11/17/2026 | Press release | Distributed by Public on 11/17/2026 04:49
11月6日,在杉岩数据主办的「AI 向实,智造向新--2026 智能制造数据价值与 AI 应用大会」上,一场以「AI走进制造现场:从场景突破到规模应用」为主题的圆桌对话展开。
从全员拥抱 AI,到质量检测、预测性维护、生产运营分析等具体应用;从数据质量、工艺知识沉淀,到算力成本、信息安全和人才体系建设,嘉宾们抛开空泛的概念,从一线业务痛点、数据治理底座、混合算力架构、跨学科人才组织以及底层物理规律融合等维度,展开了一场直面问题本质的坦诚交锋。
圆桌主持人:
邱尚高 | 杉岩数据联合创始人、CEO
圆桌嘉宾:
杨 磊 | 吉曜通行制造领域数智化总监
陈小皇 | 水晶光电 CIO
耿忠磊 | 全球头部汽车零部件制造商 IT 负责人
林海锋 | 超聚变 Token Factory 解决方案总经理
唐 卓 | 湖南大学计算机学院院长、国家超级计算长沙中心总工程师、杉湖智算s
圆桌核心观点:
AI 落地不能停留在全员提效,而要深入业务场景。从办公辅助走向生产运营,最终要创造可衡量的业务价值。
数据质量决定 AI 应用的深度。数据治理、工艺知识沉淀和业务经验结构化,是工业 AI 落地的前提。
AI 落地不是单纯的技术问题,而是系统性工程。涉及算力成本、信息安全、业务流程、管理机制和复合型人才。
从 PoC 到规模化,需要从单点突破走向体系化变革。不仅要在现有流程中应用 AI,更要探索以 AI 重构业务流程和生产模式。
我们希望借此将这些精彩的思想火花传递给更多关注 AI 落地实践的读者。以下为本场圆桌对话实录整理。
邱尚高 | 杉岩数据联合创始人、CEO:
在讨论具体的生产场景之前,我想先从一个相对宏观的问题开始。现在 AI 已经成为企业管理层高度关注的话题,那么从企业高层到业务部门,他们对 AI 有什么要求?这些要求又给大家带来了哪些挑战?目前 AI 在工厂生产环节到底用起来没有,推进节奏与实际成效如何?
杨磊 | 吉曜通行制造领域数智化总监:
随着 AI 工具越来越普及,我们集团内部已经逐渐形成了全员拥抱 AI 的氛围。
一个比较直观的变化是办公效率。以前大家做 PPT,可能需要自己整理数据、分析内容、设计页面,往往耗费不少时间,最终效果还不一定理想。现在借助 AI 工具,员工能够更高效地完成高质量的汇报材料。除此之外,大家也开始利用 AI 获取行业信息、公开数据,辅助日常分析和决策。
这些变化让全员都能切身感受到 AI 带来的便利,也让管理层越来越意识到 AI 的重要性。与此同时,这种关注也逐渐传导到各个业务部门,大家开始思考如何借助 AI 推动自身业务转型。
但挑战同样明显。
首先是技术路线的选择。现在无论软件还是硬件,都有很多不同的技术方案,模型也不止一条路线。企业需要思考,究竟应该选择哪些技术,分别适用于哪些业务领域,最终如何形成经过验证的最佳实践。
其次是如何处理 AI 与传统数字化建设之间的关系。全员 AI 的氛围起来之后,业务部门会提出大量需求,但其中有些本质上还是传统数字化系统建设的需求。我们不能简单地否定,而是需要通过 IT 与业务协同,把真正有价值的需求逐步引导到 AI 能力与业务场景的结合上。
此外,企业过去积累了大量数据,但很多仍然停留在 BI 分析、可视化看板等应用层面,数据的灵活性和实时性还不够。我们也在探索数字员工、智能体等形态,希望通过整合有效数据源、构建不同业务主题的技能包,让 AI 能够更灵活地获取和使用企业数据。
最后还有信息安全问题。尤其对于业务规模较大、涉及海外协作的集团型企业,既要满足业务对 AI 的使用需求,又要确保数据安全,如何在两者之间找到平衡,是必须面对的现实问题。
所以我认为,AI 不能简单地被理解为 IT 部门的事情,而应该成为业务与 IT 共同探索、共同推动的过程。
陈小皇 | 水晶光电 CIO:
我们公司也提出了全员拥抱 AI,但在最初阶段,确实经历过一段比较焦虑的时期:不拥抱,担心掉队;真正要拥抱,又不知如何做才能更好。
当时我们也反复思考一个问题:AI 究竟能在经营层面、行业发展层面给企业带来什么能力?是应该等行业和技术更加成熟之后再行动,还是现在就开始尝试?
最后我们认为,还是应该先行动起来。
原因主要有两个。第一,AI 领域的人才和认知都在快速变化,如果企业不主动尝试,内部人员的认知就很难跟上行业发展。第二,只有真正去做,才能知道 AI 在自己的行业和企业里究竟有哪些价值点。
当然,行动起来不意味着盲目投入,顶层设计仍然非常重要。我们需要结合行业趋势,明确企业自身的目标和价值方向。
另一个很重要的变化,是我们逐渐明确了业务与 IT 在 AI 落地中的分工。过去大家会纠结,究竟应该由业务部门来做,还是由 IT 部门来做?现在我们逐渐意识到,需要两者融合,也需要能够连接业务与 AI 技术的复合型人才。
当 AI 能力真正与企业业务流程、业务规则和经营管理结合起来之后,落地路径就会越来越清晰。我们也是从一些小场景切入,先让大家看到实际成效,再逐步扩大应用范围。随着个人 AI 提效和小场景应用取得进展,组织内部的信心和资源投入也逐渐增加。
耿忠磊 | 全球头部汽车零部件制造商 IT 负责人:
对于全球性的制造企业来说,AI 落地还有一些特殊的约束,尤其是数据跨境、海外模型使用以及企业内部的合规红线。
有些在国内比较流行的 AI 工具和解决方案,在海外企业内部可能受到严格限制。即使是员工办公层面的效率工具,也需要考虑不同地区的政策和企业管理要求。
但从企业价值来看,我们也逐渐意识到,单纯减少 PPT 制作时间、会议纪要整理时间,虽然能够提升员工效率,却不一定能给企业带来足够显著的业务价值。
因此,我们现在更关注 AI 能否真正进入具体业务场景。
制造业本身有其特殊性,和互联网企业相比,生产现场涉及大量物理设备、工艺流程和复杂的生产条件,AI 能够直接落地的场景相对有限。比较成熟的应用,仍然集中在视觉识别、质量检测、趋势分析等领域。
此外,企业投入 AI 还面临一个很现实的问题:ROI 如何计算?
管理层愿意投入资源,但业务部门在提出 AI 方案时往往比较谨慎,因为很难准确判断投入之后能够带来多少回报。如果无法明确价值,大家自然会担心投资打水漂。
所以,我们也在持续尝试,但会更加关注具体场景的可行性和实际效果,而不是为了追逐热点全面铺开。
邱尚高 | 杉岩数据联合创始人、CEO:
我觉得几位嘉宾的分享反映了一个共同现象:企业对 AI 的关注已经从最初的认知普及,逐渐转向具体业务价值的探索。
但这里面有一个关键问题:AI 不能只停留在办公提效,更重要的是进入生产制造环节。那么,从数据积累到智能应用,企业该如何治理底层数据,并把老师傅脑子里的工艺经验转化为 AI 能理解的资产?
杨磊 | 吉曜通行制造领域数智化总监:
从实际应用效果来看,我们目前还没有完全达到预期,但一直在围绕业务痛点推进场景探索。
我们内部比较强调一个原则,就是从第一视角出发。行业里看到的可能只是一个面,但最终还是要回到企业自身的具体业务问题。
我们的策略通常是以点带面。比如,一个基地在某个场景中,通过一定的技术手段减少了问题发生,或者降低了人员投入,即使还不能百分之百解决问题,只要能够解决其中 80% 左右的问题,我们就认为这个场景在 1.0 阶段已经具备一定的推广价值。
随后就可以将经过验证的方案横向复制到其他基地,让更多业务部门感受到 AI 的实际作用。
举一个具体的例子,我们目前正在探索电池生产中的化成分容环节。
这个环节能耗相对较高,生产周期也比较长。电芯生产完成之后,需要经过充放电测试,通过相关电压数据判断产品质量。这里面涉及大量数据分析和质量判断,也是我们希望通过 AI 提升效率的一个方向。
有人可能会问,设备供应商也在做类似尝试,为什么设备商还没有取得突破,企业 IT 或数字化部门反而可能做出一些进展?
我认为,这里面有一个数据积累的问题。设备供应商虽然对设备本身非常了解,但企业作为实际生产方,往往拥有更丰富的业务数据和生产数据。我们可以借鉴其他领域已经验证过的经验,减少重复试错,在此基础上继续探索。
邱尚高 | 杉岩数据联合创始人、CEO:
杨总提到了一个很有意思的观点:设备供应商拥有设备侧的数据和经验,但企业本身可能掌握更丰富的业务数据集。
这也引出了一个问题,AI 要真正进入生产现场,数据究竟应该发挥怎样的作用?
陈小皇 | 水晶光电 CIO:
我认为,AI 应用的成果和价值,很大程度上取决于数据质量。
我们在推进 AI 的过程中,采取了两条并行的路径。
第一条,是优先选择数据相对成熟、业务价值比较明确的小场景。这些场景的数据集比较完整,能够在短时间内开展验证,快速获得一些实际成效。
第二条,是针对复杂的、多场景联动的业务问题,和业务专家一起梳理业务逻辑与数据关系,再通过人工加自动化的方式,将数据和经验逐步转化为 AI 能够使用的知识。
例如,MES、设备 IoT 等系统已经采集到的结构化数据,如果主题明确、质量符合要求,就可以自动集成到 AI 知识库中。
但还有一些对企业非常重要的业务经验,并没有以结构化数据的形式存在。这部分内容就需要高级工程师等专业人员进行整理,将他们的经验和知识沉淀下来,再提供给 AI 使用。
所以,我们不是简单地把所有数据都交给 AI,而是根据数据成熟度和业务价值,采取不同的处理方式。
耿忠磊 | 全球头部汽车零部件制造商 IT 负责人:
我们在生产制造场景中的探索也比较类似。
首先还是数据质量。如果底层数据本身不可信,那么 AI 给出的结果和建议就很难被业务部门采纳。因此,我们目前也在逐步推进数据治理。
在具体应用上,我们已经开始尝试预测性维护,以及工厂运营分析。
例如,在设备侧,我们将 PLC 采集到的源数据,通过中间件和相关通信协议进行整合,再结合一些小模型,对设备运行情况进行分析,尝试预测设备可能出现维护需求的时间窗口,从而提前安排维护。
另一个场景是工厂运营分析。我们尝试将设备效率、一次通过率、工厂产能以及客户需求预测等信息结合起来,为工厂经理和运营经理提供分析结果与运营建议。
但需要强调的是,目前这些应用还不能完全替代人的判断。
AI 可以提供预测和辅助建议,但最终是否采纳、如何调整,仍然需要管理人员结合实际情况做出决策。这和现在企业使用智能体进行合同审核有些类似。AI 可以帮助法务发现问题,但最终审核和责任承担,仍然需要由专业人员完成。
因此,在现阶段,我们更多是把 AI 定位为辅助分析和辅助决策的工具。
林海锋 | 超聚变 Token Factory 解决方案总经理:
我想从产业发展的角度补充一个观察。
我们经常会高估一项新技术的短期影响,却低估它的长期影响。AI 在制造业的发展,我认为也会经历这样的过程。
对于生产现场来说,如果只是简单地计算 AI 能够减少多少工人、节省多少人工成本,这个账可能很难算清楚。因为 AI 真正带来的变化,不一定只是减少几个人,而是可能让企业的业务组织和生产方式发生改变。
我认为制造业 AI 的应用可以分为三个层次。
第一层,是寻找细分场景,实现局部突破。目前大家比较熟悉的视觉识别、质量检测等应用,本质上更多属于传统视觉 AI。它们能够解决一些相对明确的问题,但还没有充分发挥大模型的能力。
第二层,是利用大模型的泛化能力和多因素综合分析能力。大模型更重要的价值,在于能够处理复杂信息,综合多个因素进行分析。随着数据模型以及面向确定性任务的处理技术不断发展,大模型在工艺流程优化、供应链管理、生产排产等领域,也有机会发挥更大的作用。
第三层,是从业务和生产设计之初就考虑 AI。过去企业往往先建立业务流程和生产体系,再考虑如何采集数据、如何治理数据,最后才把数据提供给 AI。
但这个过程非常漫长,也非常困难。
未来,我们可能需要反过来思考:既然数据最终是要给 AI 使用的,那么在企业流程设计、产业设计和生产体系规划之初,就应该考虑如何让 AI 参与其中,让 AI 成为业务设计和流程优化的重要组成部分。这才是更加深层次的变化。
邱尚高 | 杉岩数据联合创始人、CEO:
刚才大家谈到了不少实际应用,但从试点到真正规模化,中间还有很多问题。
比如技术基础架构、算力成本、信息安全,以及人才和组织方面,企业究竟遇到了哪些痛点?我们先请几位制造企业代表分享。
杨磊 | 吉曜通行制造领域数智化总监:
从我们的组织架构来看,集团层面已经有专门的团队,为下属企业提供模型、技术和基础解决方案方面的支持。
但对于具体业务单元来说,比较现实的问题还是成本。
算力投入会直接带来成本,那么这些投入究竟能够产生多少业务价值?最终还是要回到投入产出的问题。
所以,这不仅仅是技术问题,也是管理问题。企业既希望获得 AI 带来的能力提升,又希望控制投入成本,如何在两者之间取得平衡,是我们需要持续思考的事情。
陈小皇 | 水晶光电 CIO:
我们面临的挑战主要有两个。
第一个是信息安全。
过去企业的信息化管理相对严格,网络访问、软件安装和权限控制都有比较明确的要求。但 AI 到来之后,很多应用需要访问外部大模型,企业原有的信息安全体系也需要随之调整。
这就形成了一个矛盾:一方面,希望员工能够方便地使用 AI;另一方面,又必须确保企业内部数据不会因为使用 AI 而产生安全风险。
我们花了不少时间进行评估,并对 AI 架构进行相应调整。目前,我们采取的是分类分级的方式:对于保密要求特别高的数据和业务,采用本地化部署,建立内部算力池;对于办公领域中相对开放的应用,则选择成熟的外部服务商。通过不同的数据安全等级和业务需求,匹配不同的部署方式。
第二个是投入产出和人才问题。
在还没有完全看清 AI 的价值之前,我们不会盲目增加投入,而是优先盘点企业现有资源,看看哪些基础已经具备,哪些能力还需要补齐。其实,我还有一个比较深的感受:AI 在某种程度上也是企业管理的一面镜子。根据 AI 的应用,我们能够反过来审视企业自身的管理和信息化建设。
一方面,企业现有的业务流程和管理标准,是否足够规范,能否匹配 AI 能力的发挥?另一方面,过去建设的信息化系统,数据是否真正打通,能不能安全、有效地被利用?如果这些基础工作没有做好,即使引入了再先进的模型,也很难真正发挥价值。
所以,我们今年上半年花了不少精力做基础建设。我一直认为,跑得快不一定是好事,但该做的基础工作一定要扎实。当基础能力建立起来之后,后续 AI 应用才能更快地推进。
耿忠磊 | 全球头部汽车零部件制造商 IT 负责人:
在信息安全方面,我们的做法和陈总比较接近,同样采用分类分级管理。
对于员工办公层面、数据敏感度不高的应用,可以使用企业提供的部分大模型服务和办公 AI 工具。但涉及企业内部管理看板、生产运营等敏感数据的应用,我们会采用私有化部署的模型,通过 API 与内部系统对接。
此外,我们也会在提示词层面设置安全规则,对涉及企业敏感信息的内容进行过滤和限制。
当然,必须承认,企业很难完全阻止员工通过个人手机等方式使用外部 AI 工具。因此,我们更关注如何确保核心数据不被传输到外部,以及如何通过服务协议约束外部模型服务商,确保通过 API 提交的数据不被用于外部模型训练。
所以,在实际管理中,我们既需要技术层面的安全控制,也需要服务商选择、商务协议和员工管理等多方面配合。
林海锋 | 超聚变 Token Factory 解决方案总经理:
从我们服务企业的经验来看,混合部署已经成为一种比较普遍的选择。
一方面,企业需要考虑成本和模型能力;另一方面,数据本身的安全属性也决定了不同业务应该采用不同的部署方式。尤其是生产制造数据、工艺数据以及企业核心业务知识,这些都是企业非常重要的资产,必须得到有效保护。
我还想补充一个关于企业核心资产的判断。未来,一个企业的重要资产可能不只是员工本身,还包括员工在工作过程中沉淀下来的 Skill、数据和 Agent。
举个例子,一个员工在企业中积累了多年经验,如果这些经验能够通过数据和技能的方式沉淀下来,那么未来即使更换人员,新的员工也能够利用这些已经积累的 Agent、Skill 和数据,承接相当一部分原有工作。
从这个角度看,企业应该更加重视如何将人的经验转化为能够持续复用的数字资产。这些资产既是企业未来使用 AI 的重要基础,也应该纳入企业核心知识资产的管理体系。
邱尚高 | 杉岩数据联合创始人、CEO:
刚才大家从企业实践角度分享了很多问题。接下来想请教两位 AI 领域的专家。
第一个问题,制造企业是不是都需要自己建设 AI Factory?第二个问题,结合你们接触到的企业,当前工业 AI 的发展究竟处于什么阶段?企业在推进 AI 应用时,应该重点关注什么?
林海锋 | 超聚变 Token Factory 解决方案总经理:
我认为,对于制造业来说,首先需要转变对 AI 的认知。
刚才几位嘉宾谈到的很多问题,其实也是我们在和客户交流时经常遇到的。比如 ROI、数据质量、算力投入以及场景选择,这些都是非常现实的问题。
但我认为,制造企业不能只关注眼前能够节省多少成本,更应该思考 AI 长期可能给企业带来的变化。
如果只是把 AI 当作一个提升单点效率的工具,那么它的价值可能就会受到限制。真正值得关注的是,AI 能否帮助企业改变原有的业务模式、生产组织方式和管理流程。
这也意味着,企业不能仅仅满足于在现有流程中增加几个 AI 应用,而应该逐步思考如何围绕 AI 重新设计业务。
至于 AI Factory,我认为它的建设也应该结合企业自身情况,围绕实际业务需求、数据安全和算力资源进行统筹,而不是简单地追求建设规模。
唐卓 | 湖南大学计算机学院院长、国家超级计算长沙中心总工程师、杉湖智算首席科学家:
我想从学术研究和技术原理的角度,补充一些关于工业 AI 落地的思考。为什么现在很多企业已经引入了大模型,但在真正的生产制造过程中,仍然感觉存在局限?
我认为,一个很重要的原因是:我们目前很多时候还是把大模型看作一个大语言模型。
大语言模型本质上是基于自然语言进行概率统计的模型,但工业生产过程背后遵循的是物理规律和科学规律。
描述这些规律的语言是什么?不是我们日常使用的中文或英文,而是物理公式、微分方程、有限元方程等数学和科学表达。
这就带来了一个关键问题:大模型能够理解语言,但它未必真正理解生产过程背后的物理规律。
尤其是对于中国制造业来说,我认为还存在一个比较特殊的情况:很多企业在工业化发展过程中,可能没有完整经历工业 3.0、工业 4.0 的建设阶段,就直接进入了大模型时代。
但从工业 AI 的发展逻辑来看,中间有一个非常重要的环节不能缺失,那就是工业软件和工业建模能力。我们希望 AI 解决生产制造中的问题,首先就需要让模型理解生产过程,理解背后的物理规律和科学规律。如果工业软件能够将行业问题充分建模为物理方程、化学方程,再将这些科学模型与大模型的数据统计能力深度融合,AI 才有可能真正深入复杂的工业场景。
过去学术界也有一种思路,就是利用超级计算机产生大量数据,再把这些数据提供给大模型,让大模型学习其中的物理规律。但我认为,仅仅通过计算产生数据,再让 AI 去学习计算数据背后的物理规律,并不是最理想的路径。
真正需要突破的,是将物理过程与大模型的训练机制深度融合,让模型的损失函数、梯度下降过程与真实物理过程背后的计算模型结合起来。而这件事,需要由各个行业的工业软件企业与大模型企业共同推进。
所以,我认为工业 AI 目前面临的一个重要短板,就是工业软件能力还不够强,跨学科融合也还不够充分。
这也进一步引出了人才培养的问题。
未来需要的不只是懂计算机、懂 AI 的人才,还需要既理解工业原理、又掌握 AI 技术的复合型人才。计算机学科、AI 学科与工业领域之间,需要建立更加紧密的交叉融合。
只有补齐工业软件、科学建模和交叉学科人才这些基础能力,工业 AI 才能真正从表层应用走向深层突破。
从办公提效到生产应用,从数据治理到知识沉淀,从场景突破到规模化推广,这场圆桌讨论呈现出一个越来越清晰的行业共识:工业 AI 的落地,不是简单地引入一个模型或部署一套算力系统,而是技术、数据、业务与组织共同演进的系统性工程。
对于制造企业而言,AI 落地需要从真实业务痛点出发,以高价值场景为切入口,通过持续验证建立信心;需要夯实数据治理与信息化基础,让数据、工艺和经验真正转化为 AI 可以理解和使用的知识;更需要在人才、组织、工业软件和技术架构等方面持续投入,为规模化应用做好准备。
正如本场圆桌所呈现的,AI 真正进入生产现场,既需要制造企业的持续探索,也需要算力基础设施、工业智能软件、AI 技术与产业生态的协同创新。
从场景到规模化,没有一条可以照搬的捷径。唯有回归业务价值、扎根产业现场,在一次次实践中验证技术、沉淀经验、完善能力,才能让 AI 真正从技术热潮走向生产实践,为制造业创造可持续的价值。