广告
加载中

AI如何进入制造生产环节?钉峰会上这些制造业大咖们这样说

亿邦动力 2025-12-25 16:24
亿邦动力 2025/12/25 16:24

邦小白快读

EN
全文速览

文章聚焦AI在制造业核心环节的应用,提供实操案例和技术干货。

1. 钉钉CTO朱鸿强调AI需进入生产环节,打造Agent OS平台,核心理念是用户为先、赋能和场景可落地,避免仅为Demo。

2. 案例:友成使用订单Agent,非结构化订单处理时间从1.4小时压缩至半分钟,效率提升数百倍;易智唯思的“质小Q”智能体解决质量管控难题,融合工业时序和视觉模型,完成40%工程师任务。

3. 企业实践:柳钢集团通过“万名AI员工计划”和AI技能大赛,创建上千智能助理;天正电气利用AI表格实现业务自主应用,配置超千自动化工作流;晶科能源采用“1310”设计推动AI转型。

4. 合作动态:五家制造领军企业如三花智控与钉钉签署协议,深化AI智能体共创和制造现场管理。

AI在制造业推动产品研发和消费趋势变化,品牌商可关注产品创新和用户行为启示。

1. 产品研发:AI优化工艺和设计,如晶科能源的AI工艺分析智能体进行质量根因分析,提升良率并降低损耗;天正电气AI表格让业务部门自主创建应用,加速数字化开发。

2. 消费趋势:AI赋能销售转型,天正电气AI销售助理将产品选型时间缩短到秒级,推动从经验驱动向数据+AI驱动模式转变;用户行为观察显示,柳钢集团让员工从体力执行者向智慧赋能者转变,反映AI改变工作方式。

3. 代表企业:钉钉与制造企业合作案例,如友成订单效率提升,展示品牌渠道建设中AI的潜力;消费趋势体现在AI处理非结构化数据,反哺企业专属模型迭代。

文章揭示AI带来的增长机会、合作方式和可学习点,卖家可借鉴应对市场变化。

1. 机会提示:AI提升效率创造市场增长,如友成订单处理效率提升数百倍;晶科能源AI实现实时检测和语音播报,降低损耗;风险提示是AI需场景可落地,避免无效Demo。

2. 合作方式:钉钉采用“平台+生态”模式,与生态伙伴如易智唯思共创“质小Q”;五家企业如润建股份签署合作协议,在智能体共创、全球业务协同等领域深化。

3. 可学习点:企业策略如天正电气“小步快跑”推进AI落地;晶科能源建立AI管理委员会和数智大赛,推动文化深植;最新商业模式体现在DEAP平台的双形态范式,满足长尾定制需求。

AI在制造生产环节提供商业机会和数字化启示,工厂可关注实操应用。

1. 生产需求:AI用于订单处理、生产排程和质量管控,如友成订单Agent大幅压缩时间;质小Q解决质量工程师任务,涵盖异常检测与预测。

2. 商业机会:效率提升降低成本,案例中良率提升、损耗降低;数字化启示:DEAP平台支持私有化部署,通过数据工程将非结构化数据转化为AI可用数据,形成“越用越聪明”闭环。

3. 代表案例:柳钢集团以AI赋能一线员工,推动班会质控和巡检预警;晶科能源利用AI工艺分析优化生产;工厂启示:AI需进入车间和班组,如钉钉强调场景可落地。

行业趋势显示AI深化制造业,新技术解决客户痛点,服务商可参考解决方案。

1. 行业趋势:AI进入订单处理、生产排程等核心环节,钉钉峰会讨论深度融合;新技术如Agent OS操作系统,复合智能体“质小Q”融合时序和视觉模型,实现“解读机器语言”。

2. 客户痛点:传统制造业存在数据孤岛、语义复杂、经验依赖问题;解决方案:DEAP平台提供端到端加密和权限体系,构建安全环境;通过“机器+人工”协同模式处理杂乱数据。

3. 案例:易智唯思基于钉钉开发智能体,攻克质量管控难题;天正电气AI听记缩短会议纪要时间;服务启示:平台+生态模式让研发敏捷,如钉钉与合作伙伴共创。

钉钉作为平台的最新做法满足商业需求,包括招商和运营管理。

1. 平台需求:企业需要AI长期运行和持续协同,钉钉打造Agent OS,提供算力、大模型接入和低代码开发平台。

2. 平台做法:采用“平台+生态”策略,合作伙伴带来行业算法;核心理念是用户为先、赋能和场景可落地;DEAP平台支持完全私有化部署,通过身份认证和全链路审计保障安全。

3. 招商合作:与五家制造企业如大华股份签署协议,推进AI智能体共创、制造现场管理等;运营管理:引入数据工程,持续优化模型;风向规避强调AI不进生产环节则无效。

文章揭示产业新动向、商业模式和政策启示,研究者可分析新问题。

1. 产业动向:AI在制造业从Demo走向生产环节,涉及订单处理、质量管控等;新问题是AI如何在变化业务场景中持续交付,需行业专属模型和敏捷开发。

2. 商业模式:平台+生态模式,钉钉提供底层能力,合作伙伴贡献实践经验;案例:DEAP平台的双形态范式(开发态和运行态)解决长尾需求。

3. 政策启示:AI转型需组织保障,如晶科能源CEO挂帅管理委员会;企业实践如柳钢集团反向驱动数据治理标准化;研究者可关注隐性知识显性化,如质小Q将经验快速泛化。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

The article focuses on practical applications of AI in core manufacturing processes, featuring case studies and technical insights.

1. DingTalk CTO Zhu Hong emphasizes that AI must enter production workflows. The core concept of their Agent OS platform is user-centricity, empowerment, and practical implementation, avoiding mere demos.

2. Case Study: Youcheng uses an Order Agent, reducing unstructured order processing time from 1.4 hours to 30 seconds—a several-hundredfold efficiency gain. Yizhiweisi's "Quality Q" agent tackles quality control by integrating industrial time-series and visual models, handling 40% of engineers' tasks.

3. Enterprise Practices: Liugang Group's "10,000 AI Employees Plan" and AI skills competition have created thousands of smart assistants; Tianzheng Electric uses AI tables for autonomous business applications, configuring over 1,000 automated workflows; Jinko Solar employs a "1310" design to drive AI transformation.

4. Partnerships: Five manufacturing leaders, including Sanhua Intelligent Controls, signed agreements with DingTalk to co-create AI agents and enhance on-site management.

AI is reshaping product R&D and consumer trends in manufacturing, offering insights for brand innovation and user behavior.

1. Product R&D: AI optimizes processes and design—e.g., Jinko Solar’s AI process analysis agent improves yield and reduces waste; Tianzheng Electric’s AI tables enable business units to self-develop applications, accelerating digitalization.

2. Consumer Trends: AI drives sales transformation—Tianzheng’s AI sales assistant cuts product selection time to seconds, shifting from experience-driven to data+AI-driven models. User behavior shifts are evident at Liugang Group, where employees transition from manual executors to empowered problem-solvers.

3. Representative Cases: DingTalk’s collaborations, like Youcheng’s order efficiency gains, highlight AI’s potential in brand channel development. Consumer trends are reflected in AI processing unstructured data to refine proprietary models.

The article reveals AI-driven growth opportunities, collaboration models, and actionable insights for sellers adapting to market changes.

1. Opportunities: AI efficiency gains create market growth—e.g., Youcheng’s order processing efficiency surged hundreds of times; Jinko Solar’s real-time detection reduces waste. Risks include ensuring practical implementation beyond demos.

2. Collaboration Models: DingTalk’s "platform + ecosystem" approach partners with firms like Yizhiweisi to co-create solutions like "Quality Q"; five companies, including Runjian, signed agreements for AI agent co-creation and global synergy.

3. Key Takeaways: Strategies like Tianzheng’s "small steps, fast iterations" for AI adoption; Jinko Solar’s AI committee and competitions to embed culture; emerging business models like DEAP’s dual paradigms for customizing long-tail demands.

AI offers commercial opportunities and digital insights for factories, with a focus on practical production applications.

1. Production Needs: AI handles order processing, scheduling, and quality control—e.g., Youcheng’s Order Agent slashes processing time; "Quality Q" tackles 40% of quality engineering tasks via anomaly detection.

2. Business Opportunities: Efficiency gains lower costs through higher yields and reduced waste. Digital insights: DEAP’s private deployment turns unstructured data into AI-ready inputs, creating a "smarter with use" loop.

3. Case Studies: Liugang Group empowers frontline staff with AI for quality meetings and inspections; Jinko Solar optimizes production with AI process analysis. Key lesson: AI must reach workshops and teams, as DingTalk stresses practical scenarios.

Industry trends show AI deepening manufacturing integration, with new technologies addressing client pain points for service providers.

1. Trends: AI penetrates core areas like order processing and scheduling, discussed at DingTalk’s summit. Innovations include the Agent OS and composite agents like "Quality Q" that "interpret machine language" via multi-model fusion.

2. Client Pain Points: Legacy issues include data silos, semantic complexity, and over-reliance on experience. Solutions: DEAP offers end-to-end encryption and permissions for security; "machine + human" collaboration handles messy data.

3. Cases: Yizhiweisi’s DingTalk-based agent solves quality control; Tianzheng’s AI notetaker cuts meeting summarization time. Service insight: The "platform + ecosystem" model enables agile R&D through co-creation.

DingTalk’s latest platform strategies meet commercial needs, covering partnership recruitment and operational management.

1. Platform Demands: Enterprises require AI for long-term operation and collaboration. DingTalk’s Agent OS provides compute, model access, and low-code tools.

2. Platform Strategies: "Platform + ecosystem" approach leverages partners’ industry algorithms; core principles are user-first, empowerment, and practicality. DEAP supports full private deployment with authentication and auditing.

3. Partnerships: Agreements with five manufacturers like Dahua advance AI agent co-creation and on-site management. Operations: Data engineering continuously optimizes models. A key warning: AI is ineffective if not integrated into production.

The article highlights industrial shifts, business models, and policy implications, offering new research questions.

1. Industrial Trends: AI moves from demos to production—e.g., order processing, quality control. New challenges include sustaining AI delivery in dynamic scenarios, requiring industry-specific models and agile development.

2. Business Models: The "platform + ecosystem" model sees DingTalk providing infrastructure while partners contribute practical expertise. Case: DEAP’s dual paradigms (development/operation) address long-tail customization.

3. Policy Insights: AI transformation needs organizational backing—e.g., Jinko Solar’s CEO-led committee. Practices like Liugang Group’s data governance standardization offer reverse-driver insights. Research avenues include tacit knowledge explicitation, as seen in "Quality Q’s" experience generalization.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

12月23日下午,由钉钉主办的2025钉峰会·泛制造业专场上,多家制造企业代表共同探讨AI技术在订单处理、生产排程、质量管控、工艺优化等制造业核心环节的深度融合与价值落地。

制造业想要应用AI,不是一个通用大模型就能解决,真正复杂的地方不在于算法,而在于AI能不能在长期运行、持续协同和不断变化的业务场景里持续交付。

“中国是制造大国,目前超过50%的制造业500强企业都在用钉钉,覆盖制造业30多个大类”,钉钉CTO朱鸿指出,AI在制造业要真正落地,一定要进入到企业的生产环节。他认为,制造业的AI必须是行业专属模型加上敏捷Agent开发的体系化能力。

为此,钉钉选择打造Agent OS。它不是一个AI功能,而是让AI能够在企业里长期运行的操作系统。钉钉提供底层的AI能力,包括算力、各种大模型能力的接入,以及低代码、无代码的开发平台,而生态合作伙伴,则带来行业的算法和实践经验,实现差异化场景落地。通过“平台+生态”,让研发更加敏捷、更加智能,也让企业内部的业务创新可以更快落地、持续迭代。

朱鸿强调,钉钉打造这个操作系统有三个核心理念:第一,用户为先,AI驱动。不是为了AI而AI,而是为了解决生产过程中的真实问题。第二,赋能。AI不是一个一次性的项目,需要可以不断复用、不断迭代、不断扩展。钉钉通过平台和掌握Know-How的合作伙伴一起共建平台能力。第三,场景必须可落地。不进车间、不进班组、不进生产环节的AI,本质上只是一个Demo。

以友成为例,使用基于钉钉DEAP平台开发的订单Agent后,友成将非结构化订单的处理时间从平均1.4小时压缩至半分钟内,效率提升数百倍。同时,基于与客户的共创实践,DEAP研发出了双形态范式:“开发态”负责敏捷构建,“运行态”负责高效执行,以此满足制造行业中的长尾定制需求。

在保障体系方面,朱鸿详细介绍了DEAP平台在安全与数据工程上的核心设计。平台支持完全私有化部署,并通过端到端加密、身份认证、权限体系与全链路审计,构建可信的数据安全环境。DEAP还引入“数据工程”,将杂乱的非结构化数据通过“机器+人工”的协同模式,持续转化为高质量、AI可直接使用的数据,进而反哺企业专属模型的迭代优化,形成“越用越聪明、越来越懂行”的进化闭环。

智能体“质小Q”,攻克生产质量管控难题

作为钉钉在制造业AI领域的深度共创生态伙伴,易智唯思智能科技有限公司创始人兼CEO姚驰分享了双方如何携手解决工业现场最核心的质量管控难题。他指出,制造业生产线长期存在数据孤岛林立、语义复杂、传统分析高度依赖工程师经验与专业软件等问题。因此,易智唯思基于钉钉DEAP平台,结合AI表格、AI听记等中间件能力,共同打造了专注于生产质量管控的智能体产品“智小Q”。

“质小Q”的核心创新在于,它并非单一的语言模型,而是融合了工业时序大模型、工业视觉大模型的复合智能体。这种“大模型+专业工具外挂”的架构,使AI能够真正理解生产线上电流、电压、振动等时序数据背后的物理意义,挖掘复杂生产过程中的规律,实现从“识别语言”到“解读机器语言”的跨越。

在实际落地中,“质小Q”可承担质量工程师的日常任务。例如,工程师只需发出“每晚6点做SPC分析”的指令,智能体便会自动从MES/ERP系统取数,调用内置的专业工具生成控制图并给出分析结论。

姚驰以某全球顶尖传感器企业为例,在这家企业的中国工厂产线上,“质小Q”已能自主完成约40%的生产质量工程师任务,涵盖业务洞察、过程能力分析、异常检测与预测等关键环节。所有部署均在客户本地完成,数据不出厂,保障了生产数据的绝对安全。通过钉钉的Agent OS平台与生态伙伴的行业纵深能力结合,能够高效地将制造业的隐性知识显性化、标准化,并快速泛化到不同场景,为解决行业长尾需求提供了可复用的范式。

来自钢铁、电气、光伏等制造标杆企业的一线实践经验

活动现场,来自钢铁、电气、光伏等行业的标杆企业代表,从自身实践出发,阐述了AI与业务融合的真实历程。

柳钢集团数智化发展中心党支部书记、总经理陆兆刚强调AI应服务于人。柳钢通过“万名AI员工计划”与“数智化工具完全体”两项核心举措,将AI能力赋予一线员工。通过举办AI技能大赛,在一周内激发员工创建出上千个智能助理,覆盖车间、办公、销售等多场景。同时,柳钢以“问数”应用反向驱动数据治理标准化,并让AI参与班会质控、巡检预警等日常业务,推动员工从体力“执行者”向智慧“赋能者”转变。

天正电气IT总监李鹏分享了该公司以“小步快跑”策略推进AI落地的经验。李鹏重点分享了通过钉钉AI实现的三大成效:他以一个质量管理的案例,展现了AI表格可以让业务部门自主创建应用的能力。截止目前,天正已经创建了若干AI表格的应用,配置了超千个自动化工作流,极大地提高了公司的数字化开发能力;在会议协同上,借助AI听记将会后纪要生成时间缩短至分钟级,大幅提升任务闭环速度;在销售赋能上,通过AI销售助理实现复杂产品选型、解决方案生成、技术资料查询时间缩短到秒级,大幅提升销售响应效率与准确性,推动销售业务拓展从以“经验驱动”向“数据+AI驱动”的模式转型。

晶科能源规划架构IT副总经理沈东琨从系统性视角阐述了AI转型的“1310”顶层设计,即以范式变革为中心,结合企业业务战略,梳理出业务+AI的三条主线,分解到十大领域,落地X个场景,并配以AI平台、组织、机制、文化作为保障体系。他特别强调,AI转型不仅是技术应用,更是“人与机器智能关系的重新设计”。晶科能源通过成立CEO挂帅的AI管理委员会、举办数智大赛、建立数字化人才培养和认证体系等方式,推动AI文化深植。在生产环节,晶科利用AI工艺分析智能体进行质量根因分析;通过AI等多技术协同开展“实时检测+语音播报+钉钉推送”实时监控保障操作规范性,实现了良率提升与损耗降低。

活动最后,三花智控、润建股份、大华股份、格力博、中加特电气等五家制造行业领军企业,分别与钉钉签署合作协议,将在AI智能体共创、制造现场管理、全球业务协同、组织数字化、智能销售等领域加深合作,共同推进制造业数智化转型与AI应用落地。

文章来源:亿邦动力

广告
微信
朋友圈

这么好看,分享一下?

朋友圈 分享

APP内打开

+1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0