如何利用生成式AI優化製造企業的生產流程？

作者 | 李曉曉

頭圖 | 視覺中國

在智能製造的大背景下，生成式AI不僅能夠在生產計劃、設備維護、質量控制等多個環節發揮關鍵作用，還能通過大模型算法顯著提升生產效益、降低故障率、提高檢測效率。

通過詳細的案例調研和分析，虎嗅智古總結出當下生成式AI在工業生產中的落地應用的趨勢：

核心觀點

●在生產經營管理環節，基於大語言模型新增智能問答、數據分析等能力成為主流。如創新奇智大模型支持的ChatBI生成式企業私域數據分析，就能夠幫助客戶以對話的形式瞭解產線設備的運營狀態。

● 在生產工藝優化環節，基於大模型形成的智能工藝推薦算法、數據治理和分析、知識問答等能力成為主流。例如海爾卡奧斯工業大模型已經幫助製造企業實現了注塑生產工藝優化。

●  在生產過程管控環節，構建行業級生產線優化模型成為智能化能力提升的探索焦點。如某汽車企業通過構建生產線優化模型實現了生產線的自動調整和優化，同時降低了生產成本和人力成本。

生成式AI大模型在工業領域正在逐漸形成新的應用範式

生成式AI能夠通過分析大量數據集來「學習」並生成新的內容，這一能力也使得它在提高企業智能製造效率方面有著巨大潛力。在製造流程中，生成式AI可以應用於生產計劃製定、設備維護、質量控制等多個環節和場景，通過大模型算法大幅提升生產效益。

目前，生成式AI在智能生產製造領域已有一些成熟的應用場景。

例如，在預測性維護方面，通過對設備運行數據的實時監控和分析，生成式AI能夠預測設備的故障趨勢，提前進行維護，降低設備故障率；在智能質量檢測方面，生成式AI可以自動識別和分類產品缺陷，提高檢測效率和準確性；此外，還有知識問答類應用，比如員工培訓、知識檢索和智能營銷/客服場景。

未來，生成式AI在智能製造領域將有更多落地應用的可能性。

例如，在供應鏈協同方面優化物料採購、庫存管理和物流配送等環節的響應速度和效率；在人機交互方面通過RPA+agent替代人類去執行一些繁瑣或者是流程化的任務；在企業私域視覺洞察應用方面通過自然語言交互的方式實時分析監控畫面進一步發現潛在的不合規行為；在工業設計方面迅速理解設計師的創意意圖並自動生成符合要求的工業設計圖；在工藝優化方面通過模擬和分析生產過程找到最優的生產工藝參數，提高生產效率和產品質量等。

總的來說，短期內，生成式AI大模型已經在研發設計規劃、生產過程管控、經營管理優化、產品服務優化等環節展現出其潛力，降本增效的同時為製造業帶來了價值創新。長期來看，大模型的應用會滲透到工業機理，從設計研發到生產製造再到運營管理，打通製造全鏈條。數據驅動，軟件定義，從本質上改變製造業的底層邏輯。

生成式AI在智能生產製造領域的成熟應用案例

生成式AI的探索覆蓋了製造業的研發設計與規劃、生產過程管控、經營管理優化、產品服務優化等全生命週期。生成式AI大模型能力覆蓋結構化數據、文本、圖像、音影片等多個領域生成，目前已經有了基於數據分析的生產經營管理優化、基於數據治理的生產工藝優化、基於數據管理的生產產線優化等相關的工業製造等多場景應用案例。

案例1：大模型支持的ChatBI生成式企業私域數據分析

在生產經營管理環節，基於大語言模型新增智能問答、數據分析等能力成為主流。例如創新奇智大模型支持的ChatBI生成式企業私域數據分析，就能夠幫助客戶以對話的形式瞭解產線設備的運營狀態。

以某新材料企業工廠的私域數據分析項目為例，該項目面臨的主要挑戰是在實現了數字化和信息化後，客戶面對海量的生產數據，對數據洞察的需求更加迫切。傳統的生產場景中，需要專人製造上百張動態報表來分析生產情況，但仍然很難涵蓋管理者的全部需求。針對這一問題，創新奇智基於AInnoGC工業大模型的ChatBI產品結合工業軟件為客戶打造智能生產製造數據分析方案，幫助用戶實時獲得海量生產數據的深度洞察。

比如：客戶希望瞭解產線設備的開機率變化，只需通過對話來詢問：「2023年10月份101產線103爐位的開機率」，ChatBI就可以自動查詢並以圖表的方式反饋10月份該爐位每天的開機率及變化趨勢，在這個基礎上可以繼續追問，實現多輪對話。

當ChatBI生成了各種各樣客戶想要的報表後，只需要通過簡單的點擊、拖拽的操作，就快速製作出車間的生成數據看板，為企業的各級管理人員提供深度數據分析和洞察。ChatBI支持多種格式的數據源、支持SQL代碼的展示、利用主動召回技術給出更專業和精確的答案、以及高級別的數據安全保障, 可以讓用戶操作起來更加方便和安全。

另外，在工廠的設備維修過程中，維修人員進行設備故障診斷及設備參數調整時，對於各種複雜的現場情況，需要花費大量時間進行專業資料查詢。通過ChatDoc，維修人員僅需語言描述現場情況，即可獲得所需信息，從而顯著減少故障排查時間，提升設備維修效率。

案例2：生產工藝優化案例：洗滌產業大模型

在生產工藝優化環節，基於大模型形成的智能工藝推薦算法、數據治理和分析、知識問答等能力成為主流。例如海爾卡奧斯工業大模型已經幫助製造企業實現了注塑生產工藝優化。

以洗衣機工廠為例，注塑是洗衣機生產的重要工序，其生產過程看起來不過模具開合，背後卻牽扯著溫度、壓力、成型週期、模具健康、能耗等複雜的工藝和參數調試流程。而這些，讓工廠中使用了數十年的注塑機設備，成了一個只能依靠人工經驗調試的「黑箱」。要探索最優工藝，無疑需要打開這隻「黑箱」，將老師傅們的工業經驗轉化可量化的數據和指標，理清其中的千頭萬緒，讓主觀經驗昇華為科學易用的工業智能。

沿著物聯接入、數據治理、模型建立的推進路徑，卡奧斯COSMOPlat搭建起洗滌產業大模型，在關鍵場景和核心領域沉澱算法和機理模型，以數據透明化為核心，探索洗滌注塑領域最優工藝參數及能耗，提升產業數字化競爭力。

一方面，模型形成了待機/停機決策、模具設備匹配、智能工藝推薦算法模型3大核心算法，並將相關領域核心指標定義拉通，打造出透明化、可視化的工廠注塑指標看板，可通過優化排產、模具使用、工藝和智能決策，助力工廠在保證質量的前提下，實現成本和能耗最優。在工廠落地後，大模型已幫助設備能耗降低5%至10%，節拍提升4%至9%，大幅優化整體生產效益。

另一方面，通過對內外部知識的梳理和學習，模型蒐集和學習了工程師多年積累的經驗與工業知識，注塑相關知識庫沉澱知識量超過10 TB，可通過機器人、小程序、APP等形式進行使用，目前可在秒級之內形成對相關問題的反饋，實現了工業知識的普惠應用。

同時，基於全面的數據連接和分析，模型還助力工廠實現了數據質量的改進，例如發現並解決了部分注塑機能耗數據指標不明確、連接不充分的問題，以及AIoT平台部分數據重覆與缺失的問題等，也為企業沉澱數據資產、創新數據應用提供了進一步支持。

案例3：注塑生產優化案例：模具工廠

以模具工廠為例，卡奧斯工業大模型COSMO-GPT助力工廠完成智能化改造，首創專家模型調度實現智能參數推薦，整體生產效益大幅優化。

在注塑車間，技術人員只要給卡奧斯工業大模型COSMO-GPT下達口令，它就能夠自動識別後調取數百個工藝參數，並立即指揮注塑機開始工作，短短幾十秒鍾產品就做好了，誤差不超過頭髮絲的粗細。如果靠工藝師來做數百個參數需要調整1個多小時。

應用卡奧斯工業大模型COSMO-GPT不僅設備調整時間縮短了，而且降低了調試成本。過去，在調試生產的過程中，所有調試出來的不合格產品都是作為廢件處理的，現在的調試效率大概提升約50%，大大降低了浪費。

除了出色的生產、調試能力，卡奧斯工業大模型COSMO-GPT還可以對設備的健康狀況進行提前預警，減少設備故障，生產效率提升了5%，節能降耗10%，量產調試降費50%以上。

目前，注塑專業工藝員和卡奧斯工業大模型COSMO-GPT正在通過知識問答的方式完成「經驗傳授」。平台將把工藝員的經驗沉澱成訓練卡奧斯工業大模型COSMO-GPT的語料，幫助大模型攻克難題，最終走向自主工作、自主校錯，實現真正的無人化。

其他的，如在生產過程管控環節，構建行業級生產線優化模型成為智能化能力提升的探索焦點。以某汽車製造企業的生產線優化項目為例，該項目面臨的主要挑戰是生產線的靈活性和效率問題。

由於產品種類多、生產批量小，傳統的生產線難以適應頻繁的生產切換。針對這一問題，該企業通過構建生產線優化模型，生成式AI通過對生產線歷史數據的分析和學習，找到了影響生產線效率的關鍵因素，並提出了針對性的優化方案，實現了生產線的自動調整和優化，同時降低了生產成本和人力成本。

綜合以上案例落地經驗，對於應用成熟度的評估，虎嗅智庫認為可以從以下幾個方面進行考量：一是技術可行性、拓展性和複用性，二是為用戶創造的價值，包括實際應用效果、經濟效益以及用戶接受度等。同時，應建立長效的大模型工業領域性能評測機制，週期性圍繞大模型知識能力、穩定性、安全性等關鍵性能進行成熟度評估工作。

生成式AI大模型在製造業領域深入發展仍面臨一些挑戰‍‍‍‍‍

依託大模型的工業智能體、具身智能機器人等有可能改變工業大生產的底層邏輯，存在的市場空間和機會是巨大的，但挑戰也很明顯，比如是否有端到端的全棧技術，不被卡脖子、具備自我迭代和發展能力都是關鍵。另外，還有大模型對行業know-how的理解、安全保密等一系列因素的考量。

所以，儘管生成式AI在智能製造領域具有廣闊的應用前景，但其深入發展仍面臨諸多挑戰。

技術層面，生成式AI需要處理大量複雜數據，對算法和計算能力的要求極高，比如質檢算法，即便達到95%的準確率，工廠也不會接受；

應用落地方面，如何將先進的AI技術與實際生產場景相結合，實現真正的智能化製造，仍是一個需要不斷探索的問題；另外，大家都不願意把自己的數據分享給其他的工廠，很多工廠也要求模型能夠私有化部署，基本上不會接受SaaS式的服務；

效果評估方面，如何準確衡量生成式AI在優化生產製造流程中的貢獻和效益，也是一個亟待解決的難題；

此外，投入產出比也是企業引進生成式AI技術時需要考慮的重要因素。支撐大模型研發的硬件成本昂貴，如何在保證效果的同時控製成本，是企業在決策過程中需要權衡的關鍵點。

結語

對於製造業企業而言，引進生成式AI技術改善生產製造流程是一個值得嘗試的方向。製造業企業在引進生成式AI技術時，應綜合考慮應用場景、技術適配、成本效益以及人才和技術合作等多個方面。

在引進過程中，企業應首先明確自身的需求和目標，選擇適合的生成式AI技術和應用場景。同時，生成式AI技術的有效應用依賴於大量高質量的數據，加強數據管理和技術團隊建設，構建規模化的大模型工業數據資源池，確保AI技術的順利應用。此外，最重要的一點是不要觀望，要積極擁抱新的技術和新的發展趨勢，有時候需要果斷一點，如果拿不準，可以先從邊緣的業務的領域嘗試。先做起來，就成功了一半。

關於虎嗅智庫

虎嗅智庫是一家聚焦企業數字化、AI創新實踐的新型研究服務機構，為產業智能化進程中的甲乙雙方，提供有洞察性的研究報告、案例評選、以及線上會議、線下活動與參訪服務，以支持企業高管在智能化、數字化方面的明智決策。

我們提供的核心價值

及時與優質的洞察，瞭解技術、瞭解行業、瞭解同行與對手；

為決策者技術與產品戰略決策、產業規劃、解決方案選型提供重要參考；

幫助市場全面瞭解前沿科技及所影響產業的發展狀況，還有未來趨勢；

虎嗅智庫官網：hri.huxiu.com