主题：工业互联网峰会论坛
时间：2025年9月12日下午
地点：北京中关村国际创新中心一楼海慧厅B
内容：
主持人：尊敬的各位来宾、合作伙伴，大家下午好！欢迎来到京东方工业互联网高峰论坛，我是主持人夏子祺。
当前，人工智能技术正加速与制造业深度融合，成为推动产业升级的核心引擎。从智能语音助手到智能家居设备，从自动驾驶到无人工厂，AI已经深刻改变了我们的生活与工作方式。而智能制造更以其高效的生产效率、个性化的定制需求和灵活的生产方式，重塑着制造业的面貌。今天，我们齐聚于此，正是为了共同探讨AI技术在智能制造领域的发展趋势与挑战。
接下来，行业专家与企业领袖们将会带来他们的精彩分享，全面解析“AI+制造”的融合与突破。
首先有请北京中祥英科技有限公司总经理王洪先生为峰会致辞。
王洪：大家下午好！AI时代，所以照片跟别人有点差距是正常的，首先我代表中祥英欢迎栽赃的新老朋友来参加我们京东方2025IPC大会工业互联网论坛，我代表中祥英感谢各位的捧场，感谢各位的莅临，谢谢大家！
我们论坛主题是“AI赋能 智造新生”，我把行业基本信息给大家分享，后面有大咖具体介绍趋势和产品。
首先从国家政策层面来看，实际上中国是特别讲究规划和政策指导的，所以我们从2020年开始，国家就出台了新一代人工智能标准体系建设的指南，到2025年国家出台了一系列跟人工智能相关的指导政策和方针。2025年人工智能+实际上已经连续两年写入政府工作报告，意味着在政策层面国家已经建立了完整的政策体系，而且明确了未来人工智能发展的愿景目标，到2030年人工智能新一代的智能终端智能应用普及率达到90%，到2035年中国将全面进入智能经济和智能社会的发展阶段。大家想想10年之后，我们就进入了智能社会，这是一个多么令人振奋和激动的愿景。
也跟大家简单回顾一下人工智能的发展历程，因为在座很多都是行业专家，对这个都是比较了解的。人工智能的概念第一次在达特茅斯会议上，正式把人工智能概念提出，人工智能也是经历了不同的发展阶段，从最初的逻辑推理到专家系统到机器学习到深度学习到2022年OpenAI推出ChatGPT产品，从技术发展角度来说正式进入大模型时代。而且OpenAI也是对照我们汽车自动驾驶，也是将整个人工智能的发展分成了不同的水平，不同的阶段。正好跟西门子高科技行业的总经理做一个延伸交流，我们之前在西门子创新中心的时候也就人工智能做了一个交流，西门子对整个人工智能发展水平阶段跟OpenAI出奇地一致，这证明行业内领先公司对人工智能发展的认知是趋同的，是有一致性的。
这五个阶段是什么呢？从level1一直到level5，聊天、推理、智能体、创新者和智能组织，现在业内普遍的共识是，我们目前处在从L2推理到L3智能体的过渡阶段，到了L3智能体阶段在复杂场景下人工智能已经可以独立的，不需要人参与的情况下，就可以完成工作。到了创新者的阶段，人工智能不仅能独立完成工作，而且可以进行科学研究，独立进行一些发明创造，推动我们的技术和科技的创新。
到了智能组织的阶段，就是更令人振奋，甚至说令人震惊了。人工智能可以完全代替人类组织的整个活动，具有很强的自主性、创造性和规划性。
但是我觉得，任何一个事物的发展都是两面性的，人工智能给我们带来了令人激动的产品和服务，但是另一面，到了L5阶段的话，如果人工智能能完全代替整个人类组织的活动，那我们人类何以自处？我们可以安于乐于享受创新成果，还是说在一些我们看到的电影中呈现的，人类被人工智能所奴役，或者有一些历史学家、未来学家预言说，从更长的历史维度来看，有可能以人类为代表的碳基生命体的使命就是为了发明、创造、培育以人工智能为代表的硅基的生命，我们除了为人工智能技术发展感到振奋以外，这也是我们人类面对智能社会来临之前需要考虑和思考的问题。
今年在上海举办的世界人工智能大会，将人工智能在各个行业、各个应用场景下落地的难易程度，按照两个象限，第一从技术实现的复杂程度，到这个场景对AI幻觉的容忍程度，划分成了四个象限，大家应用比较多的AI+搜索，属于从技术实现角度来说相对简单，从对AI结果的错误的包容度的程度来说，是属于包容度比较高的，这意味着什么？AI+搜索这个场景相对来说比较容易实现，相对来说比较容易落地。
还有就是AI+视频生成，从技术角度来说，相对于AI+搜索来说技术难度复杂一点，同样对AI的失误、错误容忍度比较高，也是容易比较落地的。
今天我们讨论的主题，大家所处的行业，AI+工业这个领域，大家可以看到，是处在技术实现复杂程度比较高，而且对AI的错误，对AI的失误容忍度非常低的象限，这意味着什么，实际上AI+工业在工业场景落地真正产生价值、真正得到广泛应用的话，实际上还是面临很多问题和很多挑战的。
但是一旦AI和工业和制造业深度融合之后产生的价值也是非常非常巨大的，从业务的角度来说，也是有一个IDC的报告，大家可以看到，实际上到2040年开始，每年复合增长率超过40%以上，全球整个市场规模超过6000亿，中国单一市场规模也是超过1400亿。
从企业数字化智能化转型角度来说，随着AI技术的落地，长期困扰大家一些难以解决的问题也逐渐随着技术发展逐步解决，包括大量的异构设备的接入、异构数据的接入，海量数据融合分析，包括我们决策的实时性，包括制造业一直提的整个生产流程的柔性、敏捷性，都可以随着AI技术逐渐成熟和落地加以解决。今天请到两化融合的闫会长，之后也会就工业智能体企业数字化智能化转型，在企业应用中的价值，给大家做精彩的分享。
我们中祥英也是 基于AI技术的发展和之前一直在打造的低代码平台最新打造了AI+工业的应用开发平台，基于AI+工业的开发平台，我们也对我们三大解决方案，包括工业软件、工业AI、智慧场务解决方案进行安全架构升级，功能架构升级，今天在座了解有一些来自于高校的老师，人工智能时代好多传统工程领域很多不能真正指导我们软件开发了，因为好多代码是自动生成的，好多功能组件是即插即用的，我们基于这种开发趋势，基于很多工业企业的实践，重新构造了软件平台的底层架构，后续我们中祥英的架构师，我们各个产品线的负责人，也会就每个部分的具体功能跟大家分享。
以上就是我一个简短的开场，最后代表中祥英对在座的客户、合作伙伴，对中祥英业务的长期支持表示感谢，谢谢大家！
我还有一个希望，也是希望每年一次的工业互联网的论坛能成为在座各位增进个人感情，挖掘合作机会，实现价值共创的平台，欢迎大家明年来。
谢谢大家！
主持人：感谢王洪先生的精彩发言，为我们阐述了AI在驱动制造业转型升级中的核心价值与战略意义，为论坛奠定了“智造新生”的基调。接下来，北京两化联盟理事长闫同柱先生将会深度分享如何以工业智能体为抓手，推动企业从“卖产品”转向“卖结果”，实现服务化转型与价值重构。有请！
闫同柱：尊敬的王洪总，尊敬的各位领导，各位专家，很高兴受邀再次来到京东方，再分享新的一年，去年分享的感觉，通过去年我们又经过了这一年，我把我在这块我的一些亲身的感受和对未来发展的方向的趋势的一些把握，我给大家做一点分享。
我分享的题目就是：以工业智能体为抓手推动企业从“卖产品”转向“卖结果”转型。当然给大家同时也说一下，我同时也是中国电子信息行业联合会工业互联网工作委员会的秘书长，也是北京两化融合联盟的理事长，实际我们这两个单位现在正在承接承办中国创新创业大赛工业智能体专业赛，实际今天正式上线，9月9号刚刚做了发布，所以，也欢迎在座的各位能够积极参加，这也是国内首届工业智能体大赛，欢迎大家积极的报名，做点小广告。
以工业智能体为抓手，本身来讲这是前不久我们工信部部长李同志提出的，以工业智能体为抓手，深化人工智能的工业应用，专门提出这个，就是下一步工信部的一些活动实际上是很大部分以工业智能体作为核心的一个抓手推动人工智能应用的。
另外，工信部也提出来，把人工智能和工业互联网要深度紧密地融合，来进行融合式发展。因为我在这个领域里一直做，从两化融合开始，数字化转型，工业互联网也担任了几届国家级双跨互联网评审组组长，所以国内工业互联网双跨平台我都比较熟悉，比较了解，知道他们目前做的情况。今年实际上是我们智能体的元年，同时也是我们工业智能体的元年，所以我们围绕智能体展开。
首先，先说一下最近7月份苹果在底特律宣布成立智能制造学院，免费为全美中小企业提供智能制造培训课程，这对我们产生什么样的影响？因为我们可以看到，美国精英层已经认识到，他在传统的劳动密集型的制造产业里想超越中国几乎没有可能，所以他换道超车，他要做相关的一些培训，他不是在培养我们现在产线的工人，他是在培育数万名的，不是几百万的产线的工人，而是培养几万名懂AI、懂数据的AI的工头和数据分析师，更多的是在培养这个方面的人才。所以，培训的内容主要是人工智能、数据科学和工业机器人编程，苹果这么多年，一个是给我们传授了这方面的知识，另一方面，他自己也学到我们的一些东西，形成了他自己的一套供应链管理体系，而且打造成一个数字化AI化的产品。
这个时候他再反哺给美国的中小企业，所以重构供应链，而且是能够自我进化的产业雨林，所以这个对我们也有一个很大的启示，我们的龙头企业实际也需要拉动我们的产业链怎么来尽快进行产业升级。所以中国从2010年成为世界第一，我们已经有15年从工业的制造业的规模来讲，已经连续15年全球第一，支撑我们全球第一的最大的东西是什么？是产业链群，您的产业链群是支撑你这个东西的很大，产业链群的转型和升级，尤其是数字化的转型升级，怎么通过我们龙头企业，我们怎么想苹果学习，怎么推动或者拉动我们中国产业链群的工业智能化转型升级，这也是面临我们非常重要的课题。
我们也知道，我们目前经济下行压力很大，企业的经营难度也很大，有的企业可能也看不清方向，再一个，现在技术创新的广度、深度和迭代速度越来越快，没有创新能力的公司不断的在消退，不断在关门，另外一个，产品越来越难卖，需求端持续疲软，市场竞争白热化，还有市场集中度越来越提升，中小企业生存空间也在进一步受到挤压，现在就是冰火两重天，我们可以看到一类企业日子过得很好，速度增长很快，大量中小企业日子非常艰难，未来下一步中小企业的路径到底在什么地方呢？我们这次大赛其中有一点，大企业双创，就是我们大量的中小企业要尽快地融入到我们大企业整个生态体系里去。还有一个，成本压力的多维度的攀升，利润空间也在持续压缩，另外我们资金链相对比较紧，现在政策也处在调整期和变化阶段，所以，我们的成本、适应能力，另外一个，组织越来越不给力，还有一个，人才，尤其是复合性人才，复合性人才非常重要，通过这几年走过的路，我把自己也变成复合性专家了，本身我的底子是个管理专家，我又在中兴通讯、华为做过通信方面的知识，后面又做两化融合，又做数字化转型，又做工业互联网，又做工业智能体，所以，我已经变成了复合型人才，我会从我复合性人才的视角看未来发展方向和趋势是什么，从这部分的感受跟大家分享一下。
下一步，我作为复合性人才，我来看未来数字经济时代产业到底往哪儿变？我总结了一下大概有八大趋势，第一个趋势，结果经济时代全面来临，因为越是不确定的时候，客户越需要一个确定性的东西。另外一个，我们数字化、网络化和智能化的技术现在越来越成熟，支撑了我们为结果买单的时候它的技术实现，所以结果经济变得非常重要，你不是卖产品了，不是卖产品的功能了、性能了，你现在要帮助企业怎么帮助企业实现他们腾飞的梦想，帮助企业、帮助客户成功。所以我们工业互联网前面走过了一个快速增长的过程，因为我们国家双跨平台，一路跟过来的，快速发展，但是，他们其中有一个问题就是，没有突破，其中有一个没有突破的地方还是当成一个项目在卖，卖了一个项目，卖了一个平台，卖了平台上很多功能，到底这个平台能够帮助客户解决什么样结果的问题实际并没有形成。下一步，我们的工业智能体和工业互联网平台融合在一起，就要和结果经济时代全面进行融合。
第二个发展方向，快准灵时代全面来临，现在我们说确实到了快鱼吃到慢鱼的阶段，速度越来越快。我跟一个汽车厂老总交流，他说原来5年迭代一次，我们现在3年迭代一次，再后来我们1年迭代一次，未来我判断半年可能迭代一次，你跟不上迭代的速度，所以产品一旦换代之后，对产品孵化周期、交付履约周期、财务结算周期、供应链周期、物流周期，全面提出要求，能不能全面跟上迭代的速度，这个东西拿什么来保障呢？数字化、网络化、智能化是实现快准灵时代全面来临最强有力的支撑。还有客户共同体时代全面来临，我们现在为什么说了，我们找不见客户，客户稀缺，我们经营难度非常大，因为客户越来越稀缺了，尤其是我们战略性客户越来越稀缺的时候，你就需要跟客户绑在一起，你不要猴子掰苞米，掰一个扔一个，就像项目制的方式，今天做了这个明天又找另外一个客户，我们恨不得快速能够交付，快速变现，快速离场，这种模式已经不行了，你走了，我们的竞争对手可能跟客户绑死了，你连明年后年都没机会了，所以怎么变成客户共同体，帮助客户实现腾飞梦想，所有企业都要成为客户运营商。
另外一个，自我进化时代的全面来临，大家都在打造自己的核心能力，你会发现你的核心能力现在在技术和需求在动态快速变化的过程中，你的核心能力还能立多长时间？如果你没有快速进化和迭代的能力的话，可能你一个新产品核心竞争力现在的周期，以前能管三年，现在可能能管一年了。还有一个，智能体时代全面来临，这个我后边会再详细讲述。
再一个，产业生态化时代全面来临，因为我们产业在现在经历了7次分工，我们原来有一产二产三产，后面我们按产品计算，你是做电视的，后面我们又按部件，我们京东方是做显示屏的，我们后面还有工序，你是按照工业节奏，你是做铸造的还是做电镀的，后面我们进入知识分工阶段，所以产业分工越来越细的时候，这么多的团队和企业未来怎么协同，拿什么来协同，平台化和生态化的结合带动我们大量中小企业产业链群怎么进行融合，再一个，产业基础设施时代全面来临，就因为我们工业互联网和工业互联网平台的出现，我们产业以前是没有基础设施的，我们只有公共基础设施，但是由于我们的网络化，所以我们都会有一个底座，未来我们所有产业所有工业互联网国家把它定位成新型工业化的战略性基础设施，正是在说明，未来我们的新型工业化实现之后需要有一个底座，就是工业互联网的底座，这个底座代表你是不是新型工业化，你如果没这个底座，你没有工业互联网这个底座就不是新型工业化，这个时代下一步就要构建我们的产业基础设施的建设。
另外一个，平台赋能型自组织时代来临。产业通过七次不断的细化和深化、分工，会形成很多的自组织，就像我们组织里头有很多的铁三角一样，团队会变得很小，这个时候你的组织形态就需要进行转型，所以这是我想讲的我对未来数字经济时代产业变革8大趋势的影响。
结果经济的本质是什么？本质就是客户为结果付费，主要做事德国是几个，第一个就是我们要建立深度的客户洞察机制，明确客户最终想要什么东西，比如说制造业客户的降本30%，良品提升到99%，而不是单一购买一台设备，通过设备对于中视说，我怎么帮助这个设备使成本降低，使良品提升，第二个就是重构价值主张，这是将我们的产品服务与客户具体结果挂钩，我们不是在卖软件，我们是在帮你实现库存周转效率，提升20%，你的话语体系就要变，你不是卖软件，你是帮助客户实际解决哪个问题。第三个，量化结果，用数据来谋定价值，避免模糊的表述，明确做什么得什么，我们的节能方案能帮你省钱，这就是错误的表达，正确表达是，采用我们电机节能改造后，食品厂每月电费降低2.3万元，10个月回收改造成本设备寿命延长3年，就是量化的结果，你要给量化结果而不是给一个说我这个东西就是能帮你增加收入，降低成本，这个东西已经没有用了，我们价值主张表达，通过我们客户痛点的精准定位加结果数字化证明，加合作逻辑透明化，加体验式互动，加信用背书。
结果经济四大核心特征，第一个，以客户结果为导向，第二个，强调价值创造，要形成结果肯定要围绕这个结果做创新，第三个，长期合作，就是跟客户绑定，尤其是你的战略性客户按照要求进行绑定，不要做一个快速交付、快速走人的模式，还有一个，基于结果的定价和收益模式。这个时候你卖的这个东西，你就是从客户的节省成本里做分成，从客户的增量里头做分成，你跟客户是个什么关系，你以前卖的是什么，你以前卖的是成本关系，我们后面卖的是什么呢？后面卖的是投入产出关系，逻辑就变了，客户给你判断的就是，我通过购买你这个东西，最终能产生多大价值，产生价值里将来怎么分成，就变成投入产出概念了。所以客户接受程度会大大提高。
以结果经济底层逻辑是什么？底层逻辑主要是三个，第一个就是价值可视化，消除购买的不确定性。客户常面临买了不好用的风险，而结果付费转化成价值可量化的指标。另外一个就是倒逼企业能力升级，从一个单一产品的提供者，变成综合解决方案的服务商，要做这样一个转型。另外一个，重构我们的商业信任，从一次性交易到长期共生。
工业智能体它的本质到底是什么？我昨天还参加了一个工业智能体评审，我看到他们给的定义，很不满意，我也看到很多的工业智能体的变化，所以我自己定义了一个，也不一定对，但是我自己认为相对还比较清晰或者满意一点的定义，工业智能体就是以工业场景为方向，围绕场景，围绕需求走，第二个，以工业目标为导向，智能体一定最终产生结果的，要不就是帮你提质，要不帮你降本，要不增效，还有一个，我们把工业知识融合我们的新一代信息技术，所以我们IT和OT融合，我们还有CT，我们还有DT，所以未来下一步就是4T融合，AI+4T融合，具备什么呢？我们做完这个东西， 智能体具备这几个特点，自我感知、自我分析、自我决策、自我执行、自我协同、自我反馈和自我迭代，必须具备这样的功能，形成一个闭环，最终形成可自主或协同完成特定工作任务，比如说你是一个设备运维的智能体，你是一个质量检测的运维体，或者一个生产调度的智能体，形成这么一个东西，那它到底是一个什么东西呢？我认为它是一个智能化的软件系统，或者是智能化的软硬一体的系统，所以，它可以是软件系统，它也可能是一个软硬一体的系统。
所以我们简单来说，关于智能体是解决我们实际问题而产生的智能工作，而不像传统工业设备那样被动按照我们预先设定的指令，而像人类工程师一样，怎么能观察环境、分析问题、自主行动、协同合作。
工业智能体的本质，我们从三个方向，比如说技术本质、功能本质和价值本质，我们再来看一下。它的技术本质，我们说它是一个多技术的融合体，我们传统的工控软件，像PLC、DCS，是控制系统，但是没有感知，也没有大脑，未来我们的工业智能体需要融合我们的物联网技术、人工智能技术、数字孪生技术、工控技术、通信技术、IT技术，把我们工业软件系统都整合进来，可以融合，就是围绕我们的需求和痛点，我们需要调什么东西就调什么东西，我们把他们形成组合，最终都是以结果为导向。
第二个核心的功能本质是，自主闭环的工作任务执行者，这里头他要形成自我的感知，自我的决策，自主的执行，自主的迭代，避免了我们像传统的自动化，都是人设定规则、设备执行工作，工业智能体是通过感知环境、自主调整规则，执行优化动作。
第三个价值本质是，工业系统是一个高质量发展的利器，我们高质量发展到底在哪些方向，必须解决我们的问题，比如说要么解决你的创新问题，创新可以围绕比如说生产模式的创新，还是技术模式的创新，还是组织模式的创新，通过智能体怎么帮助你创新，怎么帮助你降本，怎么帮助你增效，怎么帮助你提质，怎么帮助你提供安全，当然还有绿色，因为我们这次大赛七大方向里其中也有一块也有绿色，这个就是高质量发展。
工业智能体在买结果中到底在扮演什么样的角色，第一个，它是数据连接器，同时它也是价值的量化器，还有一个，它是结果的保障器。
第一个我们说价值连接器的时候，通过我们的供应智能体，能够打破我们的孤岛，我们以前很多的工业软件，都是不同的厂家做的，最后形成了一堆的孤岛，最后我们可以通过我们工业智能体打造构建我们价值流动的数字血管，所以工业智能体首要的作用打通企业内外数据壁垒，实现设备流程供应链客户的全域数据贯通，为价值量化和结果保障奠定基础。它的技术逻辑主要体现在三个，第一个，多源数据融合，我们可以通过边缘网关采集我们设备的振动温度的实时数据，我们也可以对接ERP、Maas系统的业务数据，甚至我们可以整合客户侧的生产数据，所以我们形成物理世界和数据世界的映射。另外，我们的协议转化并标准化，支持我们各类工业软件、工业协议的转换，通过数据清洗工具实现格式统一，单位对齐，时间戳同步，消除我们数据方言的障碍，还有一个就是我们的实时数据总线。转型的价值就是，通过我们的数据连接器的作用，使我们企业能够看见产品在我们客户场景中的真实价值，所以它看到的不再是我们的设备参数的一个静态的描述，而是我们设备如何去影响我们客户的产能，它的能耗，它的质量等这些核心数据，为我们后续的价值量化提供原材料。
第二个工业智能体在“卖结果”转型过程中的作用就是价值量化器。我们以前是模糊的，卖一个方案，我卖一个解决方案还是卖一个设备，卖一个产品，到底能跟客户产生什么样的价值，很模糊，所以我们要从模糊的感受最终转换成数据的颗度，到价值指标，一定是解决客户某个结果性的指标，而且你还有目标值，你不仅是指标，你到底围绕这个指标帮特降了多少，帮特提了多少，既有指标，还有目标值。所以，我们说它里头的逻辑什么，技术逻辑是价值指标的拆解，我们可以基于客户的目标，比如我们说降低单位产品能耗15%，我们通过知识图谱拆解我们的关键影响因素，比如里头设备运营参数，生产排成、原材料程度，这是影响能耗降低的关键因素，然后我们建立目标和参数之间的关联模型。
另外一个，我们要做预测和归因，我们可以通过机器学习预测，我们做参数调整，还有动态价值的核算，实时采集客户侧结果数据，结合智能体优化动作，计算企业创造的价值增量。
我们刚才说了一下，目前我们到底通过智能体如何推动企业从卖产品向卖结果转型。要实现这个转型，本质上是要通过我们数据驱动的价值闭环，要将产品的物理属性转化成为我们可量化、可保障的客户价值，并以结果达成为核心，重构商业逻辑。需要遵从五个环节，一个是价值定义，一个能力构建，还有服务设计，还有运营闭环，还有生态协同，需要通过这五个环节支撑我们的转型，所以第一个我们说的价值定义，价值定义里主要就是解决两个问题，一个就是需求场景化，第二个是需求数量化，这个阶段主要解决这两个功能。
需求场景化就是，把我们从功能满足到场景价值，比如我们某个空压机企业最初销售是压力1.2MPA的空压机，通过智能体分析客户工厂数据发现，客户真正需要是车间无间断供给，加每月电费小于5万元，因为停电1小时会损失10万元，这个时候可能会利用客户场景的数字孪生，包括我们的需求挖掘算法，可能用这样的工具，所以第一个就是把客户满足的功能作为场景的表达，另外一个就是需求数量化，就是将客户需求转化成可测量、可考核的结果指标，像我们的OKR，作为我们服务契约的核心，比如风电设备将卖风机转为卖发电量，结果指标定义为单台机组年发电量大约800万度，机床企业从卖机床转为卖加工件数。
第二个能力建设，能力建设里头主要干两件事，一个就是产品智能化，第二个，平台大脑化。把我们物理产品转化为自我感知的智能化产品，在我们原来产品上就像三一重工，把它的挖掘机加装我们的振动油耗位置传感器，还有边缘智能体实时采集数据并上传云端，实现每台设备的作业效率故障风险可视化。还有一个就是，平台大脑化，基于我们的产品数据和客户的场景数据，训练我们工业智能体的核心模型，实现我们的预测优化干预自主决策，确保我们的结果指标不偏离。
转型的第三个关键环节商业模式的设计，我们从“一次性交易”到“长期价值契约”重构商业规则。这里头主要包含三个核心转变，一个就是价值载体，从物理产品转向数据驱动的成果，就是客户购买的是可量化的降本增效提质，需要的是这种结果，第二个盈利的逻辑是从一次性交易转向增量价值分享，就企业的收益与客户运营结果深度绑定，第三个关系的本质，从以前我们跟客户之间都是甲方和乙方的关系，签完协议之后我们变成伙伴式共生，数据共享与协同决策，让企业成为客户的运营合伙人。所以这种变革不仅提升了企业的盈利能力和客户黏性，更推动了制造业从重资产、低毛利的传统模式向轻资产高附加值的服务型制造转。
另外，还是推动北京市服务型制造转型，服务型制造就是两个抓手，一个就是推动我们制造业怎么向服务型转型，另外生产性服务业数字化、网络化、智能化改造，所以这两个方向是我们服务型制造两大方向。我们传统企业下一步也都向服务型制造方向转型，这也是我们工业数智化转型的核心方向。
商业模式设计时候需要结果量化定价，还有结果透明化核算，结果量化定价就是，明确我们可衡量的结果指标，并以此作为基础定价，比如我们也可以按效率提升比例收费，比如像某个能源企业为客户提供智能节能系统，承诺通过我们工业智能体优化，可以按照客户实际接生电费的30%来进行收费，包括客户省了一个电量，在这个节省的电量里可以拿30%分成。还有一个，我们可以按风险降低价值收费，比如某设备厂为客户提供预测性维修服务，通过智能体减少了停机时间，避免一小时停机收费一万元，这是按降低风险收费。还有可以按固定服务费加结果达标，这种服务业涵盖我们的成本，这部分我们定一个目标，达到这个目标以上，我们就来制定一个，比如说良率超过20%，我们就额外获动20%奖励，所以结果透明化和通过工业智能体来构建结果核算中台，实时记录不篡改的计算结果达成情况作为收费依据，这里头我们通过用区块链加智能体的技术，确保客户和企业对产能提升的天数，包括我们能耗降低的度数，对这些数据没有意义。
第四个关键环节，我们叫运营闭环，运营闭环里主要就是我们要形成一个数据资产化加模型迭代化，数据资产化就是我们要通过我们的智能体累计产品在不同场景下的运营数据优化的策略、结果的反馈，最后会形成我们的行业KnowHow库，这就是我们项目打造的高质量数据集。另外，模型的迭代，通过模型的迭代和反馈，最后我们会形成我们工业高质量的模型库。
第五个方面，我们的生态协同，这个里头主要有两项工作，第一个能力生态化加价值共享化，能力生态化就是开放我们智能体的接口，接入第三方服务，将工业智能体核心能力封装为API，接入我们物流、金融、维保等第三方服务，补全我们结果保障链条。因为我们说实现以客户结果为导向的时候，往往能力会串成我们企业的边界，这个时候必须要用生态来做。比如某机场企业智能体开放数字接口接入第三方刀具供应商磨损预测模型，实现刀具寿命预警，到自动下单，到上门更换的闭环，保证客户加工的连续性。另外一个，价值共享化，与生态伙伴共担风险共享生命，设计我们的生态收益，所以这里头跟我们的合作伙伴怎么来一起分享。
第六个，组织转型，重点三个方向，一个结果导向的文化，加结果导向的组织，加结果导向的机制，如果你定下来以结果为导向的转型，但是你的组织发现思想都没变，你实施起来难度很大，所以第一个要培养结果思维的文化，通过我们培训、案例复盘，员工理解公共的意义是为客户创造价值而不是完成任务本身。第二个，我们可以成立客户成功中心，我们要把我们整合业务专家、数据专家、算法和模型专家、工业控制工程师，软件IT工程师，包括产品经理、销售经理等组成，业务专家定义做什么，数据专家保障我们数据能用，算法工程师来实现我们的智能决策，我们的工程团队确保我们系统能跑，产品和管理团队推动我们的价值落地，可以由客户成功经理来牵头，基于我们工业智能体的结果数据，全程跟踪客户的结果达成情况，主动解决问题。另外一个，我们要评估我们考核体系，将客户结果指标，尤其是客户满意度，还有我们的问题解决率，包括我们的复购率，这些东西都作为纳入我们的核心KPI，而不是仅仅光考核一些销量、流程合规等过程指标，还有就是激励价值创造者，对于直接能够推动客户结果提升的这些团队和个人给予奖励，另外建立我们的结果复盘机制，对我们的这些东西出现的一些问题进行分析。
最后，我们讲工业智能体通过上面的分析我们可以看到，企业要从产品的生产者转型为价值运营商的转型，我们通过工业智能体来推动卖结果的转型，企业不仅能提升客户的黏性，另外一个，可以构建差异性的壁垒，这种差异性壁垒是怎么构建的？就是通过沉淀我们的数据知识模型，这东西慢慢会变成你的一项核心能力，你的知识的护城河，从以前的比拼产品参数转换成比拼结果达成的能力，摆脱我们的低价竞争的陷阱，从一次性交易转向长期服务收入，实现我们营收结构的可持续增长。所以这种方式是资本市场比较看重的，资本市场看重不但看重项目集团模式，就是波动性比较大，今年可能多签几个单，收入还可以，但明年不行了，跟客户以结果为形成的客户绑定模式增长是稳定和持续的，所以我们说工业智能体让企业从产品生产者转型为价值运营商，这正是工业智能体成为转型最佳抓手的核心原因。
所以我们部长就说了，以工业智能体为抓手就是这么个原因，所以工业智能体正在重新定义制造业价值分配规则，谁能掌控结果的形成过程，谁就能够占据价值链的主导环节，张载的一句名言，我一查发现，张载还是我们老家的，陕西宝鸡眉县的，我还专门开车去了一趟这个地方，借用他的名言和大家一起共勉，为我们工业智能体立心，为工业互联网立命，为数字化转型继绝学，为量化深度融合开盛世。
我的演讲就到这儿，谢谢各位！
主持人：感谢闫理事长为我们揭示了工业智能体在企业服务化转型中的实施路径与创新模式。AI理念的落地，亟须强大而灵活的底层开发能力作为支撑。下面有请中祥英首席架构师邵广玉先生带来他的主题演讲《AI+工业应用开发平台，重塑开发新范式》。
邵广玉：各位领导，各位来宾，大家下午好！我今天要分享的主题是：AI+工业互联网平台，如何重塑开发新范式。
最近这几年我们一直在思考一个问题，当前工业信息化、数字化的痛点到底是什么？是什么阻碍了中国制造业信息化高速发展道路。
从三个角度来看，站在业务方的角度，首先是成本和收益失衡，具体的信息化投资的价值无法具象化，业务流程协作不畅，数据割裂不统一。从IT角度，业务需求的传递存在很大的偏差和误差，复合型人才短缺，运维成本居高不下，但是从未来的角度，对核心的是缺少一个有效的数据基础，使得AI场景落地难。
怎么解决这个问题呢？结合刚才闫老师的以工业智能体为抓手，怎么解决这种困境？解决这样的问题，我们给出的答案是，借助AI大机遇，深度赋能、横向打通IoT平台，大数据平台，人工智能平台以及低代码平台，构建统一的一体化工业应用软件开发平台，实现玩业务、玩数据、玩应用集，以Iot平台为数据入口，以大数据平台为数据载体，以人工智能平台为数据灵魂，借助低代码平台为应用手段，拉通整体一体化平台。
基于统一工业应用开发平台的模式，新的软件开发模式可以分为四大步，第一大步，以传统设备类管理应用举例，第一步，我们可以通过IoT产品将设备数据采集过来，第二步，通过大数据平台，把采集过来的数据做存储和清洗处理，第三步，通过人工智能平台对采集到的数据做进一步数据价值挖掘，形成最终能为客户的最终生产运营产生决策价值的数据，第四步，我们可以通过低代码平台快速拖拽搭建，将最终结果以可视化的形式呈现给我们的最终业务用户。
其实这个模式的好处总结起来三个方面，能力如何，敏捷开发、数据连通，打破IoT平台、大数据平台、人工智能平台传统的烟囱式建设，通过低代码平台实现能力的协同，让我们的业务人员也可以极低的门槛快速构建IoT+AI的定制化应用，让业务的敏捷度更高。
当然了，兵马未动，粮草先行。为了支撑统一应用开发平台落地，我们从基础设施、核心引擎、安全保障三个维度构建了一套标准的可复用的AI技术支撑体系作为整个平台的工业AI能力底座。
平台第一部分，IoT平台，通过AI赋能将平台采集的海量数据转化为主动决策能力，实现跨场景间联动，提供预测及诊断的支持。当然，IoT平台也从传统的单纯的只是管理设备数据，扩展到多元异构数据，为大数据平台提供坚强有力的采集能力。
我们可以通过设备建模实现设备统一瞄准，实现设备的模型化和可视化。通过场景化编辑，实现设备的全生命周期管理，实现场景间联动，让数据可以进行有效地流转。
ziAPS平台的第二部分，大数据平台。通过AI赋能，我们可以提升数据处理的智能化水平与价值挖掘效率，这样可以从数据预处理，数据分析，数据服务，以及平台能力四个维度，实现被动式到主动式的转变，这样的话让数据能够产生更大的价值，也让数据的价值更具备时效性。
我们基于大数据平台可以通过在原数据建模，实现数据管理统一标准、统一规范。
也可以通过在线的流程编排，以及处理逻辑的在线编写，让业务人员或者技术人员可以降低数据处理门槛，让数据处理的整个过程更加透明、更加可视化。
也可以借助于平台通过在线规则的建模保证数据质量，通过ATR封装，对外提供数据服务，为我们后续AI场景化落地打下坚实有效的数据基础。
平台的第三部分，人工智能平台，人工智能平台以模型训练与算力调度为基础，支持在线开发各类工业智能体，结合通用大模型，结合数据训练，模型训练，去构建性质场景化的行业小模型，以进一步高效地支撑AI的场景化落地，为智能制造产生更大价值。
通过在线智能体的开发和编排，进一步降低AI+场景的开发门槛、应用门槛，让很多中小型企业或者是技术团队不那么具备这种制造型企业也能轻松地以很低的成本将AI真的融入到整个制造生产活动过程中。
ziAPS平台的第四个部分，低代码平台，低代码平台我们采用DDD的设计模式，这种架构理念以业务模型为中心，结合可视化的编辑工具，通过AI赋能，进一步降低应用的开发门槛，提升开发效率。比如说可以通过AI+低代码结合，做智能业务建模，包括自动化代码生成，包括一些智能的调试与优化，这些都可以通过AI的方式让开发人员开发门槛更低，开发效率更快。
我们低代码平台可以通过可视化编辑工具实现业务场景多端融合实现最终客户需求场景的快速、简单、高效的构建。
我们也可以结合报表设计工具，让数据的呈现更简单、更透明、更灵活，当然整个过程中我们可以基于平台内置的流程引擎，让整个业务逻辑全流程的管控，有法可依，有据可依。
前面也提到，按象限能力划分，AI搜索加AI编码门槛是最高的，也是最容易实现的，所以说，在新的时代，我们也可以通过一个比较典型的工业智能体AI代码助手，可以实现代码的在线生成，实时生效，这样的话可以保证我们可以快速验证我们的效果，快速达成我们想要的目标，这样很多很专业的事情让智能体来做，我们的业务人员可能只需要具备一些基本的计算机思维就可以自己搭建自己想要的应用。
当然，AI+工业应用开发平台不仅重塑的是开发流程，也重塑了开发模式。从开发的角度来看，以工业智能体为手段，不仅可以让开发人员脱离繁琐低效的手工编码，这样才能让开发人员将主要的精力聚焦于业务、流程、数据的一体化贯通，真正让业务方实现业务的高效协同。
然后从用户视角，我们可以从传统的点选式的操作交互，演进成对话式的交互操作，这样我们业务人员可能说只是说用自然语言去描述，我想要获取什么样的数据，我就可以及时获取我的数据，一般按传统的模式，我们的业务用户如果想要获取一些关键指标的数据，正常来说去需求沟通，去开发，整个过程很慢，因为市场是变化的，很多数据支撑了我们市场上的关键决策。
再就是这个图，这个图作为一名IT行业的老兵，我也想分享一下我的一点感悟。
20年以前，是以手工编码为主的时代，那时候开发代码还是软件工程里面的瀑布模型，所有需求从前期的需求检讨，到加工设计，到详细设计，再到编码实践，再到验证测试，需要遵循这么完整的过程，在这个过程中如果我们的需求只要发生变化，相当于就需要把这个流程再重新走一遍，这样是极其慢的，我们那个时候做一个项目基本两年周期都算是比较快的，我们之前给财政部做系统的时候，几十人团队做两年，那已经算快的了，后来通过互联网技术发展，大概10年前低代码技术开始兴起，因为互联网是讲究快速试错，用速度来抢占先机，所以10年前低代码开启兴起，衍生了很多通过低代码构建的应用场景，比如一些办公的、一些评价列（类？）的，低代码好处是什么？可以将业务模型架构设计以数字化资产形式进行累计和快速传递，但是到了今天，随着AI和大模型技术的快速发展和成熟，现在进入了AI加低代码时代，低代码时代虽然说能够在线以业务建模形式为中心构建业务应用，但实际上对于普通的业务人员来说还是有极高的门槛，实际上AI时代就可以通过AI智能体把门槛进一步降低，这样很多企业，我们的业务人员通过短时间的培训，就可以快速搭建自己选择的应用，这样的话一方面降低了我们IT运维和开发的成本，另外一方面，也能让我们的业务响应更快速、更及时。
当然了，如果说AI只是作为简单的编码型助手的话，实际上我们并没有发挥最大的价值，我们要做的是什么呢？我们要做的是通过AI加工业应用开发平台，通过我们持续累计的客户需求和行业最佳实践，客户的需求对我来说就是业务模型架构设计，我们的行业最佳实践也是一系列业务架构设计的组合，我们通过这种业务架构模型，以数字化资产的形式持续地对工业大模型进行训练，提升工业大模型的准确度，这样通过AI深度赋能，以数据为魂，以智能体为工具，就可以简单、快速、自动化形成课程化的数据应用。
举个例子，我们还是拿设备管理举例子，传统编码时代，设备管理需要增加一些维度的话，我们可能需要手工改代码部署，这是传统编码时代，低代码时代，我们只需要对设备管理的核心业务模型做建模就可以运行。如果业务发生变化直接在线调整就可以了，这是低代码时代。
我们想要的模式是什么？后续我们业务人员想要构建管理系统只需要有一个对话框说，帮我构建一个基础设备的管理系统，这样应用就可以搭建出来，我们可以在上面做细致的调整，所以，这个就是AI+工业应用开发平台随着业务需求和行业应用的积累，最终能达到的一个最大的效果。目前我们已经通过AI+工业应用开发平台实现落地了控制层、执行层以及管理层多维度工业应用体系，针对具体产品，AI+场景的落地化实践，接下来进一步介绍。
最后总结一句，未来已来，让我们一起共建这盛世繁华。谢谢。
主持人：感谢邵广玉先生的精彩分享，为我们揭示了AI+开发平台的核心价值。任何技术升级的最终目标，都是为了赋能具体场景、解决实际问题。接下来，就让我们共同聚焦中祥英如何将AI能力转化为制造业的全流程解决方案，将智能应用覆盖到排产、生产、质检、安环等每一个环节，为企业带来切实的收益。首先有请中祥英显示智造BU何德材先生带来的《AI+计划，让制造排产更智能》。
何德材：尊敬的各位嘉宾，大家下午好，很荣幸能够站在这里跟大家一起分享和交流，我今天分享的主题是：AI+计划，让制造排产更智能。
经过多年的发展和探索，制造业的数字化建设基础设施已经就位。比如：工厂引进了高度自动化的生产设备和部署了大量的传感器，RFID，智能仪表等，通过IOT数据采集平台，能够采集海量的生产数据，过程数据，品质数据，让工厂更加透明和高效。同时工厂也上线了成熟的CIM系统，比如PLM，ERP，MES，WMS系统，而这些系统的运营特点是重执行而轻计划。
随着大家对数字化转型的高度重视和不断地探索尝试，我们厂商的能力不断提升，制造业数字化转型已步入深水区，正在向智能化迈进。比如AI正在重构工业软件，利用AI技术，我们可以挖掘更多的应用场景和数据价值。
第二个，行业竞争焦点也从自动化转向价值化，我们相信未来不仅仅是设备自动化的竞争，更是工厂智能化，价值化的竞争。那么，APS计划与排产将成为继ERP ，PLM，MES之后，制造业数字化转型的第四件套产品，同时APS也正在引领CIM工业软件的发展。
在计划排产领域，一直面临各种问题和挑战。1。传统手工计划排产方式，无法及时准确地评估产能和库存数据信息，这样影响排产效率，同时我们的交期答复慢。2。市场的需求复杂多变的情况下，急单改单情况经常发生，对现有的计划执行影响较大。3。在计划排产过程中，计划的可执行非常重要，往往因物料到料延时，生产进度不透明，基础数据质量较差等等原因，导致做出来计划可行性预测比较难。4。由于传统手工计划不准确，我们经历过断料停线带来的痛苦，生产运营人员为了避免这个风险，会将仓库的半成品，原材料的库存保持较高水位，导致大量库存资金被占用，APS能暴露出企业底层的数据问题，管理问题和供应链协同问题。5。 与ERP ，MES，PLM，等系统集成度不高，各个系统之间数据没有打通，会形成数据孤岛，计划排产全靠手工收集信息，导致排产效率低。ziAPS是可以暴露企业当中的一些数据问题，还有管理问题，以及一些供应链的问题。
为了解决这些计划排产遇到的问题，我们研发了ziAPS产品。这款产品以前面分享的四大平台为技术底座，构建了三大模型。通过销售数据，生产数据以及物料的供应数据搭建了供应链模型。利用工艺路线，设备能力，以及库存能力等数据，构建了产能模型。我们同时也研发了算法模型，主要包括规则式算法，启发式算法和线性规划算法，通过这些算法来提高计划 排产的效率和准确性。
前面其实也提到了低代码平台，我们依托低代码平台技术可以快速开发报表，以及过程当中计划指标。我们在这个基础上，可以根据不同的计划场景进行排产，APS产品支持主计划排产和工厂级排产。
数据是计划排产的基础，计划排产的智能程度完全取决于输入数据质量的“健康程度” ，俗话说“垃圾进，垃圾出”，如果数据质量差，再先进的算法也无法排出可靠计划；所以在技术上，我们的APS产品引入了AI技术，发了数据验证的一些Agent，使我们的供应链模型，产能模型中的数据更加准确有效。另外一方面，前面也讲过，算法模型是APS的核心，计划排产的时候，需要考虑很多影响因素和约束条件。首先利用规则式算法，可以对计划进行倒排和顺排，在规则式算法的基础上，如果发现某些不满足的情况下，利用启发式算法再进行优化，寻找相对最优解。最后利用线性规划算法，使用求解器求出计划排产的最优界。总之，利用AI技术，可以持续优化算法，提升运算的效率，使计划排产结果能够达到资源利用最大化。
从管理角度上来看，我们的APS也提供了控制塔模块，比如月度计划完成率，日度计划控制台等，控制塔不仅是报表和图表的堆叠呈现，同时也是KPI指标的提炼和跟踪，比如计划达成率怎么样，需求的满足度怎么样，产能的利用率怎么样，通过这些管理报表可以逐级下钻分析计划的执行情况，例如：通过月度计划完成率来分析日度计划，还有各车间计划，以及机台计划执行完成情况，从而可以在第一时间发现计划与执行过程中的差异和问题点，快速决策，及时的纠偏调整我们的计划。
APS前面提到两个场景，APS支持多层级计划，主要包括主计划和工厂级计划排产，主计划排产模块适合大型集团化公司，制定战略性长周期计划，我们的产品可以支持3-12个月一个计划排产，实施主生产计划作用和效果有三方面：1。主计划排产模块是把集团的需求量按照区域、产能，还有设备的工艺去统一分配到不同的基地或者车间，能够很好地解决集团层面资源分配的冲突问题。2。另外在制定主生产计划排产时，直接结合工厂级产能排产，能够在结合销售的需求，第一时间评估出满足需求的应答。3。主计划排产可以从集团整体层面去评估物料需求，给出长周期的物料备货策略，指导供应商备货。
在主计划排完之后，我们会把结果输出到工厂计划排产模块里面，他所考虑的主要就是工厂效率的最大化，当然是要满足交期前提下，排产的颗粒度可能更细，到小时级别，排产的周期一般也是近30天的排产，实施工厂级计划排产的效果有：
首先，关注在工厂级别，工厂级别生产各种资料，从而制定可行的工厂生产计划，指导工厂生产。第二，工厂计划会更加清晰的制定满足具体的日期，数量及产品，给出详细具体的交期承诺。第三，作为工厂级生产计划，排产颗粒度细化到天，可以有效指导具体原材料的采购订单和交货订单。
总体来说，不管是主生产计划排产，还是工厂计划排产，对APS产品的要求也是非常高，我们的产品采用了启发式一个算法加上线性规划的算法，不仅排产效率高准确准，而且排产结果能够达到资源利用最大利用。
这个地方新给大家分析一下我们在主计划这块实施的案例。客户当时的期望，是通过APS系统的实施，实现排产自动化同时，帮助他们解决交期的应答慢或者不准确，当时客户交期应答时间是7天，WIP水平不可控，物料需求不准。我们通过实施APS，一方面打通与ERP，MES，包括数据的连通，同时实现多目标协同优化，支持多策略计划结果对比。从效果上看，APS实现了产销存一体化；订单交期的应答时间由原来的7天缩短为3.5天；WIP水平得到有效控制，降低库存成本；排产效率在上这个系统之前需要16个小时，2个工作日，现在用系统在2个小时就可以把它排出来。
下面是工厂级计划的案例，这是汽车行业工厂案例。客户对于自动排产的效率方面要求非常高，同时也期望在生产计划中，可以达成各个配置项的均衡生产，从而降低计划波动对生产带来的影响。目前分车计划，月度计划已经成功上线，从上线的效果来看，相对人工，排产时间大大缩短，计划调整频率降低50%，计划准确性大幅度提升。
我们这款APS产品优势体现在四个方面：1。 我们基于显示多年计划体系的沉淀，我们拥有显示，半导体，汽车等行业的计划排产经验。2。 在运算效率上，10万级订单，我们的产品可以在20分钟内完成排产，同时支持多工厂的排产计划，可以控制在多工厂，如果以10个工厂为例，3小时以内完成，算法运行的时间在行业内有较大优势。3。配置灵活，我们整个产品可以根据业务需求灵活配置算法，支持多种协议，做一个完美集成。同时我们产品涵盖很多不同算法来匹配不同的业务场景，同时不断地向行业同行学习和研究先进的技术，不断迭代打磨我们这款产品。
未来我们要把APS产品打造的更加智能和全面。
从两个维度来说，第一个，技术方面，开发更智能的，具备预测和自主学习能力的Agent，同时与数字孪生，供应链网络深度协同，通过大模型，让APS从辅助智能到自主决策的一个提升。让APS成为真正智能决策的伙伴。在行业方面，目前聚焦在企业内部单工厂或者多工厂的排产，我们未来计划拓展到企业整个供应链上，包括供应商、制造商、物流商，甚至客户经销商，来赋能制造业的数字化转型。
最后，给大家分享的是，精准计划，智能排产，APS产品能够助力企业构建一个透明、高效、敏捷和协同的供应链环境，最终实现降本增效和增强企业核心竞争力的战略目标。
我们中祥英这款产品在显示，半导体，汽车等行业积累了丰富的经验和案例，未来希望与在座的各位嘉宾有更多的合作机会，以上是我今天的分享，谢谢大家。
主持人：感谢何德材先生的分享。下面有请中祥英通用智造BU吴艳女士进行专题分享，主题是《AI+生产，让制造执行更简单高效》。
吴艳：尊敬的各位来宾，大家下午好！我是来自中祥英通用制造BU的吴艳，今天给大家分享的主题是如何让我们的制造执行能够更简单高效。
不知道在座的各位有没有这样的场景感受，其实刚才何老师讲过，现在我们客户其实非常注重信息化建设，但是由于我们信息化建设在不同周期实施的，所以其实我们有很多的系统造成了数据孤岛，比如以我们的质量管理为例，我们可能供应商的质量数据在SM系统里，来料检验的数据在仓储管理系统里，过程数据Maas里头，我的客户投诉又在CIM，如果有一个客户投诉来了，我们想要追溯到历史数据，我可能要用很多的系统去追溯，所以我们很多客户养了很多统计人员，我们戏称为“表哥、表姐”，我们可能会有很多人需要从不同的系统里头导数据，这样会发现我们的系统不是统筹建设的，会在很多数据当中存在数据断点，所以我们这些数据没有办法有效的利用。
我之前还做过一个客户，原来他的Maas是用一个ERP系统改造的，改完以后他说，他们计划员想要给生产工单这个表加几个字段，需求提了几个月都没有改，IT跟我说，我也很难呀，因为我改不了，厂商又不配合，基于这些问题，我们很多客户希望我们能够对我们的制造执行能够有一些变革。
我今天的主题是讲生产制造，但是其实我个人认为，我们讲生产，其实不能仅止于生产，我们知道一个制造型的系统，一个制造系统它的核心六大要素，人机料法环测，这些环节他们环环相扣，缺少哪个环节单独来讲，或者单独来管理，其实都不能把我们整个制造系统的问题全局化管控。所以其实我们讲生产管理，或者讲制造执行，其实是要讲我们全业务链条的协同和管理。
所以，基于以上这些背景，我们刚才邵总也提到我们的工业AI应用开发平台，我们在这个平台上，除了搭建Maas系统，WAS系统以外，我们质量管理系统SBC，包括我们设备管理系统，都是基于这样一套平台搭建的。
基于这样一套平台搭建的好处是什么？第一个就是，我们这些系统之间，不管是业务流还是我们的数据流，都是无缝集成的，我们原来可能系统分别建设时要做很多系统接口，通过系统接口去实现数据的流通，但是，我不知道大家有没有发现一个问题，比如说我上QMS系统时候，我去跟Maas系统对接，我给他做异常管理的功能，我在QMS里头通过闭环流程提供闭环处理的结果，我可能告诉生产部门我需要对这批物流返工，或者要hold这批产品，因为整个生产执行在Maas系统，如果Maas系统不具备自动hold，或者是自动返工的功能，就意味着这个工作是不能闭环的。我们基于同一套平台开发的一个制造运营管理系统，它能做一件什么事情？就是我们从蓝图设计阶段，会从原材料一直到售后统筹考虑设计蓝图，所以我们业务流是高效协同的。
有了这样的基础，我们才能够说实现我们客户需要的，所谓的正反向追溯，所谓信息的有效利用，这个是我们这一套平台我认为很大的一个优点或者优势。
在我们这套平台其实刚才讲到，就是解决了一个问题，第一个解决的问题就是，把我们原来单体垂直化的系统他们的孤岛问题，他们割裂问题，或者功能建设冗余的问题解决了，另外，我前两天跟重庆跟一个客户演示了我们那套平台，客户问我说，你们除了能给我提供你的这套LIM系统，能不能用我IT团队基于你们的平台开发我自己的应用？比如说我想做一个人员培训系统。我告诉他是可以的，并且我们是开放给你的，我们会在项目交付阶段，我虽然给你交付的是实验室管理系统，交付阶段可以培养你的IT人员和你的业务人员去怎么样用我这套系统搭建属于你自己的应用，我们可以把自己平台已经有的标准建模组件和业务组件都开放给你去使用，所以，其实我们基于这套平台，我们能够有的想象空间就不止我们现在提供的业务范围内。
这个其实也是为我们将来制造执行，或者是我们整个运营管理提供更多的可能性。
平台呢，其实只是我们建设我们的应用的一个基础，如何把我们的业务落地，我这个地方有几个简单的场景给大家分享一下。
首先，先说一下仓储管理部分。刚才何老师分享排程时候，客户库存积压很多，从排程的角度来说，可能是长期的物料需求计划不好导致了他的库存积压。但是其实我们实际的仓储执行过程中，如果说配合不好也可能造成库存挤压。以采购为例，我们采购是有提前期的，从采购这个角度来说，我要是需要保证我们连续生产，可能就会提前采购很多，提前采购很多生产时候又是不需要的，订单已经下了，供应商给我下了订单我肯定加班加点给你供货，供应商供了货给你，你的原材料放在仓库，我们生产不可能把原材料一直放在那儿，生产也就会一直生产，会导致我们原材料库存和成品库存都会居高不下。
前两天跟一个客户聊天，他说他们的库存积压占用资金几个亿，当然有这个长期计划造成的影响，也有短期的仓储执行或者物流执行带来的后果，所以其实从我们的仓储管理维度来说，我们的仓储管理系统，我们除了做传统的比如进销存盘点这样的业务以外，还有我们的供应商协同模块，我们从给供应商下的采购订单开始，就可以让我们的PMC，也就是物控和我们的供应商去参与协同。比如说我们下了采购订单，但是不希望供应商按照采购订单一次性交货，因为根据我的实际生产计划我希望他分批交，我可能还要指定他交货的时间，那我们的PMC就可以在这个协同模块提出他要求的交货计划，我要求了你不一定能供货，这个时候供应商还可以在这个平台上去提供我的交付计划，PMC就能够根据供应商的交付计划去对比看我们之前有没有GEP，什么时候需要催货，什么时候可以推迟交货，这样其实就可以从执行层也去减少我们的库存积压。
另外，我们的系统工程当中，也会结合我们的AI应用，比如刚才讲到自然语言的处理，来帮助我们仓库的执行层，我们的库管员能够有效提高他们的效率，这个是我们AI智能体，它可以通过语言交互的方式，让我们的仓库操作人员就能够快速地去找到物料，或者是我们可以给他规划我们比较高效的物流搬运或者检获路径提高效率。
生产执行层面我们痛点很多，生产执行影响因素很多，大概提两个场景，第一个场景，我们有新产品，或者产品发生调整时候，我们怎么样做灵活的生产，现在Maas系统已经能够实现，比如说用我们的流程引擎拖拉拽的去配置我的工艺流程，这是没问题的，但是，我们有了这个工艺流程，工艺的执行需要有具体的系统功能去实现的，我们的低代码平台帮助配置相应功能从而快速发布相应的功能。
在生产现场，我们的操作人员也会有一个痛点，比如说生产的工艺发生变化以后，我们的SOP可能下发不及时，或者SOP和生产实际其实没有关联的，也就意味着可能需要通过自己主动去检索的方式才能够去获取相应的作业指导，在这个方面我们的智能操作助手就可以发挥它的作用。我们可以根据生产时框动态适配作业指导书，用我们语言交互方式快速检索，也可以根据每个操作人员的个人情况去动态的设置培训计划。
这是我们质量管理的场景，因为最近做质量管理系统比较多，我遇到一个大家很关注的点就是，我的文本处理。我们很多客户都有很多的paper work，比如检验报告需要发给客户，我们8D报告需要根据经验输出，这些原来要花很多时间去做的，现在我们的AI知识库，或者我们文本解析功能，其实能够帮助用户快速从人工驱动的文本工作变成数据驱动的智能处理。
当然，对于我们生产制造来说，全流程的正反向追溯也是非常重要的，因为业务流水合乎数据流都是基于一个平台开发的，所以我们追溯是非常容易实现的。
下面会有两个例子给大家讲一下我们整个制造运营怎么样为客户带来价值。
第一个案例，我们在昆山高分子材料客户，给他上了一套我们的MOM系统，就是制造运营管理系统，这里头核心涵盖了仓储管理、生产管理、质量管理、设备管理和数据分析报表几个模块，我们整个蓝图就是基于从原材料一直到售后完整设计蓝图，所以我们整个业务流都能实现统筹拉动和协同。所以，我们整个最后效果就是，第一，整个信息的交互反馈效率得到有效提升，问题处理周期也得到大幅降低，同时，库存呆滞料和过期库存得到大幅减少。
第二个案例，基于我们质量管理系统给客户做的数据应用案例。我们应用分成三类，第一类，数据的分析，这类主要针对质量检测数据，去帮他做了单个检测数据的分析和监控，并且根据评级规则帮他做和产品评级和评级低的原因分析，这是对数据的简单处理。第二步，数据追溯，我们可以把他的成品检验数据和原料检测数据联动起来实现追溯。第三个，数据应用，主要应用在成品发货，因为这个客户他的出货是比较特殊的，他不像我们大多数产品，你可能出货是要保证单件或者整个批次的检测数据符合规范，比如说我今天要出20托货，20托货每一个检测参数组合起来满足我的出货要求，他原来要有一组人去从WMS Maas去下实时库存，下检测数据，另外一组人去做数据处理，然后再从比如说100托的实时库存里挑出要出货的20托，看是否满足需求，我们给他做了这样一套自动的选托功能，并且这个基础上我们把它历史出货数据做了实时监控，根据实时监控结果反馈到我们的算法，保证出货选托的性能，或者是数据越来越好。
以上就是我主要的分享，对于我们这种专门做工业软件的厂商来说，我觉得我们要做的事情是什么，我们是要帮助我们的用户释放人力，把我们的人力用在聚焦创新和聚焦产品上，把他们从疲于奔命解决问题的现状中拉出来。
综上所述，我们需要用技术去服务生产，让制造回归本质。
以上就是我的分享，未来也期待能够和在座的各位来宾共同畅想我们智能制造更多的可能，谢谢大家！
主持人：感谢吴艳女士的分享。下面有请中祥英数据智能BU王耀平先生，带来分享《AI+质检，让全流程品质跃升更轻松》。
王耀平：尊敬的各位来宾，大家好！很荣幸站在这里和大家分享中祥英在工业AI这一块的一些探索。
中国的工业AI制造市场其实有非常大的发展潜力，据IDC预测，2026年市场规模将达到90亿元，到2030年时候将近300亿。与此同时，现在这些新的技术也是飞速发展，包括像大模型智能体今年特别火的这些技术，整个会推动我们AI质检从感知智能迈向认知智能，整个工业质检大脑就可以成为现实。
品质管理是制造业的生命力，也是核心竞争力。中祥英对AI质检的探索其实始于2017年，是我们在某一个OLED BP工厂导入了我们的AI系统，实现了准确率95%，人工替代率60%，这个场景成功导入之后，我们开始在全工厂挖掘前中后段的整个AI导入场景，最终形成了我们工厂级的AI质检平台。在这个过程中，其实我们的准确率还有人工替代率在大幅提升，到了今年的时候，大模型、智能体这些技术这么火爆，我们也是在提前布局，对我们的AI产品进行的重大的升级，去打造我们的AI质检大脑，让我们的AI可以更全面、更深入的赋能整个质检全流程。
我们升级其实主要有三大块功能，第一块，智能训推，其实训练和推理肯定是我们工业AI这种质检平台的基础功能，我们传统的AI平台其实面临的主要问题就是数据标注慢，整个模型迭代周期比较长，为了解决以上问题，我们的训推平台现在从缺陷生成，还有智能标注、智能训练、智能测试，以及推理这一块，全方位进行升级，去赋能我们更多的工业AI的质检场景。
第二块，我们工业知识库这一块，知识库其实是认知智能的基础。随着大模型技术的火爆，现在多模态、不幻觉的工业知识库成为现实，我们AI质检大脑里其实就集成了这样的AI知识库。相比于传统的知识库，我们可以说我们更懂红叶的AI知识库，整个几大优势的话，主要是除了传统的文档格式，还内置了一些工业模板在里边，而且在我们工业数据上传过程中，我们是用大模型自动地解读、分类，后边不需要进行繁琐的分类、标记这些工作，而且为了便于我们文档的管理，也为了更符合企业知识的管理逻辑，我们上传的文档支持分层管理，就跟传统的知识库所有文档混在一起是不一样的，也就避免了文档混在一起造成的整个数据还有权限管理上的问题。
第三部分，我们嵌入了质检智能体开发平台。传统的AI质检平台只支持单个模型的训练和部署，在我们AI质检赋能的场景越来越多的时候，我们发现单个模型有时候解决不了所有的问题，我们必须要多个模型去串联、并联，给它把整个算法方案变得复杂才能解决这些质检问题。所以我们新增了质检智能体开发平台，内置了很多工业场景下的节点还有算子，支持我们的节点和算子快速编排，搭建功能更强大的智能体算法解决方案，去适配更多复杂的质检场景，而且智能体支持导出还有一键部署，我们可以导出来直接布到边缘侧，有一些需要高实时性检测场景可以也用AI的智能体。
而且我们还有一个特点就是支持多个智能体的协同作业，这样可以为打造工厂级智能体奠定基础。
前面讲了AI质检大脑三个功能模块，可以覆盖工厂质检全流程。生产前可以让知识预警，实现事前预防，生产中让流程可控制，实现事中优化，在生产后，让数据会说话，实现事后改善。最后，让经验可固化，实现经验沉淀，满足整个生产过程中的精细管理，达到品质跃迁，能实现这样的目的。
接下来分享我们在生产前中后每个流程的AI应用场景和案例。
首先是生产前，让知识可以预警，在传统的模式下，其实我们生产前的防错主要靠各个部门拉通，各部门人员拉通存在知识分散、数据利用率低、跨部门协同沟通成本都比较高，我们现在推出基于AI知识库工艺防错方案。首先，搭建我们的专属供应知识库，把工艺知识沉淀下来，中间层通过应用为场景赋能，我们在某个LCD工厂也是和品质部门合作，构建我们品质知识库以后，在知识库基础上搭建我们客户预防的智能体，在投产前，我们的智能体会去根据本次投产的产品，自动分析以往案例，以及一些客诉信息，总结出生产过程中有可能出现的问题，再通过智能体直接主动提醒到我们对应的生产担当还有品质担当，提前把这些问题规避掉。
在生产过程中，整个流程控制非常中，就是当前我这块讲的都是在AI质检的这些设备，大多数是AOI设备，不管是AOI设备还是检测软件，经常遇到针对不同型号切换不同算法，如果说系统和设备之间交互不畅，比如我们原来有一个设备，我要给他加新的AI算法，我原来设备厂商可能都过保了，整个交互不起来，这个时候我们面临无法获取生产型号，只能做人工的切换算法，这个痛点问题我们现在也是基于多模态的数据去自动识别，去做到自动唤醒，有效地解决了这个问题。
我们首先通过大模型把我们能收集到的所有数据，包括图像、视频、文档、表格信息分析，分析完之后用智能体自主调模型，可以实现无人参与的快速唤醒，降低人员唤醒风险。有两个案例也是在我们模组工厂的这被改造或者新增设备过程中，一个是大视野的解码AOI设备，还有涂胶检测设备的改造里边，我们使用了这种方案，去提升唤醒准确率和效率。
除了唤醒问题，生产过程中还有一类问题，尤其需要人员按照标准SOP操作的时候，比如在模组的组装，整机的组装，还有汽车的零部件装配这些场景，这些场景往往没有完全记录和监管，他可能需要现阶段都是一个寻线员，一个班组长来回寻，他不在时候这些数据就没有记录下来，更别说分析了，如果说这个过程中遇到了问题，留到客户端的话就会造成客诉，所以针对这个痛点问题我们也是推出我们的智能行为识别系统，对生产全流程进行记录和AI识别，实现精细化管理，而且我们还在单点每个工作点位分析，点上面再加平台再加AI分析平台，深度挖掘我们整个过程数据价值。目前我们也是在我们的显示模组、整机以及汽车零部件组装，还有传统的装配行业都有落地，实现整个全流程、24小时的SOP的作业记录和AI分析，有效避免误操作导致的品质问题。
前面说到的是生产过程中，其实生产后，AOI设备处理完以后，会有大量的数据出来，以往这些数据有可能人去做了复盘，有可能只是做抽检，这些数据其实很有价值，我们可以让数据来说话，一方面我们可以实现我们整个问题的溯源，改善我们的工艺，另一方面，像我们面板这块，我们还可以指导我们的维修作业。所以基于我们AI算法的ADC系统，现在已经成为AOI设备处理后的标配软件。但是现在的ADC系统也是有一定的问题，首先就是模型迭代起来，标注整个工作量特别大，另外算法模型特别单一，没法覆盖更多复杂的质检场景，现在ADC主要落地还在前段像CELL等这些段，到模组的话因为场景比较复杂、检测的各种缺陷比较多，现在没法覆盖，整个落地的周期也比较长，现在ADC项目基本上实施在半年到一年，所以对我们原来ADC系统做了全面智能化升级，在数据管理，还有算法搭建，还有模型部署这一块，都做一些优化，目前我们智能ADC的话，在整个面板不管LCD、OLED或者PCB、晶圆行业，都有很多落地。
刚才说的是平台式的ADC，除了平台式的，我们模组这一块整个离散式的设备也可以用AI的方式去处理，但是，现在遇到模组设备对时间要求比较高，实时性要非常快，整个数据流转一圈到平台上再回到设备这一块就会浪费很多时间，所以我们也是在这块实施了基于智能体的改造，可以理解成把ADC系统直接塞到设备里，通过的云边端架构，在云端训练模型，搭建智能体以后，直接发到设备端，设备端自主调用，这个也是目前可以推动我们整个产线的老设备去升级，目前也是像TSP的这些设备以及ceel这边模组这边都有很多的落地。
还有就是生产后的这些数据，其实除了图像数据，整个生产过程中的数据价值挖掘这一块也是有很大的改善点，虽然目前很多工厂已经导入了更新分析系统，但是还存在数据利用率低、参数整个挖掘出问题以后去调整我的参数周期比较长，整个调整过程还是以人的经验为主，所以针对这些问题我们尝试用智能体方案改善，在现有的数据系统的基础上搭建一些智能体，通过多智能体协同实现实时感知，智能体自主决策、最终实现自主调参的闭环管理。
经过刚才提的，包括现在这些大模型、智能体、知识库技术加持的AI质检大脑，解决了我们目前质检AI场景覆盖少，无法实现全流程管控，工艺知识和经验的沉淀利用率低，生产换型还有调参效率低的问题，我们也是可以赋能到生产的整个前中后全流程，去减少人力的参与，去提升我们整个的智能化水平，实现我们品质和效率的双重提升。
当然，AI的技术发展非常快，可以说日新月异，目前我们在质检领域的应用和探索还是冰山一角，随着AI的深度赋能，我们最终会让质检从看见走向洞见，让不良无处遁形，品质全流程跃升。
谢谢各位！
主持人：感谢王耀平先生的分享。软件能力的提升离不开与之相配合的硬件支持，下面有请京东方传感器业务市场研究与孵化中心谢振宇先生，为我们带来他的分享《AI+设备，让智能运维更高效-端侧自诊断传感器助力EAM平台升级》。
谢振宇：尊敬的各位伙伴，各位朋友，大家下午好！
感谢前面几位伙伴的精彩分享，我是京东方传感器业务市场研究与孵化中心谢振宇，我今天分享的题目是：AI+设备，让智能运维更高效-端侧自诊断传感器助力EAM平台升级。
我是来自京东方传感，我们也在一些玻璃基高算力的窄板，也是怎么样打造更高的算力。
但是，我今天其实要讲的是另辟蹊径，我打造的是端侧加小模型的小算力的技术。接下来我围绕两个点跟大家进行交流，第一个，因为这是我说的设备，所以，我们的设备智能化在运维过程中面临哪些痛点和挑战，还有就是刚刚我提到产品，我们核心技术以及创新突破在哪儿，怎么比较高效的赋能EAM系统，解决工业智能化运行过程中的问题。
我也是搞技术出来的，在生产设备过程中会面临很多偶发问题，不可预测的问题，这些问题轻则对整个产品品质达成波动和影响，这个其实挺恼火的，有时我们产品出现问题的时候，尤其整个产业链非常长，所以我们要找到跟设备相关的、跟品质相关匹配的问题的话，其实很难做到，即使我们内部有很多的传感器去采集数据，也很难做相应的一些分析，严重的话导致生产线的中断，会影响整个生产计划，甚至导致产品报废。所以以BOE生产线为例，哪怕下降5%，带来的损失也是非常大的。
我们怎么去降低设备的宕机率呢？最长我们出问题我们去解决问题，去维修，但是这种方法是救火队员的办法，最常用的就是说，我们按计划去进行维护，这样的问题会导致整个生产节奏很难协调，还有就是我们在备品备件库存高的问题，打破这种困境，我们要改变一些策略，所以，我们也在很多行业，像石油，包括煤矿，他们其实都在进行运行维护模式，是在设备上安装传感器做深度的建模分析，预测设备故障，减少意外停机。这么一个模式。
要实现预测性维护，现在主要两个模式，就是用边缘计算或者语音计算这两种模式，这两种模式最主要是说，都是把海量数据通过网络或者其他传输途径传到平台进行相应的数据分析，进行数据的达标、建模，模型的调整，这一套逻辑，但是这种分析其实是非常好的一个模式，但是也会面临一些技术短板，主要是有几点，第一个，因为传感器或者工业过程中采取的数据量是非常大的，所以海量数据上传对网络宽带和存储以及计算提到比较高的挑战，整个硬件成本相对比较高。第二个，基于某一个场景我们去建立采集异常数据库，去建模分析这套流程，其实它的复制性比较差，我们一个场景建立完以后移植到另外一个场景，通常还需要重新做这一套流程。第三个，后期的维护成本也比较高，因为持续需要人去跟踪、去做相应的分析。所以，总的来说，现有的方式存在一些相应的短板。
所以针对这个痛点，我们提的一个新的技术解决方案，就是端侧的AI自诊断传感器，它不仅仅是一个传感器，实际上把数据采集到分析到决策在一个小的产品里完成整个的过程，包括建模这一块。
我这里有一个我们现在的一个产品，其实非常小，就是这个小的盒子里面已经集成了传感器，包括AI的芯片，当然它AI芯片知道学习算法，也可以体会各种传感器，里面是振动传感器，但是也可以匹配包括电流，包括声音的传感器，甚至可以实现多传感融合的技术方案。
简单说一下它的基础原理，基础原理可以理解就是说，它从数据的采集完以后，会进行一个预处理，预处理完以后，把数据灌到我们的AI芯片里去，AI芯片有输入和输出，最后在AI芯片完成建模以后，会输出一个分析结果，实际上用的是全链接神经网络技术，可以理解简单说，我手里拿了一个东西，我的眼睛是我的传感器，最后经过我的神经大脑的整个思维，最后在我神经中枢反馈这个产品，这样的话就是说，相当于把模型建好了，我们在整个神经网络这一块，对每个节点、函数和阈值进行调整，最后输出一个差值，原理是这么一个原理。
简单说一下它的优势，第一个，不需要依赖海量历史数据建模，我只要把传感器安装到设备商在运行壮大情况先采集数据建模，几分钟完成整个建模过程，设备如果出现任何变化，后端都会有响应，我们设定一个阈值就报警了，我们是一对一的监测模式，所以设备的匹配度是非常高的。
第二个，对网络的负载有极大的降低，因为我们端侧完成整个数据的分析处理，所以，刚才说振动传感器为例，如果传感器本身数据量一天数据量是1G左右，但是通过我们传感器处理以后，数据只有10M20M，即使在工厂，比如说部署一千个传感器，一天数据量也是有10G左右，其实对工厂来说极大地降低了网络负载。
第三个，数据保密性很高，因为在端侧已经完成了数据处理，所以在有一些包括企业不希望把原始数据上传到平台，或者企业数据保密性比较高的话，也是有它的特点。
另外，我们这个产品极大地简化了传统大模型业务流程，坦率说，我们这个产品其实在某些应用场景，比如需要深度分析的应用场景，是有短板的，因为现在比如说做预测分析有很多数据库，数据库是采集5年10年积累的数据库，才能做深度分析，但是我们这个实际上是一个新的技术，所以没有历史数据库的，但是我们这个技术提供另外一个解决方案，我的产品监控设备的状态时候如果是一个稳定状态，不需要把原始数据上传，当我超阈值了，我可以把原始数据上传，这样对大模型后面计算分析来说，我分析数据第一量减少很多，第二，我分析的数据都是非常有效的数据，这样即使大模型做深度分析，它这个效率包括有效性也得到极大的提升。
我们在整个EAM系统里，我们集成多少智能传感器，我们可以把它安装在任何地方，有些设备已经有传感器了，有些电流或者什么，我们也可以把这些传感器数据输入到我们的端侧AI盒子里，所以通过EAM系统和我们的传感器，我们产品结合起来，就可以实现设备的数据设计、监控和预警功能，和EAM系统的各个功能联动，提高生产效率。
目前我们在内部和外部有很多案例落地，大概10几个，整体效果非常不错，也得到客户的认可，最近中祥英跟我们的合作伙伴三利谱李总这边也在做测试，目前部署10几个传感器，测试设备的不同位置效果。
因此，在整个EAM系统中，不仅仅是记录历史的库，而是成为能感知风险、精准预测、科学决策的智慧大脑，真正实现从治一病到治未病的跨越感知风险。简单举一个我们内部的例子，在福州工厂做了一个时间单位的案例，部署了有100多个传感器，这个场景比较复杂，涉及到起停，包括加速，包括一些空载负载情况，整体预测效率到95%以上，平均下来大概可以提前13天发现设备的问题，然后提前进行监控，效果还是非常好的。
以上是我的报告。
最后想说，AI技术进步不仅仅是提升效率，而是为了开创一个新的可能，端侧智能传感器正是AI+技术和设备深度融合的典范，期待与不同领域的专家们碰思想，交流合作，谢谢。
主持人：感谢谢振宇先生从传感层面对设备智能运维提供的技术洞察与解决方案。先进的技术与理念需要在一线实践中检验与升华。下面有请三利谱集团CIO李国华先生，为我们介绍《三利谱智能制造建设之路》。
李国华：各位嘉宾和来宾，大家好！我是来自三利谱集团信息化负责人李国华，今天很荣幸和大家分享智能制造案例分享。
首先简单介绍一下三利谱公司，我们成立于 2007 年，是在深交所上市的一家集团公司，专注偏光片研、产、销一体化的国高企业，产品从黑白系列到 OLED、车载中控偏光片。目前已建成深圳龙岗、光明、合肥、莆田四个生产基地，黄冈基地正在建设中。截至 2025 年 第一季度，集团有 4100 名员工，有117 项自主专利，愿景是成为全球一流的偏光片产品及技术解决方案供应商。为了实现这一愿景，迈向智能制造，是必经之路。
下面讲一下我们智能制造之路建设的难点。偏光片行业的智能制造并不好做，它既有离散制造的 “柔性需求”又有流程制造的 “连续要求”。所以在转型初期，我们和很多同行一样，撞上了三道 “硬墙”。
第一个核心问题是 “战略对齐难”：集团有长期规划，但到了基地落地时常常 “变味”，战略传导出现断层，而且投资回报率很难量化，长期目标和短期业务优先级存在冲突。比如有的基地为了赶订单交付而忽略集团统一的质量标准，导致库存增加，资源浪费。
第二个是 “业务协同难”：我们的基地分布在不同区域，早期基本是 “各自为政”，跨基地适配业务时，常常因为 “孤岛式” 系统泛滥，集团和基地之间协同效率特别低。由于业务流程没拉通，一些业务在线下进行，要查全供应链信息存在切换平台和线上线下数据捞取问题，特别耗时，效率低下。
第三个是 “技术与数据瓶颈”：不同基地用的系统五花八门，异构系统整合难度大，数据不仅不通，还 “难用”—— 要么格式不统一，要么标准不统一，而且系统扩展性比较差，想增加个新功能比较耗时，而且难度非常之大。
接下来讲一下建设思路，分为五大点。面对这些难题，我们没有盲目推进，而是先明确了建设思路，核心可以总结为 “五个核心抓手”：
第一，“战略定方向”：始终以 “集团价值最大化” 为核心，既保证集团统一管控，又给基地留足业务适配空间，比如分层规划生产流程，先落地紧急的订单管理，再推进复杂的能耗优化。
第二，“业务为核心”：把 “流程拉通” 当关键，比如生产环节从订单下达到成品出库，全流程数字化打通，同时兼顾 “标准化 + 柔性化”原则
第三，“技术搭骨架”：用 “中台” 搭建核心架构，引入中祥英的低代码平台，预留弹性空间，后续业务和功能调整不用重构系统；除此之外，在选型时，尽量选择具备软硬件集成、多系统交付能力的专业厂商——比如中祥英。
第四，“数据作引擎”：统一数据标准，比如基地的MES系统要与集团QMS系统集成，都按统一接口和数据标准，确保数据统一；未来还会充分运用大数据和AI技术，体现数据分析和决策能力。
第五，“组织做保障”：以集团QMS项目推进为例，公司成立跨层级的专项团队，由集团品质和IT负责人担任双项目经理，推动QMS系统数字化建设。
整体规划，绿色是已经完成的，基本上都做的差不多，我们做了整体规划，覆盖从办公到生产再到设备的全链条。办公层：统一了 OA、学习平台；经营层，落地了 CRM（客户）、SRM（供应商）、ERP；执行层：MES（生产）、WMS（仓储）、QMS（质量）等系统，部分已建成，比如深圳基地的 MES 已经实现生产全流程监控；设备层：通过 IoT 连接生产、物流、检测设备，实时采集数据；中间还搭了智能数据平台（MDW）和决策引擎。
第一阶段：筑基赋能·生产基地业务数字化落地
目前，我们的建设分三个阶段落地，也取得了一些实际成果：
第一阶段是 “筑基赋能”，聚焦生产基地业务数字化。这一阶段的核心目标是聚焦生产执行环节数字化改造，实现各基地业务闭环管控与高效协同。以莆田基地为例，我们和中祥英合作，共同搭建了莆田基地生产运营管理平台，平台涵盖了WMS、MES、QMS、PMS几大模块，实现生产执行闭环。除此之外，这一阶段还建了集团数据中心，把各基地的核心数据汇总，为后续业务协同和数据协同打下了基础。
第二阶段是 “协同整合”，部署集团级统一应用。这一阶段的目标是用 “三步法” 打破分散困局，构建了“全域可控”的集团化QMS系统。
第一步 “建骨架”，搭建集团标准指标库和规范库，总部更新了质检标准和规则，我们会同步到其他基地。
第二步 “通血脉”。这一步主要做两件事情，一是把研发、供应商、客服等质量数据拉通，实现数据有效利用，比如发生客户投诉，可以根据产品批次号追溯到生产数据甚至原材料检验数据。二是打通业务链条，突破系统孤岛，提升业务协同效率。
第三步 “强大脑”。我们重点做了 “集团 - 基地两级数据赋能”：一方面，集团层面建了 “质量数据驾驶舱”，实时归集各基地的缺陷数据；另一方面，基地遇到复杂问题时，能直接调用总部的知识库，这种 “集团沉淀经验、基地复用优化” 的模式，让数据真正成为跨基地协同的“桥梁”，业务单据在系统间自动同步的错误率降为 0，超期任务自动告警的，响应速度比原来快了 3 倍，管理层打开集团驾驶舱，就能清晰看到每个基地的质量、生产、设备数据，决策更精准也更高效。
三利谱智能制造的第三阶段是 “智能升级”，深化大数据与 AI 应用。比如在质量检测上，用 AI 视觉检测替代部分人工；能源管理方面，通过低代码平台分析设备运行，我们还计划沉淀缺陷规则库，新建的黄冈工厂后续可以直接套用这儿工人，另外我们正在建设的黄冈基地，其他也能够和中祥英有更多的合作，我们现在正在跟中祥英沟通过程中。
我的分享就到这里，谢谢大家！
主持人：感谢李国华先生带来的宝贵实践分享，为企业提质增效提供了非常好的思路。众所周知，中祥英的智能制造能力源于显示领域，但远不止于显示领域。依托京东方超过30年的制造经验与深厚底蕴，其技术和产品已经在半导体等领域深耕发芽，展现出了强大的竞争力。下面就有请中祥英半导体智造BU李文娟女士，为大家介绍《国产CIM助力高端先进封装信息化快速发展》。
李文娟：各位嘉宾，各位领导，下午好！很荣幸今天有机会在这跟大家我的主题：国产CIM助力高端先进封装信息化快速发展。
全球封装技术经历了五个发展阶段。从上世纪70年代通孔穿插封装技术，到80s表面贴装器件技术。当前全球封装行业主流处于以CSP、BGA封装为主的第三阶段， 并向第四、五阶段的SiP、TSV、2.5D/3D等高性能、低成本封装迈进，迎来以3D封装为代表的高密度封装时代。跨
中国先进封装市场趋势，随着5G、物联网、AI等新兴技术的需求急增，中国先进封装市场呈现技术多元化、应用场景扩展、区域竞争加剧的增长趋势。中国先进封装市场规模由2020年351亿元增长至去年的698亿元，同期年复合增长率为18.7%。特别以FCBGA为主占比达34%，2.5D/3D封装和FCCSP封装占各占到20%，所以先进封装占到整个封装市场的大头。
先进封装和传统封装的对比，相比传统封装技术，先进封装技术多样性，由有线变为无线，从芯片级封装拓展至晶圆级封装，从单芯片封装拓展至多芯片封装，从2D封装拓展至2.5D/3D封装，先进封装技术通过采用更紧凑、更高级设计和制程技术，缩小封装体积、增加I/O数。可提供更高集成度、更小尺寸，更高性能及更低功耗芯片。
传统封装和先进封装工厂对信息化需求还是不一样的，在传统封装工厂，主要以比如MES，能满足到生产的稳定运行，对非标设备能够做到数据的采集、协议的控制，包括像对质量和成本的控制，以低成本的生产模式保障为主，相较于传统先进封装这一块的诉求，一个首先需要满足到复杂工艺的支持，比如需预置WLP、TSV、2.5D/3D封装等先进工艺逻辑，而且对生产任务调度计划以及一些工艺缺陷检测也要做到纳米级或者微米级要求，同时对异构集成，需支持多芯片、多材料的异构集成生产流程有管控要求。另外，随着数据集成的处理，每日数据量能达到TB级工艺数据，需要我们引入AI驱动做到智能分析能力。
基于以上的信息化诉求，以及智能工厂建设的目标，数智化、智能化以及平台化，中祥英半导体智能制造平台提供的一整套FullyAuto运营方案，我们的平台是基于统一的技术框架以及封装很多公共的服务以及通用组件，包括采用这种服务化、模块化的架构，包括引入低代码的思想，整个打通CIM产品，一体化的平台，贯穿工厂的“人、机、料、法、环”等生产要素，实现对生产执行过程中全流程闭环管理。整个平台可以独立运行，也能组合使用，可满足不同产品类型的业务场景需求。
基于高端先进封装诉求上，我们提供一整套CIM Solution，覆盖前后道生产制造应用场景，先进封装，特别高端先进封装，越来越多依赖于前道技术，落地倒片封装、系统级封装、晶圆级封装、2.5D/3D TSV封装等客户业务现场，基于统一CIM Platform底座，贯通晶圆、封测生产业务，积累了不同先进封装工艺管控核心业务逻辑，模块化Solution服务支持Chiplet等新技术拓展提供支撑，精准适配中国千亿级先进封装市场需求。
随着系统要素导入，我们一方面要保障它的快速稳定化，第二个，需要能够快速助力客户产能提升和运营情况的改善。
在先进封装上我们代表性的MES的应用里边，其实我们也是内置了很多满足到TSV、RDL，包括DieBonding、WaferBonding、Boat基板管理这些典型场景应用，我们做到了By Wafer/Die Level级管控，同时像WaferMap/StripMap管控也是内置到系统的应用中，同时我们也在持续加大研发的投入，未来即将引入大模型AI的技术，帮助客户把整个智能工厂的信息化建设周期缩短20%，OEE的提升25%。
同时，我们也孵化了一个能满足到泛半导体工厂生产管理 FullyAutoSolution - ziFAP 产品，通过ziAPS产品，实现工厂从现有人机半自动到生产派工自动搬送作业，转换成生产执行过程中人机联动与系统业务流联动全自动生产作业闭环管理，从而实现后续高度自动化的黑灯工厂。
代表性的业务场景应用，像Abnormal异常处理，还有SPC/FDC Alarm自动化处理，以及自动化派工/物流搬送、PM 复机流程。
整个产品的特点，让我们用自动化流程驱动需求的应用场景，用可视化工作流平台，支撑人机交互应用，同时产品通过低代码拖拽方式，方便用户定制自己的需求。
接下来分享4个中祥英半导体CIM整个平台在先进封装的一些实施客户案例。
第一个，12英寸晶圆级TSV立体集成生产线项目案例。这个客户案例里边，客户产品线主要以2.5D和3D的产品为主，同时也有晶圆级Bumping还有微组装的一些产品，在这里我们实施的系统主要包含MES、SPC、WMS、EAP、RMS、RTD、AGV这些，一个典型的应用场景，我们通过MES和WMS结合AGW等实现了物料从仓库的发料再到车间的领料、退料，以及跨楼层、跨车间的自动搬送，实现从部分区域的物流自动化，结合RTD、EAP、RMS、FAP，实现这种生产任务的调度还有设备的自动作业，通过可视化的看板，还有包括用FAP做到异常流程的自动处理，实现由点及面，从单一的区域自动化推广到整厂生产的自动化的场景。
第二个案例，半导体显示驱动IC封装工厂案例。在这个客户案例里边，产品线主要是以Bumping、CP、COG为主，我们一期以MES、SPC、WMS、PMS、Report、B2B报表等相关系统，二期实施EAP、RMS系统，实现生产作业自动化。在这个客户里，我们主要围绕客户的业务场景，从仓库的物料送达，到来料的IQC检验，工单的借料检验，以及到生产车间、生产计划的下达，生产过程的追溯，质量控制，良率控制等，包括B2B报表的定时送达客户，通过相关的业务流程的串联和数据的集成，实现生产过程的数据全方位追溯以及可视化的监控，全方位提升客户的生产效率。
第三个是我们柔性基板封装工厂案例，客户主要产品线有Tape、COF、COG相关产品。我们实施的主要是MES、WaferMap、Report、Egate等系统，实现Manual作业、Map图档可视化管理，同时通过Egate采集了非标良侧数据和场物务数据自动采集，用大屏看板做的展示。
在客户案例里边我们实施BIN等级进行良率控制，实现生产过程中Map文件履历与不良信息的正反向全流程追溯。通过我们的MES等相关系统，自动做到图表的DownLoad基台，包括它的上传和下载，包括通过这种系统中的坐标定位，实现Egate、Wafer/Die Level整个良率信息追溯。
最后一个是我们系统级封装客户的案例，在这个案例里边，客户的产品线主要是BGA相关的两个产品，实施的系统包含MES、EAP和Report，在这个客户里边，我们主要是基于EAP采集的数据来搭建我们的数仓和数据可视化的平台，同时，实现生产自动化的实时监控。
通过我们的数据可视化平台，也是解决了客户向数据的不统一，数据孤岛以及数据的实时性比较差的问题，通过数据的统一化，提升的企业的信息决策效率，包括还有异常处理效率。
以上是四个案例的分享。
中祥英在高端先进封装企业的创新路上一直致力于赋能封装的芯未来，通过我们智能制造平台，助力高端先进封装企业更快速地发展。
谢谢大家！
主持人：感谢李文娟女士关于国产CIM系统在封装领域应用成果的分享。下面有请华尔科技副总经理王义贤先生，为我们呈现《智能制造助力四川省集成电路封装中试研发平台建设》。
王义贤：我要给大家一起分享的题目是：智能制造助力四川集成电路封装中试研发平台建设。
我们华尔科技成立于2018年，公司现位于四川省绵阳高新区新型显示产业园，我们特色突出三个字，快、精、优。快就是为集成电路设计公司，科研院所提供快速封测打烊服务，我们现在可以做到24小时交货，精就是精耕细分市场领域提供差异化产品、服务方案，优就是发挥设计封测优势为客户提供具有特色的封装工艺和优质服务。
华尔科技集团主要提供以下几方面服务，根据客户的需求进行评估，芯片设计服务，还有定制的封装方案，以及封装设计的仿真评估。中祥英与华尔科技协力打造智能制造中试研发平台，我们的产品已经广泛应用于国防科技、电子信息、消费类电子等领域。
在国家大力扶持这个集成电路的产业，得到了飞速的发展，这儿有三个数据我与各位一起分享。
我们整个2024年全国集成电路的销售规模达到了12890亿元，预计2025年将达到13535亿元。集成电路产量2024年已经达到4514亿块，预计2025年将5191亿。进口数量，2024年进口数据还是很可观的，光是进口集成电路进出口数量就达到5492亿块，此后2024年也有增长，达到2981亿块，这个大家看一下还是比较吓人的，2024年我们进口已经达到了3856.45亿美元，我记得2015年曾经我们芯片进口已经超过石油的进口总额，这是我印象最深刻的时候，集成电路这个产业主要分集成电路设计、晶圆制造、封装、测试三大产业，他们分别的占比，设计是占大头，大家可以看一看，占了44.56%，晶圆制造占了31.56%，中国具有代表性的就是现在中兴国际，我们这个行业叫晶圆制造，整个行业是2024年的数据。封测行业占23.88%，从上面的数据可以看到，我们集成电路进口还是需求很大的，刚才有一个数据是5000多亿美元。
集成电路先进封装潜力很大，我这儿跟大家可以分享一个数据，从我们这个产业，就是我们集成电路产业来看，国内三大封测上市公司，长电科技去年销售规模达到了350亿人民币，南通通富微电达到了244亿，天水华天科技达到114亿，这三家是目前我们集成电路产业封测的三大龙头，这三家可以在这儿给大家分享一个信息，应该说网上有了解到，整个7纳米的制程，3家都已经具备，再特别强调一下，通富微电已经可以具备封装GPU，也就是刚才大家讲的AI这些芯片，可以这样讲，我们集成电路应该AI大的产业里面的工业粮食，这几年从整个发展势头来看也还是整个集成电路发展的非常快速。
我们四川的中试研发平台封装的中试研发平台，就是由华尔科技承建，2024年获得四川财政厅、科技厅认定支持建设的首批11家省级中试平台之一。我这儿强调一点，我们是唯一一家在四川获得集成电路封装的中试研发平台，这个平台2024年已经获得授牌。
我们这个中试研发平台，具备可以提供以下几方面的服务，第一个，快速封测服务。我刚才讲了，因为现在好多科研院所、设计公司，这些大厂不愿意接这些设计功能验证性的样品封装，我们就以这个为切入点，我们做到了快速封装服务，快的时候可以做到24小时，满足设计公司功能性验证的设计需求。还有一个，我们的封装设计服务，集成电路的功能测试服务，电性能参数测试服务，可靠性验证分析，时效分析、芯片设计服务，以及图片服务，我们公司的特点就是，将芯片设计、芯片封装、提供成品和服务方案，三者融合在一起，这就是我们公司的一个优势和特点。
中试研发平台从建立之初，我们就从提升生产良率，提高产品质量，提升生产效率三方面入手，打造一流的中试研发平台。我们与中祥英一块，合作助力中试平台建设，智能制造赋能主要从ERP、OA、PLM、CRM四大方面内容进行赋能，因为时间关系我下面就不一一说了，有感兴趣的我们下面可以一块来深度交流。
一般的工厂自动化，前面各位嘉宾也已经讲了很多了，我这儿就不再重复了。
我们这个研发基地，智能制造实现了可视化的价值看板，为管理者提供全景式的数据和状态。第二个就是为职能部门和专业人员提供专业的报表，相关的数据，然后使我们这个系统能够得到及时的改善和最大效率的发挥。
第三张图，在产线的电子看板，实时呈现生产的状态，物流、人流、信息流的及时翻译出来，让我们一线管理者能够及时快速进行相关调整，使我们的生产效率得到最大的提高。
根据我们做智能制造心得，感觉到EAP解决方案是很关键的一个问题，也就是我们的系统与我们的设备相关数据能不能实现互通，最终实现自动化生产。
通过智能制造的赋能，实现了以下几方面成果，我这儿给大家举个例子。
我们封装有一个粘片工艺，我们第一个图这儿就是相当于对我们这块的描述，基于物联网的自动化产线，第二，动态生产计划与自动派工，第三个MES系统的全流程监控，第四，产能监控与瓶颈识别，这个非常中，集成电路封装这块生产效率是非常重要的。这些各个成果的展现就不一一说的，下来就是设备的自动化、智能的检修一体化，全生命周期的质量管理、良率管理、智能检测缺陷检测等等，这十大成果是智能制造赋能过后要产生的一个效果。
智能制造终极目标是无人工厂，上面这些数据也是我们终极要达到的，现在我们平台，就是中试研发平台已经实现的是我们获得率已经达到99.7%，也就是如果你们要拿芯片来跟我们封，除了你的参数原因以外，我们必须要提供这样99.7以上的，这是与国内三大公司，刚才讲的长电科技、通富微电、华天科技都是这个看齐的。
通过智能制造，我相信对中国半导体产业革新是巨大的，推动我们的制造升级，同时，进一步推动我们的设计创新，推动供应链的升级。
最后，速封助力中国芯（音），华尔与你携手共创芯未来。谢谢各位！
主持人：感谢王义贤先生的精彩分享。前面大家分享了很多智能制造方面的案例，其实中祥英在场务管理方面也有新的突破。下面有请中祥英云服务BU王达川先生为大家带来AI+安环，让EHS管理“以人为本”，有请。
王达川：尊敬的各位领导、来宾，大家下午好！很高兴今天有这个机会跟大家一起分享探讨一下我们在整个安防管理和EHS方向上数字化智能化上的一些努力。
首先，我们说EHS管理常规管理方式其实是一个以满足合规性条件和行业标准的最低要求，避免事故发生，减少企业损失带来的常规性的管理，我们现在提出以人为本的EHS管理方式，本质逻辑是八大家从以事为管理方向转变为以人的核心价值和需求来进行人性化的管理。
我们传统的EHS管理面对四大困局，第一，很多管理方式都是以事后补救为主，没有做到对风险的智能预判，没法提前规避风险。第二，整个风险排查过程中，还是依赖于人工，第一个是消耗我们的人员成本，第二，因为人的疏漏容易形成盲区，造成我们漏检最终导致事故发生。第三个对于员工的职业健康的关怀，更多是以显性伤害稳住，遗漏了对人员健康的隐性伤害，比如职业病，包括心理上的一些疾病，会导致一些非正常情况下的事件发生。地四大块，员工安全培训流于形式，没有做到场景化覆盖，当人员流动比较大对新员工个人能力没有把控的。
因此，我们整个以人为本的管理方式理念，就是守住安全底线同时，提出我们个性化的方案，实现减负增效。
介绍我们方案之前，想给大家分享一下在京东方的EHS管理的发展历程。大致分成五个阶段，最开始的初创时期，企业在这个阶段更多时候还是以满足生产必需的条件为主，同时，我们以EHS管理防控风险，满足国家的政策法规为一些指标，去被动性响应。过了这个阶段之后，我们随着法律法规的完善，我们也践行组织架构升级，由集团设立安全委员会，各个基地有生产安全部门，形成总部统筹到各个基地执行的垂直管理模式。第三个阶段，我们开始出现一些系统性管理，我们通过我们办公门户，通过在我们的企业内部的DPM系统中，出现一些流程管理表单。第四，数字化升级阶段，把固化下来的流程做了一些一个一个的子系统，这些系统也发挥了一些相应的价值。
最终我们把这些系统进行了统一的整合，形成的全集团平台性的整体化方案，为各个基地进行使用。最后一个阶段，我们智能化转型的时期，现在我们结合京东方AI+战略，引入一系列智能算法，最终让我们以人去替代部分机器进行一些重复性劳动的工作。这就是我们AI+EHS整体架构。
我们主要分成三个层面，第一个层面，我们这组设备的感知层，我们感知层更多是处于神经末梢的角色，通过各种类型的传感器，实现了对现场数据实时感知，能让我们了解现场的情况，能使员工的工作环境受到可控的监控状态。第二个，我们也有一些对于设备的监测，刚才谢总那边报告也讲了，我们通过一些温度传感器，包括电流电压的抓取，我们能实现对设备状态的感知，与此同时结合安全手环，安全帽，包括对员工的定位卡，实现对人员的感知，有了我们现场神经末梢之后，平台层更多承担了整个心脏的工作，我们整个EHS平台随着整个基础性平台建立之后，进行了一些升级，我们完全依托于低代码平台进行业务流程的搭建，通过物联网平台实现了底层数据的采集，我们通过大数据平台进行了一些数据的分析算法，最终我们通过人工智能平台来打造一些专用模型，为我们的业务层服务。
有了底层技术之后，我们在应用层更多其实是开展对于我们业务的一些管理，其实从环境管理方向来说，我们主要还是对我们的污染物进行统一的管控，实现我们能源资源最大化。在我们整个职业健康领域，我们通过对职业健康和岗位因素的分析数据形成因素数据库，最终我们通过智能健康评估的助手形式，实时评估员工工作状态。
从安全管理方向，我们在满足国家相关法律法规之后，形成了一套从预防到监测到最后复盘的一整套PDC管理1体系，通过现场的智能化设备，最终能使我们对于整个现场的管控更加全面。
下面我主要通过刚才提到的四个场景，然后结合AI给大家简述一下整套产品结合AI之后的价值。
第一个，对于安全管控的闭环升级，我们由主动预判变成动态监管。整个安全管理最核心其实就在于双预防机制的建设，什么叫双预防机制，就是风险分级管控和对风险点的隐患排查治理，传统的管理方式只能实现比如说我事前的预防、宣导，包括事后复盘，对现场的监管其实是缺失的，我们通过这些传感器，我们能更多的在隐患发生阶段之前自动去判断我们风险等级，然后让我们的风险等级处于更加可控状态，提高我们对风险应对的整体措施，最终我们对所有的风险处理之后我们都会形成这样一套举一反三数据库供其他使用。
第二块，我们主动防控，刚才大家在门口也看到了我们机械狗会引导大家进入会场，其实本身智能巡检机器人用于工厂的日常巡检使用，我们现在一个大型的厂房动辄40、50万的建筑面积，可能大一点的过百万的建筑面积，相应的员工数量其实是很少，我们整个现场的巡查巡检用人做可能不可避免地会有一些遗漏或者一些误报风险，我们通过不同的感知设备，比如说我们的AI摄像头，包括我们的移动哨兵，我们挂轨式的机器人，还有自行式的巡检机器人，还有机器狗，通过一系列的自动巡检设备，把我们现场情况进行统一的抓取，这个场景最有用的地方就是，我们现在危险作业期间，原来人只能做到巡查巡检，现在我通过机器设备，或者通过视觉设备，能实现对整个作业的管控，有效的避免了我们整个伤害。
第三块，我们对于员工健康的呵护。
传统的做法更多的是把我们的一些职业健康法中的风险数据进行导入，我们有员工的体检信息进行导入，其实这两者不能做到有机的结合，我们现在去做AI+DHS的情况，我们会把这些数据统一进行整合之后，训练出我们的相当于对于员工这些健康关怀的小助手，它能评估这个人员在这个岗位上是否能承担这个岗位相关的工作，善后配套现场传感器能规避一些隐性风险，同时通过对话式的训练和问答，能为员工去提供一些开解和疏导作用，避免心理健康疾病的发生。
第四个，对于人员培训的案例。我们传统的培训方式，更多的还是以统一的安全培训为主，统一的培训不能给员工起到很大的机制，那现在其实我们结合AR/VR沉浸式模式，为我们企业提供这样一个虚拟实训场景，让人工很快入手现在的工作，通过我们对于整个岗位的职责分析，确保人员跟岗位度的匹配，最终实现了对于员工的入职之后对于安全的快速认识认知，避免了这些风险的发生。
刚才讲了这么多优势，其实我们在过往项目过程中其实遇到最大的问题就是客户会问我们，我们通过这套系统会产生什么价值，其实在我的理解中，我们整个的安全其实是一个企业管理的重中之重，也是ESG这样的信用评级报告中核心的内容，安全其实是不能用价值来衡量的，但是我们可以从数据上看到，我们通过这些系统最终为企业带来什么样的效益。
整个以人为本的管理模式，从业务场景来说，就是从以事为中心转变为以人为中心，让EHS管理从约束人、管控事的工具，变成服务人、成就人的载体，真正做到以人为本，实现对于员工自身价值的落地。
其实我们AI结合也处于刚起步或者说萌芽阶段，依然在后面有各种各样的问题，我们总体让我们的数据更准确，让我们的算法模型更匹配到每一个用户的不同的场景，最终形成可落地的解决方案。
我给大家简单介绍一下这是我们一个实际的项目案例，这是一家新能源企业做锂电池的龙头企业，我们给他做规划的时候一共规划了整个九期的EHS建设项目，目前正在进行三期实施，第一期其实我们是抓住了他最核心的，实现了风险的升级管控，做到举一反三排查，第二期，我们主要是做对于应急的管理，第三期，我们是做了整个全维度覆盖，在后续我们可能会引入一些智能化或者是我们大数据分析的一些相关的场景。
EHS之前我跟一位工厂的EHS总监聊到这个事情的时候他给我提过一句话，他说由AI取代人并不是真正让AI取代人，让人无事可做，而是应该让人从繁杂的日常工作中释放出来，让人去做一些更有价值的事情。我想这就是AI能为我们整个在安环领域上最大的价值提升。
这就是我今天的汇报内容，感谢！
主持人：感谢王先生的精彩分享。
从单一器件到整体工艺，协同优化是提升产品性能与制造效能的关键。下面有请中祥英技术中心刘楠博士，分享他的研究成果《泛半导体行业的器件与工艺协同优化仿真平台》。
刘楠：各位领导，各位嘉宾，大家好！今天我分享的题目是：泛半导体行业的器件与工艺协同优化仿真平台，这个是完全中祥英自研的，这个东西起源于董事长的一句话，就是要用仿真的手段减少投入，我们做到今天也有3、4年了，有了一些成果，现在想跟大家分享。
整个我们泛半导体行业，包括显示，包括IT制造，我们用一个词儿，就是我最近经常用的，我们难就难在它是跨尺度的制造问题，最近写东西经常用。为什么说跨尺度，我们在2.29乘以2.62这么一个大的玻璃基板上实现纳米级的膜厚还有微米级的器件，以及我们电路精密的控制，在设计阶段，因为我们用户产品的需求总想整点创新，给我们设计人员带来很多问题，比如说划线划近之后可能满足性能欲求需求，但实际上带来一些电磁的影响，对良率的影响，到验证阶段可以发现很多设计的问题，本身验证阶段也有问题，包括工艺参数是不是合理，器件测定是不是合理，到制造阶段，事更多，包括初始良率比较低，如何缩短良率时间，我们还遇到各种各样的不良、缺陷，我们还得找原因，还有挺多找不到的，比如说同样工艺参数下出来的性能不一样，怎么办呢？最后没有办法了继续做，整个泛半导体行业，从研发到制造处处都是问题。
现在大家经常听EDA相关的比较火，说是卡脖子之类的，实际上的确也是卡脖子，像我们设计端就有很多工具，这里边只列出几个，还有验证端，列的9个国内没有一家企业可以做完整，在底下这一块，我们着重是制造端的仿真工具，制造端仿真工具也有很多，这三个列出来的是我们相当于模仿新思，它就是按这个东西来分的，然后我们目前关注就是器件与工艺仿真这一块，这块最大的问题就是技术壁垒确实高，涉及到很多基础物理还有基础数学，包括求解，然后我还得跟工艺，跟我们KnowHow，还有实验数据进行协同优化，这个东西我觉得像国外新思等都是经过好多年的研发，包括收购一些企业，才能解决这些问题，我们反正靠自己勇气外加努力，我们也大概做了一个东西出来。
现在想以这个为核心，从现在的基本可用，到未来我们希望能够引领，就是说把这个TCAD跟我们制造端的数据联系到一起，以显示器件为核心，辐射到功率器件、存储器间还有等等等等其他的器件，最终希望能够把国产的TCAD做出一些新的东西出来，有一些竞争力。
这是没有仿真之前，可能以我们显示行业为例子，集成电路很久以前就用TCAD了，但是我们之前是没有用的，原来可能华大九天能够做一些，我们显示行业老化等工艺他是仿不了的，我们只能自己做，把相应的公式加进去，我们还针对显示器件，包括工艺，做了一些优化，基于显示行业的特点，比如说我们曝光，我们有一个工艺，这个集成电路是没有的，我最后还有一道工艺，可以弄成半圆形的点，像可视的话，实际上现在市面上所有的商软都是基于平面刻的，但我们业务要求，我得有光刻胶残留的时候往下刻，这个东西才对我们制造有点意义。这些仿真之后，从工艺到图片到达成到性能优化，其中只要有一个环节不行就得返回重新做，所以这个东西时间是非常长的，就以单独BP工艺来讲，做一轮验证就得20天，一个全膜层的验证就得45天，45天基本运气好的话做三次就完成了，运气不好得做5、6次，最倒霉到最后量产之后发现问题，整个周期非常长。
这一页介绍我们平台主要的功能分三大块，包括工艺器件和电路。
工艺是我们对真实的制造工艺进行，我把设备参数输入之后我输出的形貌是跟实际差不多的，现在我们准确率做到都超过90%了，有一个是说我们独有的，我们跟设备参数是严密关联的，这个东西其他家的那个东西他们以设计为主，可能不是以制造为主，他们工艺仿真没有太多的考虑，我如何根据设备的参数调整来看这些有什么变化，器件仿真这一块，我们把器件结构做出来之后，通过一些公式的计算，就可以把电源特性都计算出来，包括一些业务部门最关心的迟滞仿真、PDTS、NBTS之类的特性，都能仿出来。然后电路设计这一块，我们是基于一些已有的开源的东西，里面加入了我们特别关心的老化，包括图像等等的仿真。
这是工艺的型号预测，中间这个连续工艺，我们拿集成电路做例子，我们怎么实现连续工艺的，因为集成电路最明显的就是有一个CMP工艺，有膜屏，在我们显示行业是没有的，把这个连续的仿真做出来之后，我们可以跟实际的形貌和想要的形貌做一个对比，如果说达成split，我们就可以实际投产的，因为我们这个准确率都还蛮高的，都超过95%，
这一页介绍器件仿真，相当于我们完全踩在巨人的肩膀上，跟国外软件学的，但我们也加入了一些自己的小心思，包括我们可以交互式的建模，包括计算也会加一些优化，最终形成的效果也还可以，准确率算可以超过80%。
这就是电路仿真老化模型，为什么特意提这个老化模型，老化模型华大九天没有，我们自己把老化模型加进去了，加进去挺高的，我们可以把TFD器件里材像仿真仿的也很准，提取各种实际的电路的集成参数也很准，跟实际的差不多，现在也在推进一些长时间老化的仿真，包括三个小时，包括八个小时的仿真，因为对OLED来讲时间长以后仿真出现状况的话我们可以想一些对策看如何来做。
这就是一些应用场景，新材料我们业务没要求，我来一个新材料之后，你希望我看一看拿新材料的东西做的话，我们的型号有什么变化。但是最大的问题就是说，国内的厂商参数不准，所以说给过来那个东西做出来东西结果也会不准，所以说实际上对我们真正的新材料选型帮助没有那么大。还有就是可靠性预测、寿命预估，还有我们以后想做的制造端东西联动进行协同优化，形成从研发制造的完整闭环。
这是一些应用案例，我们对BP段（端？），为什么选BP段，我们BP段是电路，是每个产品都会变的，而且每个产品参数都微调，虽然成本没有模组段高，但是这是头对头的，就是他们花时间最多的调整BP段的参数，通过全流程下来，可以节省很多时间，但是现在正在验证，以后有结果会跟大家及时汇报。
这是一些场景，纯设计的，板图画的不合理，通过光刻仿真发现这个东西太细了，是不是可以优化一下板图设计，中间那个就是发现不良了，把不良情况扣出来，发现是覆盖性有一块缺了，这样我们调整工艺仿真参数，看看什么时候可以把覆盖掉，然后这其实就可以省下很多的工艺调整的时间，最那边的话就是一个器件电路和混合仿真解决老化的问题。
这个是我们达成的指标，总的来讲，准确率还可以，但是我们现在在找应用场景，希望能够创造更大的价值。
下一步，我们希望加更多智能化的东西，比如说AI，我们可以做多参数寻优，可以替代时间太长的仿真的工作，我们还希望加入多物理场的东西，现在新思和CWCO（音）就想做这个事儿，我们跟西门子也可以做这个事儿。再后边和制造端的话，我们可以做跟制造数据的联动，数字孪生所谓，但是我们这个数字孪生是从微观到宏观真正有用的数字孪生。
仿真这个东西已经出现40、50年了，虽然说我们站在巨人的肩膀上可以少走一些弯路，但是我们仅靠自己的力量也只能做一小块，我们希望借助更多国际头部软件的技术能力，大家一起来打造一个开发平台、解决方案，包括技术服务，最终可以帮助客户提升研发效率、良率与可靠性。
谢谢大家！
主持人：感谢刘楠博士带来的精彩分享。工业仿真作为高端制造的“核心引擎”，在电子制造等领域发挥着不可替代的关键作用。
接下来，让我们共同迎来一个重要时刻：中祥英将与全球工业自动化与数字化领域的领导者——西门子，正式签署战略合作协议。此次合作将深度融合西门子在工业软件、数字化解决方案与仿真技术方面的优势，与中祥英在行业解决方案与本土化服务方面的核心能力，共同增强生态联盟的技术厚度与服务水准。
现在，将由我代表西门子工业软件有限公司，然后请北京中祥英科技有限公司张园（音）女士上台。
（签约仪式、合影）
未来，中祥英将继续以京东方全球产业链为依托，携手更多像西门子这样的顶尖合作伙伴，通过能力协同与资源共享，实现“聚链成网、智赋未来”的生态愿景。最后，感谢所有嘉宾的经验分享，感谢各位伙伴的全程参与。让我们以AI为引擎，携手共创智能制造新未来！本次论坛到此结束，谢谢大家！
—结束—
