国内制造业数字化正经历从 SaaS 到 DaaS 再到 MaaS 的三代服务范式跃迁。SaaS 属于过去式，它解决了业务流程线上化问题，却留下数据孤岛与因果分析缺位的深层短板；DaaS 是绝大多数企业当前聚焦的主战场，企业诉求正从“上一套云 MES 工具”转向“把零散多源数据沉淀为可推理、可复用的工业知识资产”，而工业本体正是新型 DaaS 不可或缺的底层底座；MaaS 时代已经到来，模型能力以服务化方式对外供给，构成面向未来的高阶底座。

本文的核心判断是：面向 2030，本体、工业世界模型、具身智能、工业大模型不是互相替代，而是分层互补融合——工业本体是整套体系的语义事实与约束内核，MaaS 是模型计算底座，Agent-Skill 是上层业务连接与任务编排能力，具身智能是受约束的物理执行载体。三个最重要发现：其一，脱离本体约束的 Agent 即便拥有大模型底座，依然会产生工业幻觉，本体校验与人-在-回路是抑制幻觉、守住安全底线的双闸门；其二，产业链本体协同的关键不是全量数据打通，而是以本体交互协议和标准化元数据交换实现受控共享与穿透式追溯；其三，海外厂商已抢占本体平台、Action Types 与行业智能体资产制高点，国产化工业本体全栈生态建设的窗口期稍纵即逝。

行动上，企业应按成熟度分阶段推进：阶段一企业先补齐采集与主数据标准化、严禁触碰本体与 MaaS 智能体，阶段二企业以 1—2 个高价值 Agent 场景 POC 起步，阶段三企业才具备规模化部署条件；行业与政策侧则应并行推进国产本体平台、行业 Agent/Skill 组件资产与标准体系建设，不能等待全部工厂完成数字化之后再建设上层生态。

1 一场正在发生的工业数字化范式跃迁

2026 年以来，工业数字化政策密集出台。工业和信息化部印发《推动工业互联网平台高质量发展行动方案（2026—2028年）》，提出到 2028 年具有一定影响力的工业互联网平台超过 450 家、工业设备连接数突破 1.2 亿台（套）；工业和信息化部等八部门联合印发《“人工智能+制造”专项行动实施意见》，部署开发高水平行业模型、开展“模数共振”行动、加快重点行业应用赋能；工业和信息化部办公厅启动工业数据筑基行动，面向人工智能赋能开展高质量行业数据集建设先行先试，提出培育行业数据合作联合体、建设重点行业数据可信互联平台等目标。

政策指向高度一致：工业互联网平台正从工具平台向数据增值、模型智能平台升级。在这一背景下，“本体、世界模型、具身智能、工业大模型”四个概念的集中出现，不是名词的堆砌，而是下一代工业数字基础设施的构成要素。本文要回答的核心问题是：这四者如何融合演进？其体系架构、落地路径与现实边界是什么？

文章按“范式—架构—融合—协同—生态—约束”六条线索展开：先看 SaaS、DaaS、MaaS 三代服务模式的范式迭代，再看本体-MaaS 底座-Agent-Skill 的体系架构，进而分析本体与世界模型、具身智能、工业大模型的融合分工，随后讨论从单厂本体走向产业链全域协同的空间拓展与国产化生态竞争，最后提示必须正视的风险与约束。

2 从SaaS到DaaS再到MaaS的价值主战场迁移

2.1 SaaS 是“过去式”：工具交付时代

SaaS（Software-as-a-Service，软件即服务）是工具交付时代的代表。它以标准化软件工具与业务交互页面为核心交付物，云化 ERP、云化 MES、云化 QMS 是典型代表，解决的是企业“业务流程线上化”问题，完成工单填报、报表统计、流程审批等作业动作。

其短板同样清晰：SaaS 仅提供操作工具，数据孤岛依然存在；输出的是表单与统计报表，无法自动输出带溯源的因果分析、风险推演结论。据此可以形成判断：SaaS 作为基础作业工具会长期存续，但已经不再是下一代工业数字化价值突破的核心赛道；仅堆砌工业 SaaS 工具，无法破解数据孤岛、大模型幻觉、跨域业务推演等深层次工业痛点。

2.2 DaaS 是当前主战场：本体成为核心载体

DaaS（Data-as-a-Service，数据即服务）是当前产业的主战场，也是本体的核心载体。传统 DaaS 仅输出原始数据集与统计报表；本体驱动的新型 DaaS，对外输出经过语义建模的实体、关系、业务规则、时序事实，可直接提供根因线索、风险评估、What-if 推演结果。

当下国内制造企业的普遍诉求，已经从“上一套云 MES 工具”转向“把零散多源数据沉淀为可推理、可复用的工业知识资产”。这意味着绝大多数企业现阶段应当聚焦 DaaS 能力建设。需要特别强调的是：工业本体是新型 DaaS 不可或缺的底层底座；缺少本体语义建模，DaaS 只能做到简单数据查询统计，无法实现因果推理与跨业务域推演。

2.3 MaaS 已经到来：面向未来的高阶底座

MaaS（Model-as-a-Service，模型即服务）是模型能力的服务化底座，核心是把通用大模型、工业机理仿真模型、预测模型以 API 服务方式对外输出，提供模型推理、运算能力。

这里有一个重要概念澄清：AI Agent 本身不属于 MaaS 底座，它是构建在 MaaS 之上的能力扩展层，扮演“连接器”角色。MaaS 只提供各类模型的计算能力；Agent 不生产模型，而是调用 MaaS 底座的模型能力，再结合本体做上下文语义理解，通过 Skill 技能完成任务拆解与动作执行。

2.4 演进逻辑与政策推力

三代范式的演进逻辑可以概括为：SaaS 给你工具，人填数据、人完成分析判断；DaaS 给你语义化治理完成的事实与知识底座；MaaS 按需提供大模型、机理模型的计算推理底座；Agent+Skill 则是运行于 MaaS 底座之上的业务连接与任务编排能力（见图 1）。

图 1 工业数字化服务范式演进路线图

从政策推力看，行动方案提出的平台数量、设备连接数等量化目标，以及工业数据筑基行动对高质量行业数据集与工业智能体的部署，都指向“数据增值、模型智能”的新赛道。范式迁移不是概念更替，而是工业数字基础设施价值重心的整体上移。

3 体系架构：本体-MaaS 底座-Agent-Skill 的协同运行逻辑

3.1 四个角色的定位与边界

在体系层面，四个角色的定位必须厘清：MaaS 底座提供大模型、机理模型的算力与推理能力，是底层计算供给；工业本体提供可信工业事实、实体关系、时序状态、业务约束，是 Agent 理解业务上下文的语义基准；AI Agent（工业智能体）作为连接器，读取本体的业务上下文，接收业务目标，做任务规划与子任务拆解，调用 MaaS 底座的模型推理能力，再调度 Skill 完成实际动作；Skill（工业技能集）是 Agent 可调用的最小原子执行抓手，用来完成本体查询、系统接口调用、仿真调度、消息推送等具体操作。

四者边界清晰、职责互补：本体管“事实与规则”，MaaS 管“计算与推理”，Agent 管“理解与编排”，Skill 管“动作与执行”。

3.2 完整协作链路

完整协作链路分为四步：第一步，业务输入目标或事件（质量缺陷告警、工艺变更申请、设备异常）；第二步，Agent 读取工业本体，理解当前业务上下文、实体关系、业务约束条件；第三步，Agent 将复杂业务目标拆解为若干子任务，调用 MaaS 底座中的大模型或机理模型完成推理、分析、文本生成；第四步，Agent 调度对应的 Skill 技能集执行原子动作，包括查询本体、调用仿真引擎、读写业务系统、生成报告、推送告警。

链路中嵌有两道安全闸门：所有输出结果、拟执行动作回传本体做规则校验，拦截违背工艺、安全约束的行为；涉及工艺变更、批次处置、参数修改等高风险业务，强制触发人-在-回路人工审批，Agent 不可直接执行高危操作。这一设计背后的工程启示是：脱离本体约束的 Agent，即便拥有 MaaS 大模型底座，依然会产生工业幻觉；Agent 不是万能黑盒，它的理解力来源于本体提供的业务语义上下文。

3.3 典型工业场景：七类工业智能体与Skill技能集

上述架构已在典型工业场景中形成可落地的智能体形态。表 1 列举了七类工业 Agent 及其配套 Skill 技能集与业务价值，覆盖质量、设备、工艺、供应链、售后、排产六大业务域。

表 1 工业智能体典型业务场景示例表

落地提示：上述 Agent 与 Skill 不要求企业一次性全部开发完成。阶段二企业优先落地 1—2 个高价值 Agent（如质量根因排查智能体）；阶段三企业再逐步扩展全套智能体矩阵。Agent 依托 MaaS 底座运行，但必须绑定工业本体获取业务上下文约束，脱离本体的工业智能体极易产生幻觉，不可直接用于生产关键决策。

4 融合演进：本体、世界模型、具身智能、工业大模型的分层互补

4.1 本体与工业世界模型：语义内核与物理机理的分工

本体与工业世界模型的关系，本质是“语义内核×物理机理”的分工。工业本体是工业世界模型的语义内核，定义实体、关系、业务规则、行动约束；工业世界模型在本体之上叠加多物理场、多学科机理仿真计算。分工边界是：本体负责业务对象、业务因果、业务约束，世界模型负责物理机理求解，二者协同支撑 What-if 推演仿真。世界模型的仿真算力，可以封装为服务纳入 MaaS 底座，供上层 Agent 调用。

这意味着世界模型不是本体的替代品，而是本体语义之上的物理仿真增强层；本体也不负责物理求解，二者各司其职、共同构成推演能力。

4.2 本体与具身智能：动作边界约束

本体与具身智能的关系，本质是“动作边界约束”。具身智能包括工业机器人、协作机器人、巡检机器人等物理执行载体。完整链路是：Agent 接收业务目标→读取本体上下文→调用 MaaS 底座模型推理→调度 Skill 输出动作请求→本体校验工艺与安全约束→人-在-回路人工审批通过后，下发到具身智能装备执行。

本体对具身智能的核心价值，是约束其动作边界，避免脱离工艺约束盲目作业。无论硬件技术如何迭代，高危生产动作人工确认的安全原则长期不可取消。

4.3 本体-MaaS 底座-Agent-Skill-工业大模型的完整协同

本体-MaaS 底座-Agent-Skill-工业大模型的协同关系可以完整表述为：MaaS 底座承载工业大模型、各类机理预测模型，提供推理与运算能力；工业本体提供可信事实全集、业务规则、安全约束，为 Agent 提供业务上下文，校验 Agent 与 Skill 的全部输出与动作，抑制大模型幻觉；Agent 作为连接器，接收业务目标，依托本体理解业务上下文，拆解多步子任务，调用 MaaS 底座的模型能力；Skill 封装原子执行能力，完成本体查询、仿真调用、业务系统读写、消息推送等操作。

完整工作链路为：业务人员提出业务目标或系统产生事件告警→Agent 读取工业本体获取业务上下文与约束→Agent 拆解子任务，调用 MaaS 底座中大模型或机理模型完成推理运算→Agent 调度各类 Skill 执行原子操作（查询本体、调用仿真、访问业务系统）→返回结果交由本体做事实、规则校验，过滤违背工艺安全的输出→高危动作触发人-在-回路人工审批→将报告、线索、告警反馈业务人员（见图 2）。

图 2 本体-MaaS-Agent-Skill 融合体系架构与协同链路

由此可以形成融合演进的基本判断：面向 2030，多项技术不是互相替代，而是分层互补融合；工业本体是整套体系的语义事实与约束内核，MaaS 是模型计算底座，Agent-Skill 是上层业务连接与任务编排能力，世界模型与具身智能分别是机理仿真层与物理执行层。

5 空间拓展：从单厂本体走向产业链全域本体协同

5.1 2026—2028 现实路径与 2030 演进目标

单厂本体建设只是起点。2026—2028 年的现实落地路径是：上游供应商仅输出元数据摘要，不强求供应商部署完整本体平台；面向 2030 的演进目标是产业链全域本体协同。

需要澄清的是，产业链本体协同不等于强制全部企业建设完整本体平台，其核心是建立本体交互协议、标准化元数据交换规范。主机厂本体与配套企业本体之间，在保障企业数据主权、保护商业秘密的前提下，完成受控实体映射、有限元数据交换。

5.2 三条关键设计

产业链协同要实现的直接价值，是真正穿透式质量追溯：主机厂发生质量异常，经过授权后可调取上游供应商本体中的工序、设备、检测元数据，而不仅仅接收一份最终检测报告。

这里有一条必须守住的边界红线：产业链全域本体协同不等于原始全量数据无差别打通。各企业原始生产数据保存在本地，只交换脱敏、授权后的本体元数据。这条红线同时回答了“数据主权”与“商业秘密”两个敏感问题，也是产业链协同能否获得企业信任的前提。

5.3 政策呼应与分阶段原则

政策层面，工业数据筑基行动鼓励建设行业可信数据合作联合体，为产业链本体协同提供了政策土壤。但落地依然要遵守分阶段原则：阶段一、阶段二企业优先夯实单厂内部数字化与本体试点，不要盲目追逐宏大的产业链协同目标。先有单厂语义底座，才有产业链受控共享，次序不可颠倒。

6 生态竞争：国产化工业本体全栈生态建设的窗口期

6.1 海外对标

当前海外已经形成以 Palantir Ontology 为代表的本体平台，并配套类似 Agent-Skill 的任务编排能力体系——Palantir 的 Action Types 本质就是面向工业的 Skill 能力抽象；西门子、空客也已经落地大量面向制造场景的智能体应用。

这一态势的风险在于：如果国内工艺知识、工业规则沉淀在外部系统，将违背信创与工业安全可控要求。标准、模型模板、技能库的竞争一旦分出高下，后发者将付出高昂的切换成本。

6.2 国产化五层能力体系

面向 2030，国产化工业本体全栈生态需要完整覆盖五层能力：一是硬件-基础软件层，包括国产 CPU（鲲鹏、飞腾）、国产操作系统（麒麟、统信）；二是数据库底座层，包括国产时序向量图数据库，适配工业场景时序-图混合复杂负载；三是平台工具层，包括国产本体建模平台、Schema 版本管理、规则引擎、推演沙盘调度组件；四是服务与应用资产层，包括行业预制本体元模型库、MaaS 模型服务底座、行业 Agent 模板库、工业 Skill 技能组件库（离散制造、流程制造、军工、钢铁、烟草等行业资产沉淀）；五是标准-人才层，包括工业本体、工业 Agent/Skill 相关国家标准、行业规范，以及复合型人才培养体系。

五层能力缺一不可：底层不自主，上层资产就缺乏安全底座；上层无资产，底层平台就缺少价值出口。

6.3 “时不我待”的现实判断

这里有一个紧迫的现实判断：国内大量企业还处在阶段一、阶段二补齐基础数字化，但技术标准、行业模型、Agent/Skill 资产的竞争已经提前展开。不能等待全部工厂完成数字化之后再建设上层生态。正确的策略是坚持企业落地实践与上层生态建设并行推进：一方面引导企业按 L1-L2-L3-L4 实事求是分阶段建设工厂本体；另一方面同步布局国产化本体平台、行业本体模板、MaaS 底座、Agent 与 Skill 组件资产、标准体系，抢占下一代工业数字基础设施主动权。

7 必须正视的风险与现实约束

7.1 企业成熟度约束

第一重约束来自企业成熟度。大量制造企业基础采集、主数据标准化尚未完成，MaaS 底座、Agent、Skill、世界模型不能强行大规模上马。具体而言：阶段一企业严禁触碰本体与 MaaS 智能体；阶段二企业只可做少量 Agent 小场景 POC 试点；阶段三企业才适合规模化部署 Agent 矩阵。成熟度判断可参照智能制造能力成熟度模型（GB/T 39116-2020）、数据管理能力成熟度评估模型（GB/T 36073-2025，DCMM 2.0）与智能工厂评价通则（GB/T 46734-2025）等现行标准开展自评。

7.2 工业数据安全合规约束

第二重约束来自工业数据安全合规。DaaS/MaaS 模式下大量工业元数据对外提供服务，须严格遵循《工业和信息化领域数据安全管理办法（试行）》（工信部网安〔2022〕166 号，自 2023 年 1 月 1 日起施行），落实数据分级分类、脱敏、访问权限管控；军工涉密企业，Agent、Skill 禁止无管控向外输出涉密本体元数据。数据越开放、安全设计越要先行的矛盾，在产业链协同场景中尤其突出。

7.3 复合型人才缺口约束

第三重约束来自复合型人才缺口。懂工业工艺又懂本体、Agent、AI 的复合型人才供给不足。行业预制 Agent 模板、Skill 组件库可以降低落地门槛，但不能完全替代业务工艺专家的参与评审。本体建模的质量，最终取决于建模者对工艺语义的理解深度，而非工具本身。

7.4 安全底线约束

第四重约束是安全底线，也是最不可妥协的一条。Agent、Skill 输出仅作为辅助决策建议；工艺变更、批次处置、设备参数调整等高风险业务，严格执行人-在-回路，严禁智能体全权接管高危生产作业。这与“技术永远服务业务”“机器辅助人而非替代人”的根本立场一脉相承：本体可以推理线索、推演风险、输出建议，但工艺变更、批次处置、重大生产决策，人拥有最终审批权。

8 结论与行动建议

综上，本文形成如下核心判断：工业数字化正从“工具交付”迈向“语义底座＋模型底座”时代；本体是语义事实与安全约束内核，MaaS 是模型计算底座，Agent-Skill 是业务连接与任务编排层，世界模型、具身智能、工业大模型与其分层互补而非互相替代；融合落地必须服从企业成熟度分阶段、人-在-回路与数据安全三条现实约束。

据此给出面向三类主体的行动建议。

对制造企业：立足成熟度分阶段推进，不追逐名词、不盲目上马。阶段一企业先补齐自动化、采集、基础业务系统与数据标准化，不要碰本体；阶段二企业完成系统集成，从1—2 个高价值局部本体场景 POC 试点起步，质量根因排查是首选场景；阶段三企业再建设全厂统一本体底座并规模化部署 Agent 矩阵。全程坚持人-在-回路，把工艺变更、批次处置等高风险动作的最终审批权留在人手中。本书配套的调研问卷、本体元模型模板、POC 验收指标与 ROI 测算表等实操工具箱，可作为企业落地时直接修改使用的起点。

对行业生态建设者：加快本体交互协议与标准化元数据交换规范的研制，围绕离散制造、流程制造、军工、钢铁、烟草等行业沉淀预制本体元模型、Agent 模板与 Skill 组件库，积极参与行业可信数据合作联合体，让中小企业以低成本接入产业链本体协同。

对政策与标准制定者：并行推进国产化五层生态与标准体系建设，将企业落地实践与上层生态建设同步布局，抢占下一代工业数字基础设施主动权；同时完善工业数据分级分类、脱敏与跨域流通的合规规则，为 DaaS/MaaS 与产业链协同提供制度确定性。

本文基于专著章节素材与公开政策文件核验形成，属于技术趋势研判，未开展企业层面的实证统计；文中政策量化目标以官方发布口径为准。