
问题：本体是模式（TBox，类、属性、约束）；图数据库是实例存储（ABox）。存了大量实体不等于具备严谨工业本体约束，会出现大量错误关系、无效实例，智能体持续犯错。
四、工业智能体本身的认知误区
- 误区：工业智能体可以自主完成全链路闭环决策，自主下发指令到 OT 层、PLC
问题：大模型输出带有概率不确定性；生产控制要求零幻觉、强实时、可追溯。智能体适合输出建议，不能直接下发控制指令；必须由传统工业软件做校验后再执行。 - 误区：通用大模型 + 提示词 + 工具调用，就可以直接构建可用工业智能体
问题：缺少工业约束围栏、缺少参数校验、缺少业务对象校验，会出现调用错误接口、传错设备 ID、错误条件，形成工具调用幻觉，外表输出通顺，底层调用全部错误arXiv。 - 误区：智能体越自主越好，追求完全自主，减少人工介入
问题：工业高风险场景，必须保留人介入、强制校验、熔断开关；过度追求自主，把容错极低的环节交给概率模型，放大安全风险。 - 误区：多智能体可以替代企业业务流程编排
问题：多智能体擅长任务拆解，但缺少事务一致性、回滚、异常兜底；复杂业务流程仍需要传统流程引擎做底座，智能体做自然语言驱动编排。
五、模型能力边界与工程落地误区
- 误区：大模型具备物理因果推理能力，可以直接做工艺机理分析、故障根因定位
问题：大模型学习文本共现，不是真实物理机理；容易给出看似通顺但违背工艺物理约束的结论，工业根因需要机理模型 + 传感器时序数据共同判定。 - 误区：Demo 效果好就等于可以生产落地
问题：Demo 使用精选、干净、小范围数据；真实环境脏数据、异常工况、跨系统冲突大量存在，很多项目演示可用，上线就失效。 - 误区：重模型采购，轻集成、运维、持续迭代成本
问题：工业 AI 项目成本大头不是大模型本身，而是系统对接、本体维护、数据治理、智能体持续调优、异常监控；很多企业采购大模型之后，忽略集成运维，系统闲置。 - 误区：把自然语言交互能力等同于业务智能能力
问题：语音、自然语言查询只是交互入口；底层业务逻辑、数据质量没有改善，交互再友好，得到的业务结果依旧错误。
六、概念炒作层面的认知误区
- 误区：AI 原生工业软件就是抛弃原有工业软件，全部基于大模型重构
正确认知：AI 原生更多是在原有工业软件内核之上叠加大模型 / 智能体能力，增强交互、知识检索、辅助决策，不是推倒重来。 - 误区：工业 AI 转型 = 上线工业大模型 / 智能体平台
问题：平台只是工具；真正转型是业务、数据、知识、本体、流程的改造，平台不等于解决方案。
1. AI智能体是工业软件的增强层，不是替代品；底层确定性业务逻辑、控制逻辑依然由传统工业软件承担。
2. 大模型侧本体是语义辅助框架，不能替代经过行业标准化的工业本体与规则引擎；概率推理同样不能替代机理、硬约束、强校验。