2025 年 1 月 10 日，人工智能赋能未来工厂论坛 —— 以 AI 之光，点亮未来工厂，在上海浦东软件园举行。诸位行业新星参与论坛。
01 联宝电子
联宝电子科技 路楠路总分享人工智能在制造领域的应用，首先关于公司，目前是超过了千亿产值，2011 年成立，2023 年被评选“灯塔工厂”。其次是成就，联宝可以达到，8台中一台设备是出自于联宝。
联宝分享产能，疫情期间，最高峰可以达到连续生产 22000 人。
联宝多元化业务，一是 PC 端产品，自己生产制造；二是服务器业务；三是智能设备解决方案。
这里路总分享他们一天能出 20 万台设备 —— 不知道有没有听错。还有业界的 885 工厂。平均每天承接 8000 个订单，而其中 80% 以上规模都少于 5 台。
还有业界的专业知识，物料，一台电脑，有 3400 个物料。于是，【离散制造】应运而生，就是把所有组件拆分，分开制造来降低成本，提升质量。这些信息，针对非本行业的人，是参考他们的【降本模式】。
在制造突破方面，提出：柔、敏、质、创。术语，CDQ，Cost，Delivery，Quality。
一个 Round，称为订单到工厂制作流程，那么 AI 改变了什么？原来是 20 多人参与，4 个小时的流程；现在可以做到无人，5 分钟完成所有环节。
我们这样来理解，AI 赋能的【条线打通】，其含义是，针对人力资本这一块，做到“人”、“技”、“岗”，三个系统条线汇聚成同一个数据集，即数据宽表。这个时候，由系统自动分配其作业流向，和财务系统关联，直接核算成本，可以做到成本高效。举个例子，换部门的时候，可以做到更换核算方法，这样的话就信息流和资金流无缝地衔接到一起。
绩效管理，按灯操作，就是拉警报操作。原来的话，拉警报操作由领导来解决问题，其实，当你业务扩大的时候，人力资本不是线性扩大的。因此，在自动化上线之后，是把风险前置，加以 AI 辅助判断。这个拉警报操作也是 AI 赋能的。
研发到制造这个过程。原来流程，现有图纸，再有建模文件，现在从图纸到建模文件，少一个步骤。这个步骤的工作量，由 AI 补上。
订单交付流程打通，这部分的 AI 系统，作用是使得质量检测更加严格，不合格的成本变高，而且容易识别差错。
IT/OT 打通，术语“对齐”，事实上是找流程断点，哪里错了可以对齐找错，使得找错变得更加有效率。原来 1 小时的工作，现在可以缩减 5-10 分钟。
用大语言模型，打通专业知识，建立知识库，解决信息孤岛，和知识不融通。
内部到外部打通。
02 中信泰富
第二家企业。江阴兴澄特种钢铁有限公司，隶属于中信集团，简称“兴澄特钢”。
现在很多传统工业都应用 AI+ 去做一些产能的增效，中信的数字化转型，总结为（我们的资讯定义为增加大家聊资）：
2010 年，企业打基础。
2020 年，被评选为“灯塔工厂”。特钢行业首个“灯塔工厂”，制造智能，其中，4-5 个流程加入了 AI 自动化管理。这里要注意，要 AI 赋能，首先要完成自动化，先进工厂直接做 AI+，相对落后，先要做到全自动化。AI 是帮助自动化更加精细，需要人手的地方，使得工作质量尽量提高。
兴澄特钢对接 SaaS、PaaS，使得数据覆盖度增加 30%，效率提升 20%，流程数据上云。
兴澄特钢和麦肯锡在数字化转型方面，有较深的合作。
接着，关于“轧钢高效制造”，赋能流程包括 加热、杂志、冷却、优化。其中，由冷却减少了诸多步骤。结果是，合格率提升 15%，热处理交货周期，缩减一半。AI 使得很多作业，黑箱透明化。例如，供水，做到 AI 精细计算，弹性提供，成本下降了 30%。
效果，产能增加 14%，利润增加 20%，供水降低 30%。
这里介绍一下，“灯塔工厂”的评选，出自于达沃斯经济论坛，与麦肯锡有深度合作，也是“世界上最先进的工厂”。全球 13 家工厂，中国 6 家。
03 施耐德
年轻帅气的业界新星，徐辰皓作了分享。
8万名员工，覆盖全球供应链，Gartner 排名第一。
效率提升 10%，能耗下降 15%。
要做 AI 先做产线自动化，自己先自动化。再部署算法，即 AI 转型。
量和质到位，数字化转型。
打造 AI 生态圈，与各家专业机构合作。
使得 AI 定制企业可持续发展方案。
效果，达到模型、数据、物理设施的统一。
AI 引擎全链路的含义，数据治理-模型开发-运营维护-AI 应用。
应用一：BI 到 AI 转型
举个例子，现在工厂里的维修工程师，在维修的时候，都会佩戴 AI 眼镜，有点类似于谷歌眼镜。这样的 AI 眼镜其实是和背后的多模态知识库相匹配，达到专业知识上的对齐。
最早开始关注到多模态机器学习是看到Jeff Dean在2019年年底NeurIPS大会上的一个采访报道，讲到了2020年机器学习趋势：多任务和多模态学习将成为突破口。
原话：
VentureBeat: What are some of the trends you expect to emerge, or milestones you think may be surpassed in 2020 in AI?
Jeff Dean: I think we'll see much more multitask learning and multimodal learning, of sort of larger scales than has been previously tackled. I think that'll be pretty interesting.
因此多模态的含义是，多个模型，也就是现在大小模型合用的应用场景。
应用二：工业机器人、工业软件的使用
对于施耐德来讲，徐总分享了自己的一些体会，实则是用更加领先的思维，来引领或者考察自己的工作，以提升竞争力。
例如，一家工厂被列入“灯塔工厂”，什么配备呢？28 人团队，年产值 50 亿，使得多流合一。
再如，英伟达 2020 年订单激增，施耐德其中一家工厂专做英伟达订单。AI 赋能点在于，预测订单量。降低生产周期，交付周期降低了 20%。
其他还有，人工操作车间的 AI 应用。例如，一是 360 度捕捉工人操作情况，是否符合标准。二是精准动作捕捉。三是借鉴国外工厂管理经验，例如，使用 AI 进行实时翻译，进行智能共享，这样的话，核心技术人员就无需再次复制一遍知识库。
AI 赋能对设备人力的缓释，达到 50% 以上。
04 工业富联
05 黑湖科技
上午最后一场分享，黑湖科技，似乎是上午场唯一的乙方。
首先，作为乙方，先得知道工厂场内的情况，人，机器，物料。这些都是建模对象。产品就是做图像识别，成本是原来选图的 0.1%。
其次，自己开发了大语言模型，对话大模型的准群率达到 99%。
再者，用数字降低处理单量的规模。比如，玩具项目。原来的话，2-3个月完成玩具的建模，现在，可以实现 15天 就完成玩具建模。
分享者肖哲肖总还是个很“网红”的工程师，大家可以搜索肖总的视频资料，保持学习。
下午分享
06 格创东智
每年 10亿多产能，行业中地位较为显赫。
分享者在行业里待了十年，具有十多年的工业智能解决方案的经验。但是他认为，十多年来，行业变化并不是很大。
目前的问题，业务，流程，数据，打通得也比较少。从系统的反馈来看，核心问题，可能还是数据问题。
目前有的问题，数据质量差，生产过程复杂，系统间断点多。提出的方案，数据协同，多系统协同，单场景协同。
AI 到 FDC，是静态到动态的升级。工厂能耗优化，省点5-20%，投资回报 2-3 年。比较关注的是，能耗是否能满足生产力要求？
例如，商业超市项目，一是对于一个小超市而言，能耗、物业都是高成本的，加之生意和收入有限。二是部门无法定位问题，例如商品的温度控制发生较大波动。如果只是降温还解决不了，再部署新方案。三是如果部门之间矛盾，真的很难以沟通，就找咨询。
例如，智能中枢项目。一是多系统协同。上海城市大脑，就存在两个供应商不协同问题。二是能力平台化的升级，以及工业软件结合。三是大小模型结合使用。
07 君实生物
08 博世
博世在思考 AI 问题的时候，比较高屋建瓴。
600 投资，其中 100 亿投资在技术上。
自己数字化转型，硬型与软型结合。产生了什么效果？
一是，零部件制造，原来 36 个月，现在缩减到 16 个月。从开发到落地，有 3000 多个基地。
数字化转型统一化，到互联网化。
组织文化方面，是 top down 结构的，制造厂所有运营单位敏捷管理。规定，回收期 1 年。如果回收时间太久，则不会受到资本青睐。
AI 快速解决问题，数据分析。例如，手势识别，一般应用于 3-4 个场景，nlp 认知智能。
再如，ChatKPI，大模型作系统预测，小模型作精细分析。
最后关于无代码/轻代码建模，例如，条线 26 个，料号 1.6 万个，模型精确到每个小时预测。
09 三一重工
集团下三家上市公司，数字智能化，即数智化要从制造、运营两方面切入。应用，就是 IaaS，PaaS，SaaS。
全球重工之家，灯塔工厂，韶山叶片工厂。
故障降低 39%，减少本金 50 亿元。
强自适应算法，大面积替代、彻底改变，每个条线配备数字助理，与员工协调。
保证专业人士具有通用知识库，200 个以上数据应用产品。在这个过程中，AI 消耗的成本，远小于 ERP。
圆桌分享
人工智能工业应用方面，工业大模型如何应用？
全生命周期运营，全链路落地场景很多。
产供销打通，信息打通。注意，1月9日主要是大工业应用，因此，主要关心的是，每一个纵向流程，每一个横向流程是否能共享。
我们应该关注以下问题：
针对中小企业，能不能提供订单？能不能降低财务成本？
三一重工，agent 用以作为每个人员助手，目前已经开始试点，例如，chatBI 试点。
金常飞 库帕思科技
企业做模型的时候，放入太多数据，使得模型无法准确识别，这个时候原本的目的难以达到，所以，库帕思关注的是，语料的准确性。
处理nlp语料，需要专业知识，只有数据专业处理的时候，才有更精准的模型。这里我们可以理解为，具有更多人才需求。
数据结合专业场景处理，结合分类方法，结合场景和应用。
优化语料的专用性方面，可以考虑从【输入模型】入手。这个时候，从通用和专用两个角度切入。
谢孟军 积梦智能
工业大模型的机遇在哪里？谢总分享，大模型的存在，提升工程师效率十倍至二十倍。
目前的发展而言，工业大模型的底座能力，达到临界点。
徐晓卓 海辰储能
目前所有 SaaS 都可以用 ai 再做一遍，注意这句话是原话，说明 AI 和原来自动化之间的关系。这部分就是机遇和应用场景。这是否意味着有“替代”关系？
需要有体系地创造这个转型，这句话怎么理解？发展而言，并非是技术到位，应用到位，而是原来人工分工的事情，由 AI 承担的时候，责任怎么分配呢？如何制定责任边界，是个议题。例如，目前流行的应用是客服和运维工单体系，在这过程中出问题的话，是谁来对这些问题负责并清理。我们要坚信，追责不是为了指责某人，或者责备某人，追责是为了把问题解决。
AI 有哪些突破进展？
商业模式改善，大模型投入产出是巨大的。
王永宗 浪潮云洲工业
工业大模型是个生态圈的建设，远远超出了模型本身。因此，诸多中小企业的机会，可以从哪些点切入？可以做哪些工作？
王总认为，针对 LLMs 而言，语料越来越重要。
有人输出数据，有人输出落地技术能力，或者有人只输出算法。至少这显示，王总理解的大模型布局。
针对中央企业服务的 AI 应用，服务种类比较多。其实，就是细分比较多，因此，完整的、通用的，很可能就是瓶颈难点和机遇。
生态构建很重要。机遇在哪里呢？
例如，数据智能、数据分析、大模型不熟、应用，未来都有很大的机遇。大家都在讨论，人工劳动可能会被取代，这是什么含义？换言之，现在都不太愿意招聘专业的工程师，或者需要能写代码的综合性人才，因为综合性人才懂业务、写代码，成本低。其实，工程师的效率，还取决于谁能提出更加准确的问题。
如何评价出工业语料？
金常飞金总回答道，语料往往和企业经营相关，业务决定输入，然而，企业是不会乐意透露商业机密。针对这些挑战，开发了『数据不出域』的产品，或者定出这样的规则。企业把数据放在一体机，本地化加工，发挥出各地本地数据的价值。
一体机是部署过以及开发的很多其他组件。
总结
徐总
大模型部署应用，必须是合作共赢，包括新技术、核心领域共同延展。标准优先，有标准之后，事情更容易达成。
各个生态的建立，也是非常关键的。
王总
从合作角度讲，必须从三个方面了解 AI：商业，技术，立法（规则）。不像甲乙方这种合作模式，AI 赋能必然是多方参与。 并且，规则有别于技术规则，并非触发条件，而是立法上就规定好，什么能干，什么不能干。
把自己擅长做到最好，做到国家标准，或者行业定标准。
金总
合作共赢。关于企业参与语料库建设，可能是近期目标。企业是生产商，也是使用者。鼓励企业积极加入语料使用。
标准化建设，发布了六个行业标准，其中和工业相关的，是语料实施指。公司业务也包括，指导企业快速拥抱大模型。包括基模评测，通过标准化，推进落地。
9225
沪公安联网 31011502019103