SandStone Data Technology Co Ltd

11/17/2026 | Press release | Distributed by Public on 11/17/2026 04:49

从场景突破到规模应用,AI如何真正走进制造现场?企业CIO/IT负责人及行业专家深度对话 | 2026智能制造数据价值与AI应用大会圆桌实录

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:

  1. 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。

  2. 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。

  3. 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。

  4. 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。

01.破局与定位

面向提质、降本、增效,AI在工厂的落地场景与推进节奏

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。

02.底座与治理

从数据积累到智能应用,如何让工业数据与工艺经验真正为AI所用?

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。

03.痛点与破局

数据、算力与安全,制造企业如何突破工业AI规模化落地堵点?

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。

04.跃迁与深水区

从场景突破到规模应用,工业AI需要怎样的底层突破与组织人才支撑?

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。

结语

让 AI 从技术能力走向真实的产业价值

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。

SandStone Data Technology Co Ltd published this content on November 17, 2026, and is solely responsible for the information contained herein. Distributed via Public Technologies (PUBT), unedited and unaltered, on November 17, 2026 at 10:49 UTC. If you believe the information included in the content is inaccurate or outdated and requires editing or removal, please contact us at [email protected]