
CrossnoKaye×AgentCore:工业物理 AI 先统一厂模再在沙箱里算数,调查压到 4 分钟以内
工程工业AgentCore物理 AI沙箱厂区模型CrossnoKaye
一句话结论
工业平台 CrossnoKaye 把统一的厂区模型、控制叙事和历史数据接进智能体 AURA,用 Amazon Bedrock AgentCore 的代码解释器在隔离的微型虚拟机里跑可验证的 Python,把调查从数小时压到 4 分钟以内;边缘侧的确定性一级控制不能被云端人工智能绕过。
打开原文
AWS:How CrossnoKaye grounds physical AI with Amazon Bedrock AgentCore
背景与理念
工业现场不能把控制权直接交给会「即兴发挥」的云端模型。CrossnoKaye 的平台 ATLAS 已经在多家工厂里负责监视和控制,智能体 AURA 要做的是在统一的厂区模型上解释发生了什么、给出可验证的计算,而不是直接改写边缘侧那些必须确定执行的控制回路。
具体做法
- 先统一厂区模型、控制叙事和历史数据,再让 AURA 在这个共同上下文里工作。没有这份共享厂模,智能体看到的只是散落的点位和报警,很难把物理过程说圆。
- 用 AgentCore 的代码解释器,在隔离的微型虚拟机里运行可验证的 Python。聊天类交互会复用已暖机的会话;任务和例行作业则每次使用一次性的干净沙箱,避免上次计算的中间状态污染下一次。
- 边缘侧的确定性一级控制不能被云端人工智能绕过。智能体可以调查、解释和建议,但不能越过这层已经在现场验证过的控制逻辑。
关键数据/例子
ATLAS 平台覆盖 100 多家工厂、1.3 万多项受控资产,拥有 22 万亿个机读数据点,每天摄入超过 500 亿条数据,并运行 1000 多项先进过程控制;吞吐提升 11% 到 17%,能耗下降 21%,每天完成 65 万次闭环动作。在此之上,超过 5000 个人工智能代理盯着 1 万多项资产;调查时间从数小时压到 4 分钟以内;干燥批次的标准差下降了 34%。
创新点
第一,把物理 AI 的可靠性建立在「统一厂模加隔离沙箱算数」上,而不是让模型直接输出一个控制指令。第二,明确云端智能体和边缘确定性控制的边界:前者负责调查和计算,后者对现场执行保有最终决定权。
可否复用
- 先有一份统一的领域对象模型和控制叙事,再让智能体在这上面工作,否则它很难把报警、历史曲线和操作手册对上号。
- 把计算放到隔离沙箱里跑可检查的代码,聊天复用暖会话,任务和例行作业则用一次性干净环境。
- 涉及安全或稳态的一级控制必须留在确定性系统里,不能被云端模型直接改写。