在制造业的研发、生产控制、供应链优化和售后服务等多个环节中，普遍存在数据孤岛、反馈滞后与知识沉淀不足等问题。这导致研发周期长、生产波动大、供应链协同不足以及售后响应不及时，制约了整体效率与质量提升。为此，我们探索了在不同场景中引入 AI 的方法，包括计算机视觉在质量检测中的应用、智能参数推荐在工艺控制中的落地、小样本学习结合专家反馈的异常检测方案，以及基于知识图谱的智能问答在售后知识管理中的实践。通过数字孪生、可解释AI与跨部门数据治理，我们逐步形成了人机协同的质量与效率优化路径。实践结果显示，这些方案不仅降低了生产损耗与质量波动，还提升了供应链和服务的敏捷性，为制造企业的数字化与智能化转型提供了可复制的经验。

演讲提纲

1. 问题背景

制造企业在研发、生产、供应链和质量管理等环节普遍存在如下问题：

• 数据孤岛与反馈滞后
• 调整依赖人工经验，缺乏一致性
• 知识碎片化，缺乏结构化沉淀

2. AI 应用切入点

• 研发环节：基于数据与知识图谱的工艺研究与创新
• 生产控制：计算机视觉质量检测、参数推荐与异常检测
• 供应链优化：智能计划与动态仿真，实现跨基地协同与利润提升
• 质量管理：数字化与 AI 结合，形成事前/事中/事后全流程闭环

3. 技术路径与方法

• 数字孪生与实时监控，支撑早期干预与动态优化
• 小样本学习结合专家反馈，逐步提升模型可信度
• 知识图谱与可解释 AI，确保与工程逻辑对齐
• 跨部门数据治理与标准化，打破孤岛、形成统一认知

4. 实施过程与经验

• 从小范围试点到跨部门协同的演进路径
• 数据治理、算法迭代、文化推动三位一体
• 踩坑经验：标注不足、数据打通难度、模型与业务逻辑对齐

5. 成果与价值

• 质量波动与物料浪费显著下降
• 供应链协同与响应速度提升
• 质量管理从被动统计转向主动控制
• 形成可复制的智能制造应用路径

6. 总结与展望

• AI 在制造业价值不止于单点优化，而是通过数据、模型与知识的结合，推动全链路效率与质量提升

您认为，这样的技术在实践过程中有哪些痛点？

• 数据质量与上下游脱节
  • 【实践痛点】
    • AI 推荐准确性强依赖于过程参数、图像质量、称重数据的及时性与一致性
    • 但在生产制造的场景中，数据获取的成本较高，尤其是负样本非常困难
  • 【Tradeoff】
  • 若要求数据 100% 规范才启动 AI，会使项目长时间“数据清洗内卷”，错失快速部署的窗口
  • 若容忍部分数据缺陷上线模型，则需设计出异常回退机制，例如“低置信度参数建议需人工复核”
  • 我们无法允许“精确的错误”，可以先部署“模糊的正确”的模型，然后逐步迭代到“精确的正确”

演讲亮点

• 我们的 GenAI 不是外挂，而是流程中的原生工位
  • 很多制造企业在谈论大模型应用时，容易将 GenAI 当成一个“外部知识助理”来使用——比如放在售后客服端，做个对 FAQ 的增强问答。但这类用法，往往只是把 GenAI 作为一个“聪明一点的搜索引擎”，它和流程之间是隔离的、可有可无的
  • 我们的实践选择了一条更难但更扎实的路径——将 GenAI 嵌入业务流程的原生节点中，让它和人、系统、数据一起协同完成复杂任务。在售后维保场景中，GenAI 不只是回答“这是什么故障”，而是参与生成结构化的维修卡片、解析设备知识图谱、调用专家调度逻辑、推理出可能缺失的工艺条件，甚至能在联合会诊中为作战室提供自动报告。我们不是用 GenAI “包一层皮”，而是用它去“补业务流程的骨头”
  • 换句话说，我们不是把 AI “集成进系统”，而是让 AI 成为系统本身的一部分
• 我们不是在控制一个指标，而是在控制一个动态联动的系统结构
  • 在多数制造场景中，AI 系统往往被用于调节某一个“看得见的问题”，比如颗粒重量偏轻、库存不足、工艺异常等。但在我们接触的多个真实案例中，问题从来都不是局部性的 —— 一旦介入生产流程，你会发现，任何一个参数的调整，其实都是牵一发而动全身的操作
  • 比如，在食品涂层控制中，糖浆的喷涂量影响的不仅是颗粒的重量，还会影响外观质量、后续干燥时间和物料消耗。在不同阶段对不同参数进行调节，会产生交叉耦合效应。我们必须建模这种“阶段-参数-质量指标”的多变量联动机制，而不能只根据“偏重就少喷糖浆”这样的单点逻辑做推荐
  • 类似的，在造纸行业的供应链优化中，客户期望根据港口原料价格的实时波动动态更改 BOM 配比。但这看似是采购决策，实则背后牵动的是产线匹配、生产速率、成品结构、运输路线、最终毛利等一整套复杂联动结构。一个看似简单的“调一下配方”，如果没有系统级AI建模来评估联动效应，极有可能在某处制造瓶颈或额外成本
  • 在这些场景中，我们不再将 AI 控制建模为“调一个值让一个指标更好”，而是建模为系统变量之间的因果图谱与反馈回路。也就是说，我们的AI不是用来优化一个点，而是用来保持整个系统结构的稳定性和经济性。这就是我们在实践中比传统方案更进一步的地方 —— AI 不仅要能看得见偏差，更要能理解调整某个参数之后，其他变量将如何联动演化

听众收益

• 了解如何构建“可部署、可反馈”的 AI 控制系统，而不仅是离线建模
  • 很多技术人都有过“模型训练得不错，但落地困难”的痛点。你在多个制造场景中展示的 AI 系统，都包含了参数建议机制、操作员交互逻辑、采纳与否的反馈路径，构成了一个闭环式可进化系统。这对听众有重要启发：AI 落地不能只是模型上线，而是构建一个能与人/系统互动、不断迭代优化的控制结构。
• 了解如何将 AI 从“辅助插件”升级为“原生节点”，嵌入业务流程核心
  • 在售后问答与供应链优化的案例中展示的不是“把 AI 加进来”，而是“用 AI 重写流程节点”。这对技术人员提出了一个新的设计思路：GenAI 的价值最大化，不是从边缘开始，而是从最影响人决策和知识传递的环节切入。这让人重新思考：在自己负责的系统中，有哪些流程环节其实最适合原生 AI ？是不是那些需要高频判断、强知识结构、但又反复靠人工处理的节点？