随着人工智能技术的不断发展，大型企业在推进 AI 应用过程中常常面临一系列内部障碍，例如缺乏统一规划、数据孤岛、部门协作不畅以及员工抗拒等，这些因素都严重阻碍了 AI 的落地与推广。唯有从组织层面系统性地解决结构性障碍，企业才能真正释放人工智能的战略潜力。本次演讲将分享已在多家跨国企业成功应用的方法，有效提升了 AI 项目的实施效率与业务价值。

演讲提纲

1. 组织层面挑战

• 缺乏清晰的战略与愿景
• 数据孤岛与薄弱的数据基础设施
• 人才缺口
• 变革管理阻力
• 遗留系统与技术债务
• 跨部门协作不畅
• 道德、监管与合规方面的顾虑
• 投资回报与商业价值不明确

2. 装备制造行业的 AI 应用实践

• 行业特有的背景与痛点
• 落地路径：从试点到规模化
• 案例拆解
• 成功经验与踩过的坑

3. 其他行业对比与补充

• 化工行业
• 制药行业

演讲亮点

• 我专注于解决大型企业在采用人工智能技术过程中所面临的挑战，而不是分享某一个具体的技术方案。

听众收益

• 技术人员通常认为，只要技术本身足够优秀，他们的解决方案就会被采纳。但这种看法并不正确。很多时候，技术未被采纳的原因来自于组织层面，而非技术本身。因此，技术人员有必要理解那些导致解决方案在市场上失败的非技术性原因。

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？

团队从 2019 年开始探索深度学习驱动下的工业控制体系创新，尤其是 AI-MPC 的应用探索，收获很多，落地效果也很显著，但是大规模复制的问题非常突出，尤其是在不同行业工艺快速学习融合下的数据整理/特征工程建立等早期工作上，以及复杂工艺场景下多节点协同控制的问题。我们前后尝试了大预言模型对工艺解读和特征工程方面的增益，以及时序基础模型对部分单工艺段和公辅系统的控制增强。整体感觉有实际帮助，但是道路依然很长远。

演讲提纲

1. 背景

• 传统工业控制的发展与瓶颈
• AI 与工业控制系统的结合演进

2. 早期实践经验与问题反思

• 工业 AI（ML/DL）对工业控制的增强与提升，以及过程中的问题

3. 引入大语言模型和时序基础模型的新探索与发现

• 为什么是大语言模型？
• 实践中的增益点
• 痛点与局限

4. 典型案例剖析

5. 未来演进与思考

• 大模型与工业控制的可能路径
• 关键科学与工程问题

您认为，这样的技术在实践过程中有哪些痛点？

• 大语言模型针对工业专业知识的准确度不够
• 时序基础模型自身的训练元素中缺乏足够的工业源数据，鲁棒性和普适性存在短板

演讲亮点

• 相对而言，更底层一些，更接近车间和生产
• 聚焦于小模型和大模型和工业控制的衔接和碰撞
• 聚焦于生产过程中的工艺提升

听众收益

• 换个视角看到不同的应用可能性
• 提升一下大家带着 AI 进工厂的热情