EctruuMInnovationAtEveryLevelAlforGREEN以場景驅(qū)動AI應(yīng)用，實現(xiàn)企業(yè)價值跨越施耐德電氣商業(yè)價值研究院成立于2021年5月。遵循嚴(yán)格的方法和為社會做貢獻(xiàn)的使命，我們通過對中國經(jīng)濟(jì)、產(chǎn)業(yè)和商業(yè)進(jìn)行嚴(yán)謹(jǐn)、實用和創(chuàng)造性的研究，為公眾和商界提供融合全球智慧的專業(yè)洞見，致力于成為推動中國經(jīng)濟(jì)、社會和企業(yè)可持續(xù)發(fā)展的領(lǐng)先智庫。我們的研究團(tuán)隊匯集了綠色智能制造、綠色能源管理領(lǐng)域的一線專家、深耕前沿技術(shù)的研發(fā)工程師、參與行業(yè)政策和標(biāo)準(zhǔn)制定的專家學(xué)者，也聚集了來自業(yè)界各科研院所的學(xué)術(shù)界領(lǐng)管理咨詢、市場研究等領(lǐng)域的生態(tài)伙伴專家。我們的研究內(nèi)容涵蓋行業(yè)、技術(shù)、宏觀等方面，同時基于自身發(fā)展以及所提供的企業(yè)咨詢服務(wù)中的積累，將深入探討企推廣等話題，并與社會積極分享研究成果。我們的研究方法結(jié)合定性和定量分析，通過一線調(diào)研，以數(shù)據(jù)驅(qū)動分析，實現(xiàn)深層價值提煉，進(jìn)而幫助企業(yè)中高管理層把脈宏觀，見微知著，助力企業(yè)探索可持續(xù)發(fā)展之道，把握時代機(jī)遇，加速變革轉(zhuǎn)型。第三章：從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值18展望：成為AI驅(qū)動型企業(yè)38Lifelson施耐德電氣。核心發(fā)現(xiàn)與洞察在當(dāng)前全球數(shù)字化轉(zhuǎn)型的浪潮中，人工智能（AI）已成為推動各行各業(yè)變革的核心力量。作為21世紀(jì)最具革命性的技術(shù)之一，AI不僅在互聯(lián)網(wǎng)、金融、醫(yī)療等領(lǐng)域展現(xiàn)了巨大的潛力，在工業(yè)和能源領(lǐng)域的應(yīng)用也日益廣泛和深入。近年來，隨著深度學(xué)習(xí)和大模型技術(shù)的突破，AI的能力和影響力不斷提升，為工業(yè)和能源行業(yè)帶來了前所未有的變革機(jī)會。施耐德電氣作為工業(yè)與能源領(lǐng)域AI技術(shù)的實踐者和賦能者，在本洞察報告中，將與讀者分享AI轉(zhuǎn)型中的核心發(fā)現(xiàn)與洞察：大小模型深度融合，驅(qū)動AI生產(chǎn)力爆發(fā)新范式?，F(xiàn)階段大小模型各有所長。目前企業(yè)主要運(yùn)用大模型作為內(nèi)容生成，如代碼、文本、圖片、音視頻的工具，以及串聯(lián)知識與數(shù)據(jù)的自然語言接口；小模型則在精確的專業(yè)識別與分類、預(yù)測優(yōu)化領(lǐng)域更能發(fā)揮優(yōu)勢。企業(yè)也在積極探索在同一個場景中大小模型融合使用來提升生產(chǎn)力。我們需要從業(yè)務(wù)場景和價值出發(fā)，以需求拉動AI生產(chǎn)力的發(fā)展。如何全面思考AI帶給企業(yè)的價值是關(guān)鍵的第一步。從點(diǎn)到線，AI正在重塑新型的商業(yè)模式施耐德電氣商業(yè)價值研究院在近年的跟蹤調(diào)研中發(fā)現(xiàn)，企業(yè)對于AI價值的期待隨著AI技術(shù)及實際應(yīng)用的進(jìn)展變得愈加立體。本報告提出了“AIforGREEN”的綠色智能價值主張，從增長（Growth）、可靠性（Reliability）、效率（Efficiency）、環(huán)境友好（Environment）和新商業(yè)模式（NewHorizon）五個維度，系統(tǒng)性地展現(xiàn)了AI在工業(yè)和能源領(lǐng)域的全面應(yīng)用和巨大潛力。我們認(rèn)為應(yīng)該以實際業(yè)務(wù)場景驅(qū)動AI應(yīng)用，才能實現(xiàn)企業(yè)在新時代的價值跨越。以場景為中心，繪制企業(yè)AI轉(zhuǎn)型全景圖企業(yè)AI轉(zhuǎn)型是一項系統(tǒng)化的長期建設(shè)。企業(yè)從0到1，再到規(guī)?；瘧?yīng)用AI可以概括為以下四個階段：從統(tǒng)一共識、規(guī)劃全圖，到聚焦場景、小步快跑，再到數(shù)據(jù)沉淀、構(gòu)建壁壘，最終實現(xiàn)民主賦能、全民創(chuàng)新。以場景為中心軸，并逐步完善技術(shù)基礎(chǔ)建設(shè)、數(shù)據(jù)與知識建設(shè)、組織文化建設(shè)是成為AI驅(qū)動型企業(yè)的必經(jīng)之路。1oAI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型AI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型1.1不斷進(jìn)化，生成式AI開啟人工智能4.0時代人工智能（ArtificialIntelligence,AI）作為21世紀(jì)最具革命性的技術(shù)之一，已經(jīng)在各個領(lǐng)域展示了其巨大潛力。從早期的理論研究到今天的廣泛應(yīng)用，AI的發(fā)展經(jīng)歷了多個階段，每一個階段都標(biāo)志著技術(shù)的重大突破和應(yīng)用的不斷拓展:?AI的發(fā)展起源于20世紀(jì)50年代，以達(dá)特茅斯會議為標(biāo)志，AI作為一個獨(dú)立學(xué)科正式誕生。這個時期的研究集中在邏輯推理、定理證明和簡單游戲等方面，嘗試模擬人類的智能行為。艾倫·圖靈提出了著名的圖靈測試，用以判斷機(jī)器是否具備智能。然而，由于計算能力和數(shù)據(jù)資源的限制，這一階段的AI研究主要停留在理論層面，實際應(yīng)用相對有限。?進(jìn)入80年代，AI研究的重心轉(zhuǎn)向知識表示和專家系統(tǒng)。專家系統(tǒng)通過編碼專家知識來進(jìn)行推理和決策，廣泛應(yīng)用于醫(yī)學(xué)診斷、地質(zhì)勘探等領(lǐng)域。盡管專家系統(tǒng)在特定領(lǐng)域展示了巨大的潛力，但其知識獲取和更新的困難限制了其進(jìn)一步發(fā)展。此外，這一階段的AI系統(tǒng)缺乏自我學(xué)習(xí)和適應(yīng)能力，無法應(yīng)對動態(tài)變化的環(huán)境。?隨著計算能力的提升和互聯(lián)網(wǎng)的發(fā)展，AI在20世紀(jì)90年代到21世紀(jì)初進(jìn)入了以統(tǒng)計學(xué)習(xí)為核心的階段。機(jī)器學(xué)習(xí)算法，如支持向量機(jī)（SVM）、決策樹和貝葉斯網(wǎng)絡(luò)，在數(shù)據(jù)驅(qū)動的應(yīng)用中取得了顯著成效。大數(shù)據(jù)的興起為AI模型提供了豐富的數(shù)據(jù)資源，推動了AI在模式識別、數(shù)據(jù)挖掘和自然語言處理等領(lǐng)域的應(yīng)用。這個時期的AI開始在商業(yè)領(lǐng)域展現(xiàn)出實際價值，如推薦系統(tǒng)、欺詐檢測和客戶關(guān)系管理等。?2010年代，深度學(xué)習(xí)的崛起標(biāo)志著AI進(jìn)入了一個全新的發(fā)展階段。深度神經(jīng)網(wǎng)絡(luò)（DNN）,尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），在圖像識別、語音識別和自然語言處理等領(lǐng)域取得了突破性進(jìn)展。2016年，AlphaGo擊敗圍棋世界冠軍李世石，展示了深度學(xué)習(xí)在復(fù)雜決策和博弈問題上的強(qiáng)大能力。2017年，Vaswani等人發(fā)表的論文《AttentionisAllYouNeed》引入了Transformer模型，這種模型不依賴于傳統(tǒng)的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）結(jié)構(gòu)，極大地提升了自然語言處理任務(wù)的性能。Transformers為大規(guī)模預(yù)訓(xùn)練語言模型（如BERT和GPT）奠定了基礎(chǔ)。自從生成式AI技術(shù)進(jìn)入公眾視野以來，由OpenAI開發(fā)的ChatGPT無疑成為了這一領(lǐng)域的代表性成果。其不僅展示了強(qiáng)大的自然語言生成能力，還在智能對話、內(nèi)容創(chuàng)作、翻譯服務(wù)等多個應(yīng)用場景中發(fā)揮了重要作用。隨著多模態(tài)生成、模型可控性和透明性的進(jìn)一步提升，生成式AI將繼續(xù)引領(lǐng)人工智能技術(shù)的發(fā)展，為各行各業(yè)帶來更多創(chuàng)新和變革。4oAI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型縱觀歷史，AI技術(shù)的演進(jìn)不僅僅體現(xiàn)在算法的優(yōu)化和模型的復(fù)雜化，還包括計算能力的提升、數(shù)據(jù)資源的豐富以及跨學(xué)科的融合與應(yīng)用創(chuàng)新。從早期的單核處理器到今天的多核GPU和專用AI加速器（如TPU），計算能力的飛速提升為復(fù)雜AI模型的訓(xùn)練和推理提供了堅實基礎(chǔ)。分布式計算和云計算的發(fā)展，大大降低了AI應(yīng)用的成本，提高了其可擴(kuò)展性。未來，量子計算有望進(jìn)一步突破計算瓶頸，為AI算法的優(yōu)化和應(yīng)用拓展提供新的可能。AlphaGo也是基于人類設(shè)計的圍棋規(guī)則運(yùn)作。真正的革命將是AI具備自我意識，能夠自主創(chuàng)造新規(guī)則。”——施耐德電氣高級副總裁，智能家居業(yè)務(wù)中國區(qū)負(fù)責(zé)人““AI已經(jīng)作為新質(zhì)生產(chǎn)力在企業(yè)發(fā)揮著積極作用，構(gòu)建企業(yè)級AI平臺、落地高優(yōu)先級業(yè)務(wù)場景，AI已來，未來無限。”——IBM咨詢合伙人，大中華區(qū)大數(shù)據(jù)與人工智能事業(yè)部總經(jīng)理林嵐oAI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型1.2大小模型深度融合，是AI在產(chǎn)業(yè)應(yīng)用的必然趨勢1.2.1定義：生成式與決策式，大模型與小模型以ChatGPT、StableDiffusion等為代表的生成式AI是一種通過學(xué)習(xí)和模仿大量現(xiàn)有數(shù)據(jù)來創(chuàng)造新內(nèi)容的人工智能技術(shù)。它通過復(fù)雜的算法和神經(jīng)網(wǎng)絡(luò)模型，如生成對抗網(wǎng)絡(luò)、大型預(yù)訓(xùn)練模型等，生成文本、圖像、音頻、視頻等多種形式的新數(shù)據(jù)。隨著新算法架構(gòu)的更新迭代和算力資源的日益強(qiáng)大，以及業(yè)界提出“規(guī)模定律”(ScalingLaw)，即模型性能隨著模型大小、訓(xùn)練數(shù)據(jù)集大小和計算量大小的增加而增加，模型本身的參數(shù)量在近年成倍上升，如OpenAI2018年中發(fā)布的GPT-1模型約有1.2億個參數(shù)，2022年發(fā)布的GPT-3達(dá)到1750億個參數(shù)，2023年發(fā)布的GPT-4官方雖未公布參數(shù)量大小，據(jù)外界推測其參數(shù)量約達(dá)到1.8萬億。與生成式AI對應(yīng)，決策式AI，也被稱為判別式AI，通常專注于分類和預(yù)測，通過分析和處理大量標(biāo)注數(shù)據(jù)、學(xué)習(xí)特征和模式以區(qū)分不同類別。決策式AI模型，如邏輯回歸、支持向量機(jī)和神經(jīng)網(wǎng)絡(luò)等，旨在從輸入數(shù)據(jù)中學(xué)習(xí)決策邊界，以便在面對新數(shù)據(jù)時進(jìn)行準(zhǔn)確分類和預(yù)測。例如，圖像識別、預(yù)測性維護(hù)、個性化推薦等都是決策式AI的常見應(yīng)用。與目前主流的生成式大模型相比，決策式AI的參數(shù)量相對較小，在工業(yè)與能源領(lǐng)域的主流應(yīng)用中，決策式小模型的參數(shù)通常在幾千到幾萬之間，具有更簡單的結(jié)構(gòu)，存儲和計算資源的需求較低，能夠快速訓(xùn)練和推理。目前，業(yè)界對“大模型”和“小模型”的區(qū)分沒有明確的定義。從字面上理解，大與小主要指的是模型的參數(shù)量和訓(xùn)練數(shù)據(jù)的規(guī)模。所謂“大”，尚未有絕對的標(biāo)準(zhǔn)，而是一個相對的概念，通常大模型的參數(shù)量往往在億級以上。嚴(yán)格意義上講，大模型不能等同于生成式AI，小模型也不能等同于決策式AI，如前文所述的BERT及其衍生模型就屬于決策式的大語言模型，其-large版本參數(shù)量達(dá)到3.4億。它的優(yōu)勢在于為問答系統(tǒng)和分類任務(wù)提供支持，而非開放式的文本生成。在目前工業(yè)與能源領(lǐng)域的應(yīng)用語境里，通常小模型是決策式AI，大模型一般是生成式AI，為了方便理解，后文中我們用大、小模型來作為區(qū)分。1.2.2效率提升明顯，大模型在工業(yè)與能源領(lǐng)域的應(yīng)用飛速增長1近年來，大模型，尤其是大語言模型在工業(yè)與能源領(lǐng)域的應(yīng)用范圍不斷擴(kuò)大。比如大模型能理解并生成人類語言，進(jìn)而幫助大幅提升工業(yè)流程效率，保守估計，大模型可以幫助原始設(shè)備制造商（OEM）在構(gòu)建機(jī)器PLC應(yīng)用程序時節(jié)省20%的工作量。大模型最重要的能力之一在于基于自然語言的推理和生成能力。在工業(yè)與能源領(lǐng)域中，這些能力可以用來處理兩種重要的任務(wù)：1)代碼生成、文檔編寫、重構(gòu)和測試；2)自然語言接口。注[1]:內(nèi)容摘自施耐德電氣文章《大語言模型將如何賦能工業(yè)自動化？》oAI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型1）代碼生成、文檔編寫、重構(gòu)和測試大語言模型可以為PLC等工業(yè)控制系統(tǒng)生成代碼，或者允許人類使用自然語言輸入內(nèi)容生成人機(jī)交互（HMI）頁面，進(jìn)而簡化應(yīng)用程序的工程設(shè)計過程，減少開發(fā)控制應(yīng)用程序所需的時間和工作量。此外，大語言模型還有望提高生成代碼的質(zhì)量和一致性，從而減少錯誤并縮短調(diào)試時間。保守估計，大語言模型生成的代碼，對于編寫機(jī)器類PLC程序而言，大約70%是可用的，編程效率大幅提升。大語言模型的另一個應(yīng)用是自動生成配方代碼，在更改參數(shù)、更換供應(yīng)商或更改配料時，能夠節(jié)省時間。創(chuàng)建配方并觸發(fā)生產(chǎn)線變更所花的時間會直接影響生產(chǎn)時間，因此任何可能的時間節(jié)省都有助于提高效率。更進(jìn)一步，大語言模型還可用于自動生成與其生成的代碼相關(guān)的文檔，如自動測試腳本，而測試腳本對于自動化工程師來說一直是一項非常耗時的任務(wù)。2）自然語言接口?大語言模型還可為工業(yè)自動化系統(tǒng)創(chuàng)建自然語言接口，由此操作員只需要使用人類語言，而無需專門的編程語言，就可以與這些系統(tǒng)進(jìn)行交互。自然語言接口的關(guān)鍵應(yīng)用之一就是使用自然語言命令訪問現(xiàn)有文檔，如技術(shù)產(chǎn)品信息。在許多行業(yè)中，操作人員和維護(hù)人員必須手動搜索產(chǎn)品文檔中的信息。有些甚至還是紙質(zhì)文件！然而，隨著文檔逐步數(shù)字化，并傳輸至安全的特定大語言模型中，這些工具可用來快捷地提出問題，并迅速找到答案。例如，“錯誤代碼8975的含義是什么？該如何解決？”這種問題可以輕松得到解答。其關(guān)鍵是使用安全的特定大語言模型。這些模型應(yīng)該僅從經(jīng)審核以及官方提供的手冊、技術(shù)說明和源代碼中提取答案。?用于技術(shù)支持的虛擬助手是另一個應(yīng)用場景，其中帶有大語言模型的自然語言接口，可以為工業(yè)帶來價值。通過電話為客戶提供高度專業(yè)化和定制支持的工業(yè)公司（例如與工業(yè)最終用戶合作的機(jī)器制造商），可以掌握這些隱形的知識，并將知識和信息提供給特定的大語言模型，虛擬助手就可以利用這些模型從而提升客戶體驗并有效縮短解決問題的時間。同樣，這也適用于機(jī)器、自動化產(chǎn)品和系統(tǒng)的用戶手冊與文檔的創(chuàng)建。使用大語言模型創(chuàng)建這些重要文檔可以為應(yīng)用工程師節(jié)省時間，讓他們可以將知識和技能用于開發(fā)更好的機(jī)器、產(chǎn)品和系統(tǒng)，從而提升質(zhì)量并縮短上市時間。另一個例子是通過大語言模型加速自動化系統(tǒng)設(shè)計與開發(fā)，在過程工業(yè)的大型項目中，自動化系統(tǒng)的設(shè)計和開發(fā)都需要眾多供應(yīng)商、用戶、合作伙伴以及監(jiān)管機(jī)構(gòu)等第三方伙伴進(jìn)行通力協(xié)作。從項目發(fā)起到項目實施，再到項目運(yùn)營階段，都可以用大語言模型對來自各方的需求和參數(shù)等進(jìn)行標(biāo)準(zhǔn)化處理，從而顯著節(jié)省時間，幫助所有參與方提升競爭力。這是因為，從客戶和合作伙伴的需求出發(fā)進(jìn)行系統(tǒng)開發(fā)之初，就會面臨關(guān)于解決方案架構(gòu)、物料清單、安全計劃、風(fēng)險管理計劃等各方面的多種要求。基于目前的技術(shù)，這需要耗費(fèi)數(shù)月、甚至數(shù)年的嚴(yán)謹(jǐn)工作、整理澄清以及來自多個職能部門的專家的協(xié)作，才能確保最終質(zhì)量和可行性。如果借助大語言模型對各方需求和資料進(jìn)行快速梳理，則可以加快整個過程，同時滿足各層級的合規(guī)要求。oAI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型大語言模型的道德考慮和限制因素不可忽視我們也需要考慮到大語言模型中可能普遍存在的局限性與風(fēng)險，以及在大語言模型產(chǎn)業(yè)化之前如何應(yīng)對由這些局限因素帶來的影響。在工業(yè)自動化中使用大語言模型可能會帶來一些道德考慮和風(fēng)險，必須要認(rèn)真對待，以確保這項技術(shù)的使用是負(fù)責(zé)任的，并且符合道德規(guī)范。?系統(tǒng)安全:當(dāng)討論AI模型執(zhí)行工業(yè)自動化操作的可能性時，首先必須制定明確的安全措施。?數(shù)據(jù)安全:大語言模型需要大量的訓(xùn)練數(shù)據(jù)。這些數(shù)據(jù)可能包括個人敏感信息或有關(guān)特定流程的保密信息，因此確保數(shù)據(jù)安全，遵守保密原則、尊重個人隱私權(quán)至關(guān)重要。?偏見:大語言模型可能會將訓(xùn)練數(shù)據(jù)中存在的社會偏見一直延續(xù)下去，并持續(xù)放大這些偏見的影響。這可能導(dǎo)致不公平和歧視性后果。因此，識別偏見并減輕偏見的影響很重要，它有助于確保結(jié)果的公平公正。?信息安全:大語言模型容易遭到模型竊取或?qū)剐怨舻葠阂夤?。必須確保這些模型的安全，幫助其抵御威脅。?解讀:大語言模型很難解釋和理解，因此對于它做出的響應(yīng)也可能會難以解釋。在決策過程中使用這些模型時，這可能會成為問題，因為很難理解這些決策的基礎(chǔ)是什么，也就很難確保其公平性和合理性。?以人為本:通過前文，我們已經(jīng)看到了大語言模型在工業(yè)自動化領(lǐng)域的一些積極的應(yīng)用前景。然而，任何輸出仍需要人類的審查。這些模型只能用作人類能力的補(bǔ)充。例如，機(jī)器可以執(zhí)行任務(wù)，但任務(wù)完成后必須有人來進(jìn)行檢查；或者機(jī)器可以改進(jìn)或挑戰(zhàn)人類的創(chuàng)造性?可靠性:由于大模型特有的“幻覺”（Hallucination）現(xiàn)象，大語言模型的結(jié)果可能并不一定真實，即使模型微調(diào)、RAG等技術(shù)可以大量減少“幻覺”現(xiàn)象的出現(xiàn)，其輸出結(jié)果用于重要場景時始終應(yīng)該由人類專家來進(jìn)行審查?！啊癆I技術(shù)的發(fā)展是一個漸進(jìn)的過程，既需要數(shù)據(jù)分析、建模和安全技術(shù)的不也依賴于政策和社會準(zhǔn)則的匹配與協(xié)調(diào)。政策規(guī)則可以根據(jù)需要進(jìn)行調(diào)整，而社會準(zhǔn)則往往需要更長的時間來改變?！卑l(fā)揮大語言模型的潛在優(yōu)勢，重在產(chǎn)業(yè)化部署如上所述，要想利用大語言模型的優(yōu)勢，就必須對其進(jìn)行恰當(dāng)部署，并充分考慮其限制因素。此外，還需要重點(diǎn)考慮的是，大語言模型的潛在規(guī)模，以及哪些地方可以或者需要部署這些大語言模型。特定領(lǐng)域的數(shù)據(jù)對大語言模型進(jìn)行預(yù)訓(xùn)練可以提高其性能并簡化其部署。不同行業(yè)應(yīng)評估如何創(chuàng)建這些基礎(chǔ)模型，以及何時需要大模型，何時需要更小的、更具體的解決方案。例如，特定領(lǐng)域的大語言模型——如制造行業(yè)GPT、醫(yī)療行業(yè)GPT、旅游行業(yè)GPT等——意味著可以創(chuàng)建更小且更聚焦特定領(lǐng)域的模型，然后在此基礎(chǔ)上進(jìn)行構(gòu)建。這也有助于解決因非相關(guān)背景疊加而產(chǎn)生的錯誤輸出。也可以由同一行業(yè)中的各個組織來協(xié)作，共同創(chuàng)建適用于其領(lǐng)域中普適性用途的GPT。oAI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型1.2.3更精準(zhǔn)可靠，小模型在工業(yè)與能源領(lǐng)域的應(yīng)用仍具優(yōu)勢我們觀察到在一些使用場景，如精確度要求不高的預(yù)測與推理任務(wù)中，大模型已經(jīng)有取代小模型之勢，但與大模型相比，小模型在工業(yè)與能源領(lǐng)域的應(yīng)用仍有其獨(dú)特的優(yōu)勢。第一，小模型在數(shù)據(jù)量受限的環(huán)境中表現(xiàn)更出色，比如企業(yè)生產(chǎn)環(huán)節(jié)里的數(shù)據(jù)量有限時，通過小樣本學(xué)習(xí)技術(shù)大量減少訓(xùn)練樣本所需數(shù)量。第二，小模型通常沒有“大模型”中常見的“幻覺”現(xiàn)象，具備更高的精準(zhǔn)度和可靠性，這使得小模型在工業(yè)場景中能夠提供更為可信和穩(wěn)定的結(jié)果，進(jìn)一步提升了其應(yīng)用價值。第三，小模型在定制化投入的時間與財務(wù)成本都較低，面對工業(yè)能源領(lǐng)域碎片化、精專的使用場景，大模型技術(shù)尚未成熟和廣泛應(yīng)用時，小模型能夠更快速地進(jìn)行迭代和部署，適應(yīng)不斷變化的工業(yè)需求。在工業(yè)與能源領(lǐng)域，小模型通常應(yīng)用于以下三種任務(wù):識別分類、預(yù)測優(yōu)化、知識推理2?識別分類:小模型在識別與分類任務(wù)中表現(xiàn)出色，特別是在圖像和聲音識別方面。盡管其規(guī)模較小，但通過精細(xì)的訓(xùn)練和優(yōu)化，小模型能夠在許多工業(yè)應(yīng)用中實現(xiàn)高精度的識別。在該類任務(wù)中，視覺識別是最為主要的使用場景。例如，在質(zhì)量檢測過程中，小模型可以快速識別產(chǎn)品缺陷，確保生產(chǎn)線上的產(chǎn)品符合質(zhì)量標(biāo)準(zhǔn)。此外，在安全監(jiān)控系統(tǒng)中，小模型可以實時分析監(jiān)控視頻，識別潛在的安全威脅，提高現(xiàn)場安全性。?預(yù)測優(yōu)化:小模型在預(yù)測優(yōu)化方面同樣具備強(qiáng)大的能力。它們可以通過分析大量的生產(chǎn)數(shù)據(jù)和歷史數(shù)據(jù)，建立高效的數(shù)據(jù)模型，優(yōu)化生產(chǎn)流程和資源配置以及針對設(shè)備預(yù)測性維護(hù)等。例如，在能源管理中，通過建立決策式小模型，根據(jù)用電數(shù)據(jù)和生產(chǎn)需求，優(yōu)化能源分配，減少能源消耗和成本。通過結(jié)合實際生產(chǎn)在線數(shù)據(jù)和歷史離線產(chǎn)品質(zhì)量評價數(shù)據(jù)建模，決策式小模型還可以實現(xiàn)工藝控制算法的高精度優(yōu)化，提升產(chǎn)品質(zhì)量的同時降低生產(chǎn)成本。?知識推理:通過專家系統(tǒng)或知識圖譜，小模型能夠在知識推理和決策支持方面提供有力的輔助。通過集成各種數(shù)據(jù)源和知識庫，小模型可以在復(fù)雜的決策過程中提供實時的分析和建議。例如，在設(shè)備維護(hù)中，通過專家系統(tǒng)技術(shù)，小模型可以根據(jù)設(shè)備的運(yùn)行數(shù)據(jù)和歷史故障記錄，推理出潛在的故障原因，并提供維護(hù)建議。盡管隨著大語言模型的快速發(fā)展，通過檢索但兩者的結(jié)合在對知識可信度和可解釋性要求高的場景下仍有其獨(dú)特的優(yōu)勢。例如，大模型可以處理和理解大規(guī)模的非結(jié)構(gòu)化數(shù)據(jù)，而小模型可以提供高精度和高可靠性的推理結(jié)果。規(guī)模部署受限，小模型對投入產(chǎn)出要求更高小模型的專業(yè)性和精準(zhǔn)可靠對于它在工業(yè)能源領(lǐng)域推廣是一把雙刃劍。盡管訓(xùn)練與調(diào)優(yōu)成本遠(yuǎn)低于大模型，但由于缺乏通用性，使得其應(yīng)用范圍十分局限，如工藝的流程優(yōu)化往往需要針對一個產(chǎn)線、甚至一個環(huán)節(jié)來進(jìn)行訓(xùn)練。因此在技術(shù)想要大規(guī)模推廣時，邊際成本仍然較高，這一點(diǎn)導(dǎo)致了企業(yè)做投資決策時，小模型的導(dǎo)入對價值回報有著較高要求。注[2]:中國信息通信研究院《工業(yè)智能白皮書（2022）》oAI大小模型融合互補(bǔ)，加速推動產(chǎn)業(yè)全面轉(zhuǎn)型1.2.4大小模型融合互補(bǔ)，推動工業(yè)與能源領(lǐng)域全面轉(zhuǎn)型在AI應(yīng)用的發(fā)展中，生成式大模型與決策式小模型的融合應(yīng)用正逐漸成為一種新的嘗試。這種融合不僅能夠發(fā)揮大模型和小模型各自的優(yōu)勢，還能克服單一模型應(yīng)用中的局限性。以下是一些典型的融合應(yīng)用方式：?大模型生成負(fù)樣本幫助小模型訓(xùn)練。比如說在工業(yè)質(zhì)量檢測場景中，大模型可以通過圖生圖，快速生成大量負(fù)樣本，增強(qiáng)模型訓(xùn)練中的圖片驗證過程。?大模型作為AI智能體的大腦，調(diào)用小模型執(zhí)行特定任務(wù)。例如發(fā)現(xiàn)質(zhì)量缺陷和產(chǎn)量異常時，需要及時知道是否是工藝問題引起，避免進(jìn)一步損失。此時大模型可以作為人機(jī)交互的調(diào)度中樞，通過分析總結(jié)能力告知管理者出現(xiàn)了何種異常，并且調(diào)用根因分析的小模型進(jìn)行專業(yè)的根因分析，并根據(jù)小模型的分析結(jié)果進(jìn)行自然語言輸出。綜上所述，如今人工智能技術(shù)的迭代日新月異，然而無論是生成式大模型還是決策式小模型，要想大規(guī)模落地仍有其各自的限制。正如同電力、互聯(lián)網(wǎng)技術(shù)等通用技術(shù)的發(fā)展，需要不斷完善基礎(chǔ)設(shè)施以及創(chuàng)造價值落地的使用場景。關(guān)于AI大規(guī)模應(yīng)用，我們?nèi)蕴幱趫鼍昂蛢r值探索的早期，因此需要從業(yè)務(wù)場景和價值出發(fā)，以需求拉動AI生產(chǎn)力的發(fā)展，而不能只站在技術(shù)的角度來進(jìn)行推動。在本報告的第二到第四章，我們將分別與讀者探討新時代AI在工業(yè)與能源領(lǐng)域的價值主張、AI場景落地實踐、以及以場景為中心的企業(yè)AI轉(zhuǎn)型實施路徑。““AI為企業(yè)帶來降本增效的巨大機(jī)會，但同時，各企業(yè)也逐步認(rèn)識到AI落地的困難性。這是因為AI為企業(yè)創(chuàng)造價值依賴管理、業(yè)務(wù)、技術(shù)的合力。也就是說，企業(yè)的AI轉(zhuǎn)型不只是技術(shù)的轉(zhuǎn)型，而是基于AI的企業(yè)全面轉(zhuǎn)型生成式?！薄狪BM咨詢大中華區(qū)人工智能業(yè)務(wù)負(fù)責(zé)人黃震豪oAIforGREEN–由點(diǎn)到線，重構(gòu)新型商業(yè)模式2AI2AIforGREEN2.1AIforGREEN：發(fā)掘AI五大核心價值，打造新型商業(yè)模式施耐德電氣商業(yè)價值研究院自成立以來，以低碳可持續(xù)和智能制造為主軸，跟蹤調(diào)研了工業(yè)與能源領(lǐng)域的眾多企業(yè)高管。我們發(fā)現(xiàn)，隨著科技的進(jìn)展，企業(yè)對AI價值的期待愈發(fā)立體，主要體現(xiàn)在以下三個趨勢：首先，從僅重視AI的商業(yè)收益，拓展到越來越注重社會環(huán)境價值；其次，價值取向從宏觀決策到微觀個體，更加關(guān)注AI如何影響并優(yōu)化每一個用戶的體驗；最后，從追求AI帶來短期的快速增長，到更重視長期的價值跨越。在AI飛速發(fā)展的新時代，大小模型的技術(shù)更迭賦予了AI更強(qiáng)大的價值潛力。在工業(yè)與能源領(lǐng)域，我們認(rèn)為應(yīng)該以實際業(yè)務(wù)場景驅(qū)動AI應(yīng)用，才能實現(xiàn)企業(yè)在新時代的價值跨越。因此，我們提出“AIforGREEN”的綠色智能價值主張，其中“GREEN”每個字母分別代表應(yīng)用AI五個維度的核心價值，本章將以此價值主張為起點(diǎn)，與讀者共同探討AI在工業(yè)與能源領(lǐng)域全價值鏈的場景地圖。?Growth代表業(yè)務(wù)價值增長:AI技術(shù)推動業(yè)務(wù)價值的飛速增長，為企業(yè)創(chuàng)造前所未有的機(jī)會和回報；?Reliability代表可靠性和韌性:AI技術(shù)提升工業(yè)制造及能源管理的可靠性和韌性，把穩(wěn)定的自動化達(dá)到全新的高度；?Efficiency代表高效和滿意度:AI凝練行業(yè)經(jīng)驗，卓越運(yùn)營，帶來前所未有的高效和滿意度；?Environment代表環(huán)境友好和可持續(xù)發(fā)展:AI技術(shù)提升能源和資源的利用效率，減少浪費(fèi)和排放，幫助企業(yè)實現(xiàn)可持續(xù)發(fā)展；?NewHorizon代表全新商業(yè)模式:AI不僅能夠簡化現(xiàn)有產(chǎn)品研發(fā)過程，并可顛覆傳統(tǒng)商業(yè)模式，開創(chuàng)全新的商業(yè)運(yùn)作方式。GGREEN以場景驅(qū)動AI應(yīng)用,實現(xiàn)企業(yè)價值跨越簡化研發(fā)顛覆商業(yè)模式可靠性和韌性業(yè)務(wù)價值增長可持續(xù)發(fā)展高效滿意oAIforGREEN–由點(diǎn)到線，重構(gòu)新型商業(yè)模式oAIforGREEN–由點(diǎn)到線，重構(gòu)新型商業(yè)模式2.2應(yīng)用場景是AI的“演習(xí)場”、“數(shù)據(jù)源”和“創(chuàng)新地”3要實現(xiàn)AI價值的全面落地，應(yīng)用場景是爆發(fā)的關(guān)鍵。我們不應(yīng)該從科技本身入手，而是要明確適合的應(yīng)用場景。正確的應(yīng)用場景能夠最大化AI的潛力，助力企業(yè)實現(xiàn)智能化轉(zhuǎn)型和長期戰(zhàn)略目標(biāo)。場景對于人工智能爆發(fā)的意義可以從三個方面來看：?首先，場景是人工智能技術(shù)的“演習(xí)場”。機(jī)器學(xué)習(xí)算法和大語言模型只有在實際場景中接受“檢驗”，才能發(fā)現(xiàn)技術(shù)落地的價值與發(fā)展空間，比如可靠性、成熟度、成本等。同時，場景應(yīng)用也為技術(shù)優(yōu)化和迭代指引了方向。?第二，場景是反哺人工智能技術(shù)不斷迭代的“數(shù)據(jù)源”。千行百業(yè)的應(yīng)用場景中蘊(yùn)藏著AI技術(shù)進(jìn)化所需要的數(shù)據(jù)“營養(yǎng)”。工廠里的每條產(chǎn)線，樓宇中的每臺空調(diào)，曠野中的每座風(fēng)機(jī)，以及企業(yè)多年來生產(chǎn)經(jīng)營活動的日志文件等……都是珍貴的數(shù)據(jù)“原礦”，需要進(jìn)一步挖掘、清洗、標(biāo)注、預(yù)處理、推理和驗證。從場景中來，到場景中去，這一過程“哺育”了正在茁壯成長的人工智能技術(shù)。GREEN?第三，場景是人工智能再次發(fā)展和飛躍的“創(chuàng)新地”?，F(xiàn)今火爆的通用大模型雖然能夠應(yīng)對廣泛、多樣化的任務(wù)，但一旦深入具體產(chǎn)業(yè)，就需要與行業(yè)經(jīng)驗相融合，獲取場景中蘊(yùn)藏的專精知識。而構(gòu)建垂直行業(yè)大模型，則為解決復(fù)雜的專業(yè)問題提供了新解法。GREEN“實現(xiàn)大規(guī)?！皩崿F(xiàn)大規(guī)模AI的應(yīng)用，首先要從業(yè)務(wù)場景出發(fā)，從業(yè)務(wù)價值出發(fā)，而不能只從技術(shù)出發(fā)。”——PhilippeRambach,施耐德電氣CAIO2.3以GREEN重構(gòu)全價值鏈AI場景地圖因此施耐德電氣商業(yè)價值研究院認(rèn)為，企業(yè)應(yīng)以場景驅(qū)動AI應(yīng)用，實現(xiàn)企業(yè)價值跨越。并在此以場景地圖的形式列舉了AI在工業(yè)與能源領(lǐng)域的企業(yè)全價值鏈（研發(fā)設(shè)計、供應(yīng)鏈、生產(chǎn)與運(yùn)營，營銷及售后）部分應(yīng)用場景，并針對重點(diǎn)應(yīng)用場景在第三章中展開具體案例介紹，與讀者共同探討。注[3]:內(nèi)容摘自21世紀(jì)經(jīng)濟(jì)報道《施耐德電氣尹正：讓技術(shù)深入場景，人工智能價值迸發(fā)“關(guān)鍵一躍”》由GREEN重新構(gòu)筑的企業(yè)Al全價值鏈場景地圖-研發(fā)與設(shè)計GrowthReliabilityEffciencyEnvironmentNewHorizonGREEN知識問答機(jī)器人西基于大模型語意理解和生成能力,使得知識查詢更加精準(zhǔn)和高效。GREEN專家知識服務(wù)GREEN基于領(lǐng)域知識,開放對外專基于領(lǐng)域知識,開放對外專家機(jī)器人,開啟第二賽道。通過大模型分析用戶與市場需求,通過大模型分析用戶與市場需求,提升產(chǎn)品上市速度代碼COPILOT基于大模型輔助生產(chǎn)代碼,代碼COPILOT基于大模型輔助生產(chǎn)代碼,加速開發(fā)進(jìn)度。GREEN專利助手基于大模型快速總結(jié)對比專利信息、降低專利違規(guī)風(fēng)險。GREEN專利助手基于大模型快速總結(jié)對比專利信息、降低專利違規(guī)風(fēng)險。繪圖助手使用AI驅(qū)動的CAD工具,幫助設(shè)計師快速生成草圖,并提供及時的設(shè)計反物理仿真建模GREEN基于AI模型降階,加速少實際實驗材料使用。打造企業(yè)A中臺,賦能全員加速GREENGREENA繪圖助手使用AI驅(qū)動的CAD工具,幫助設(shè)計師快速生成草圖,并提供及時的設(shè)計反物理仿真建模GREEN基于AI模型降階,加速少實際實驗材料使用。打造企業(yè)A中臺,賦能全員加速GREENGREENADAl場景應(yīng)用開發(fā)DAl禽GREEN圖紙合規(guī)助手禽GREENGREEN可持續(xù)材料決策A在價值鏈前端支持可持續(xù)材料的決策與推薦,從而最大限度地減少生產(chǎn)材料與創(chuàng)意過程的浪費(fèi)?；诖竽Ｐ涂焖僮R別圖紙是否符合國家GREEN可持續(xù)材料決策A在價值鏈前端支持可持續(xù)材料的決策與推薦,從而最大限度地減少生產(chǎn)材料與創(chuàng)意過程的浪費(fèi)。oAIforGREEN–由點(diǎn)到線，重構(gòu)新型商業(yè)模式oAIforGREEN–由點(diǎn)到線，重構(gòu)新型商業(yè)模式由GREEN重新構(gòu)筑的企業(yè)Ai全價值鏈場景地圖-供應(yīng)鏈GrowthReliabilityEffciencyEnvironmentNewHorizonGREEN智能來料檢驗庫存優(yōu)化庫存優(yōu)化管理以及成品跨區(qū)域調(diào)貨合理分配庫存,減少庫存水平,優(yōu)化供應(yīng)鏈網(wǎng)絡(luò)。GREEN利用圖像識別、模式匹配等算法庫存優(yōu)化庫存優(yōu)化管理以及成品跨區(qū)域調(diào)貨合理分配庫存,減少庫存水平,優(yōu)化供應(yīng)鏈網(wǎng)絡(luò)。GREENGREEN需求預(yù)測GREEN智能預(yù)測需求Al并且減少過量生產(chǎn)帶來的浪費(fèi)。智能預(yù)測需求Al并且減少過量生產(chǎn)帶來的浪費(fèi)。應(yīng)敏捷性與韌性、GREEN基于大模型審核采購合同/質(zhì)保書,減少人為錯誤、加快審核速度、加強(qiáng)溯源性。GREEN路徑優(yōu)化GREEN優(yōu)化物流路徑、減少物流風(fēng)優(yōu)化物流路徑、減少物流風(fēng)GREEN基于生產(chǎn)計劃、基礎(chǔ)能耗、天氣等因素輸出最優(yōu)排產(chǎn)計劃,實現(xiàn)節(jié)能減排。GREEN供應(yīng)商管理助手GREEN基于大模型審核與管理供應(yīng)商資質(zhì)文檔,加快審核速度、增強(qiáng)溯源性。由GREEN重新構(gòu)筑的企業(yè)AIl全價值鏈場景地圖-生產(chǎn)與運(yùn)營GrowthReliabilityEffciencyEnvironmentNewHorizonGREENESG智能助手GREEN利用A技術(shù)自動收集、整理和分析ESG相關(guān)數(shù)據(jù),幫助企業(yè)發(fā)現(xiàn)ESG改進(jìn)的機(jī)會,提出優(yōu)化建議。GREEN視覺檢測GREEN基于視覺模型進(jìn)行表面缺陷檢測,GREEN工藝優(yōu)化GREEN設(shè)備預(yù)測性維護(hù)GREEN基于生產(chǎn)工藝數(shù)據(jù)通過Al實時控制添加物流量,實現(xiàn)質(zhì)量與效率同時提升。設(shè)備預(yù)測性維護(hù)GREEN基于智能感知技術(shù),以設(shè)備機(jī)理+數(shù)理模型為驅(qū)動,對設(shè)備進(jìn)行故障預(yù)測判斷。GREENFMEA智能助手GREEN通過基于大語言模型的報告生成器,FMEA報告編寫時間可以大幅縮短,包括失效模式、潛在原因、預(yù)防措施、嚴(yán)重度打分等。GREEN智慧能源管理GREEN智慧工廠安全通過AI視覺保障生產(chǎn)安全,智慧工廠安全通過AI視覺保障生產(chǎn)安全,如叉車防撞檢測、防護(hù)設(shè)備穿戴檢測等。GREENoAIforGREEN–由點(diǎn)到線，重構(gòu)新型商業(yè)模式由GREEN重新構(gòu)筑的企業(yè)AIl全價值鏈場景地圖-營銷及售后GrowthReliabilityEffciencyEnvironmentNewHorizon3從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值GREEN輿情分析GREEN檢測社交媒體上對品牌的輿情,通過大模型快速總結(jié),及時洞察市場需求和情緒。洞察GREEN客戶數(shù)據(jù)治理和洞察GREENGREEN銷售線索評分基于生成式Al,分析客戶個性化數(shù)據(jù),得出用戶洞察,輔助市場與研發(fā)決策。通過AI分析客戶數(shù)據(jù)GREEN銷售線索評分基于生成式Al,分析客戶個性化數(shù)據(jù),得出用戶洞察,輔助市場與研發(fā)決策。GREEN營銷內(nèi)容生產(chǎn)GREEN營銷內(nèi)容生產(chǎn)基于生成式Al,輔助生成個性化營銷文案、海報等,大幅增加營銷效率。N售后助手通過基于大語言模型的維修知識庫,設(shè)備維修人員可以通過與Al維修知識專家詢問,迅速獲取解決方案建議。GREE基于生成式Al,輔助生成個性化營銷文案、海報等,大幅增加營銷效率。N售后助手通過基于大語言模型的維修知識庫,設(shè)備維修人員可以通過與Al維修知識專家詢問,迅速獲取解決方案建議。GREEGREEN數(shù)字人虛擬主播GREEN通過A通過A數(shù)字人技術(shù),提供個性化主播、培訓(xùn)等服務(wù)。GREEN基于大模型提供實時客戶服務(wù)解答,自動處理常見問題和投訴,提高響應(yīng)速度和客戶滿意度,減輕人工客服壓力。。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值本節(jié)精選了施耐德電氣與合作伙伴IBM作為AI賦能者與踐行者的6大具體案例，以展示不同的AI技術(shù)在實際場景中GREEN價值的體現(xiàn)。3.1案例1:智能便捷、降本增效——工業(yè)設(shè)備預(yù)測性維護(hù)中的AI應(yīng)用43.1.1企業(yè)痛點(diǎn)設(shè)備管理是工業(yè)生產(chǎn)中最重要的組成部分之一。針對設(shè)備智能運(yùn)維，企業(yè)往往面臨幾大痛點(diǎn)問題：1.如何改善傳統(tǒng)運(yùn)維方式導(dǎo)致的效率低、成本高問題？2.如何提前預(yù)測并準(zhǔn)確定位設(shè)備故障？3.如何減少設(shè)備意外停機(jī)的損失？4.如何通過智能運(yùn)維實現(xiàn)設(shè)備全生命周期管理？5.如何減少欠維修、過維修次數(shù)，延長設(shè)備的壽命周期？為了幫助企業(yè)解決痛點(diǎn)問題，切實提高設(shè)備管理、運(yùn)營效率、產(chǎn)品質(zhì)量和安全環(huán)保水平，施耐德電氣推出預(yù)測性維護(hù)顧問PredictiveMaintenanceAdvisor（簡稱PMA）。相比較傳統(tǒng)的響應(yīng)式維護(hù)、預(yù)防性維護(hù)和基于狀態(tài)監(jiān)測的維修，預(yù)測性維護(hù)改變了傳統(tǒng)的被動式維護(hù)、更加主動和精準(zhǔn)，能夠在設(shè)備出現(xiàn)故障前進(jìn)行干預(yù)，從而提高設(shè)備的可靠性和延長使用壽命。其核心是基于智能感知技術(shù)（包括大數(shù)據(jù)和AI技術(shù)），利用設(shè)備機(jī)理+數(shù)理模型驅(qū)動的一種智能故障預(yù)測診斷方案，對設(shè)備進(jìn)行保養(yǎng)維護(hù)。注[4]:內(nèi)容摘選自《施耐德電氣PMA設(shè)備預(yù)測性維護(hù)解決方案》。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值>PMA>>> > >3.1.2解決方案：AI在預(yù)測性維護(hù)中的應(yīng)用Link150RS485公Modbus-TCPPIMS系統(tǒng)DCS系統(tǒng)SE-IOTLink150RS485公Modbus-TCPPIMS系統(tǒng)DCS系統(tǒng)SE-IOTCloudE大屏數(shù)據(jù)展示手機(jī)APP運(yùn)維web平臺診斷分析故障預(yù)測模型機(jī)器學(xué)習(xí)算法故障預(yù)測模型風(fēng)機(jī)、泵機(jī)、減速箱、風(fēng)機(jī)、泵機(jī)、減速箱、空壓機(jī)等各類旋轉(zhuǎn)設(shè)備從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值3.1.4應(yīng)用案例3.1.4應(yīng)用案例（一）水泥行業(yè)設(shè)備預(yù)測性維護(hù)案例水泥行業(yè)某世界五百強(qiáng)企業(yè)工廠的3條產(chǎn)線都部署了施耐德電氣的預(yù)測性維護(hù)系統(tǒng)，用于監(jiān)測其關(guān)鍵設(shè)備(球磨機(jī)、風(fēng)機(jī)、輥壓機(jī)等)的運(yùn)行狀態(tài)和故障診斷，預(yù)測故障，降本增效，實現(xiàn)設(shè)備統(tǒng)一管理和智能運(yùn)維。?基于振動機(jī)理+數(shù)理模型的設(shè)備故障預(yù)測與診斷:通過智能傳感器和邊緣計算網(wǎng)關(guān)獲取振動數(shù)據(jù)，利用設(shè)備的振動機(jī)理和數(shù)理模型（數(shù)據(jù)積累并學(xué)習(xí)優(yōu)化模型），結(jié)合工藝數(shù)據(jù)，通過AI技術(shù)對設(shè)備運(yùn)行數(shù)據(jù)進(jìn)行頻譜分析和相關(guān)性分析，從中提取關(guān)鍵特征值。通過這些特征值，PMA系統(tǒng)可以智能地定位設(shè)備故障的位置和類型，幫助運(yùn)維人員提前采取維護(hù)措施。?利用AI相關(guān)性分析技術(shù)，得出故障原因貢獻(xiàn)度，定位故障產(chǎn)生的原因:AI技術(shù)能夠通過分析找到設(shè)備發(fā)生故障時與故障最相關(guān)的特征值或工況參數(shù)，從而確定設(shè)備具體部件產(chǎn)生故障的原因及其貢獻(xiàn)度。通過這種方法，AI系統(tǒng)能夠積累故障原因庫，從源頭上避免同樣故障的再次發(fā)生。?利用AI技術(shù)提取設(shè)備壽命顯著特征值，實現(xiàn)剩余壽命預(yù)測:AI系統(tǒng)通過提取和分析設(shè)備的關(guān)鍵特征值，能夠?qū)υO(shè)備的剩余壽命進(jìn)行預(yù)測。這種預(yù)測基于設(shè)備的歷史運(yùn)行數(shù)據(jù)和當(dāng)前狀態(tài)，結(jié)合機(jī)器學(xué)習(xí)模型，提供精確的壽命預(yù)測結(jié)果，幫助企業(yè)進(jìn)行更有效的設(shè)備管理和維護(hù)計劃，最大化設(shè)備的使用壽命。3.1.3方案價值對對象：水泥磨球磨機(jī)2311客戶收到系統(tǒng)客戶收到系統(tǒng)AI告警推送，去到現(xiàn)場發(fā)現(xiàn)聯(lián)軸器橡膠墊片存在磨損，隨即更換了橡膠墊片。AIAI驅(qū)動的預(yù)測性維護(hù)解決方案能夠為不同類型的用戶帶來顯著的價值：一天后，又得到施耐一天后，又得到施耐德電氣團(tuán)隊的反饋和報告。需對電機(jī)不對中問題進(jìn)行排查。設(shè)備處于健康運(yùn)行。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值（二）食品飲料行業(yè)設(shè)備預(yù)測性維護(hù)案例某世界知名的啤酒品牌針對其工廠的關(guān)鍵設(shè)備如均質(zhì)機(jī)、粉碎機(jī)、離心機(jī)等，部署了施耐德電氣預(yù)測性維護(hù)系統(tǒng)，從而實現(xiàn)設(shè)備故障預(yù)測和健康運(yùn)維管理，并推動工廠及集團(tuán)的數(shù)字化轉(zhuǎn)型。對象：均質(zhì)機(jī)1系統(tǒng)識別出設(shè)備震動異常并第一時間發(fā)出對象：均質(zhì)機(jī)1系統(tǒng)識別出設(shè)備震動異常并第一時間發(fā)出告警。>>>>>>>4檢修復(fù)位后，設(shè)備振動及峰值因素明顯下降。成功地幫助客戶提前發(fā)現(xiàn)一次故障，防止因油封變形移位導(dǎo)致的活塞桿表面拉傷?？蛻敉C(jī)檢查，調(diào)查結(jié)果證實：異物墜入均質(zhì)機(jī)的活塞箱，與活塞桿發(fā)生碰撞，磁撞后活塞桿油封移位。AI診斷給出維修建議：異常能量主要來源于活塞曲柄側(cè)。2>>>>>33.2案例2:節(jié)能降耗，減少碳排——大數(shù)據(jù)模型實現(xiàn)車間能源預(yù)測，助力能源管理系統(tǒng)優(yōu)化3.2.1企業(yè)痛點(diǎn)能源消耗是企業(yè)運(yùn)營成本的重要組成部分。對能源管理系統(tǒng)進(jìn)行整體規(guī)劃、部署能源管理系統(tǒng)實現(xiàn)能源的測量、分析、計算、監(jiān)控和控制，通過優(yōu)化能源使用，減少能源浪費(fèi)，提高能源利用效率，實現(xiàn)節(jié)能環(huán)保已成為眾多企業(yè)的共識。本項目中，能源管理系統(tǒng)將貫穿全車間相關(guān)操作員、工程師和各級管理者，實現(xiàn)車間生產(chǎn)過程的能源供給和使用的信息透明化、加強(qiáng)能源信息可視化和可追溯能力，降低各非正常工作工況能耗，并提供基于WEB的監(jiān)視、配置、查詢、分析等功能，供各相關(guān)部門查詢分析能源相關(guān)信息。為進(jìn)一步對生產(chǎn)能源利用開展持續(xù)改善，提升管理水平創(chuàng)造必要條件。具體來講，需要實現(xiàn)以下兩個目標(biāo)：?實現(xiàn)兩個層次的服務(wù)，即一方面為車間管理人員提供直觀、簡明、快捷的能源數(shù)據(jù)查詢、數(shù)據(jù)分析和相關(guān)決策支持服務(wù)；另一方面是為相關(guān)操作人員提供操作指導(dǎo)，降低生產(chǎn)準(zhǔn)備時間、生產(chǎn)間歇時間以及停產(chǎn)時間的能耗。?利用數(shù)學(xué)模型、預(yù)測和數(shù)據(jù)挖掘等理論方法和技術(shù)手段對有關(guān)數(shù)據(jù)進(jìn)行深入的加工處理及分析?；谙嚓P(guān)AI模塊對本項目相關(guān)功能提供決策支持，并為集團(tuán)其他類似項目提供相關(guān)數(shù)據(jù)基礎(chǔ)。3.2.2解決方案：包含大數(shù)據(jù)模型的能源管理系統(tǒng)結(jié)合施耐德電氣跨行業(yè)的能源管理系統(tǒng)成功經(jīng)驗以及企業(yè)現(xiàn)實情況，并充分考慮未來的可擴(kuò)展性，相關(guān)車間的能源管理系統(tǒng)規(guī)劃包含能源數(shù)據(jù)采集和監(jiān)控、生產(chǎn)狀態(tài)感知、大數(shù)據(jù)模型、節(jié)能運(yùn)行指導(dǎo)和推送、以及能源數(shù)據(jù)展示和分析五大模塊，其中大數(shù)據(jù)模型模塊涉及以下三大算法場景：。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值?算法場景一:排產(chǎn)及能耗預(yù)測排產(chǎn)是影響工廠生產(chǎn)成本、運(yùn)營效率、履約水平和營銷效益的關(guān)鍵環(huán)節(jié)之一。系統(tǒng)根據(jù)用戶輸入的基礎(chǔ)能耗、生產(chǎn)計劃（產(chǎn)量、生產(chǎn)時間）、天氣等因素，輸出未來不同介質(zhì)的能耗情況并給出最佳的排產(chǎn)計劃。?算法場景二:關(guān)鍵設(shè)備精準(zhǔn)開關(guān)機(jī)針對烘房和工藝空調(diào)等關(guān)鍵用能場景，計算各工藝段首個產(chǎn)品到來的時間和末個產(chǎn)品離開各工藝段的時間，并基于AI/ML模型算法開發(fā)，輸出各工藝段最優(yōu)、節(jié)能的設(shè)備啟停時間。?算法場景三:關(guān)鍵用能場景工藝參數(shù)優(yōu)化通過企業(yè)產(chǎn)能計劃與歷史的設(shè)備運(yùn)行情況，對于高能耗的重點(diǎn)區(qū)域，建立AI模型，給出在正常生產(chǎn)、計劃內(nèi)停線、計劃外停線、停產(chǎn)等生產(chǎn)模式下設(shè)備參數(shù)調(diào)優(yōu)的建議，在保證節(jié)能的境況下進(jìn)行正產(chǎn)生產(chǎn)。3.2.3方案價值項目預(yù)計為企業(yè)實現(xiàn)以下收益:?實現(xiàn)對供配電、壓縮空氣，天然氣，冷水，熱水消耗等相關(guān)子系統(tǒng)的自動數(shù)據(jù)采集，自動監(jiān)控相關(guān)重點(diǎn)參數(shù)狀態(tài)，實時報警；?能源可視化管理：以圖表、棒圖、曲線圖進(jìn)行分析，并實現(xiàn)可視化管理；?實現(xiàn)了對能耗指標(biāo)的評估、能源消耗結(jié)構(gòu)分析及能源消耗成本分?jǐn)偅?實現(xiàn)預(yù)設(shè)各場景下的節(jié)能控制；?提供定制化能源數(shù)據(jù)分析，為車間進(jìn)一步發(fā)現(xiàn)節(jié)能機(jī)會提供可能。。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值3.3案例3:提升效率、降低成本——AI優(yōu)化食品飲料工藝3.3.1企業(yè)痛點(diǎn)食品飲料的生產(chǎn)包括如混合、過濾、罐裝和包裝等多個關(guān)鍵工藝步驟，其中硅藻土廣泛應(yīng)用于酒、果汁、植物油等產(chǎn)品生產(chǎn)環(huán)節(jié)的過濾環(huán)節(jié)，通過去除細(xì)微顆粒和懸浮物，提升產(chǎn)品的澄清度和穩(wěn)定性。以某食品飲料工廠的過濾工藝為例，目前的自動化控制依賴預(yù)設(shè)規(guī)則、固定程序和人工經(jīng)驗，存在效率低、耗時長、成本高、缺乏自動調(diào)整和預(yù)測維護(hù)能力等問題?？蛻粝Ｍㄟ^AI技術(shù)，實現(xiàn)從自動化到智能化的控制，在保證質(zhì)量的同時，提高生產(chǎn)效率和降低成本。3.3.2解決方案根據(jù)客戶需求，施耐德電氣提供了一個集成數(shù)據(jù)分析、算法配置等功能的AI控制系統(tǒng)，系統(tǒng)共有三層網(wǎng)絡(luò)架構(gòu)（從底層往上分別為OT層、基礎(chǔ)網(wǎng)絡(luò)層和IT層）。該解決方案在自動化理論優(yōu)化過濾工藝：?數(shù)據(jù)驅(qū)動與個性化建模:AI系統(tǒng)從歷史數(shù)據(jù)中分析生產(chǎn)中多變量、非線性關(guān)系以及難以預(yù)測的因素，超越人工經(jīng)驗以應(yīng)對復(fù)雜的過濾工藝，同時針對不同產(chǎn)品和步驟單獨(dú)建模，確保每種產(chǎn)品都能獲得最佳過濾效果，適應(yīng)復(fù)雜的工況變化；?智能的添加泵開度策略:硅藻土添加流量與添加泵的開度線性相關(guān)，AI系統(tǒng)通過實時數(shù)據(jù)分析動態(tài)調(diào)整泵的開度，確保添加量準(zhǔn)確，減少操作誤差，提升過濾效率；?自適應(yīng)學(xué)習(xí)與優(yōu)化:通過機(jī)器學(xué)習(xí)和深度學(xué)習(xí)算法，從數(shù)據(jù)中學(xué)習(xí)和優(yōu)化控制策略，自主適應(yīng)不同工況和環(huán)境變化，提升生產(chǎn)效率和產(chǎn)品質(zhì)量；?實時監(jiān)測與智能決策:通過實時監(jiān)測分析與優(yōu)化算法，識別優(yōu)化空間、提供最佳策略并智能調(diào)整，以降低能耗，減少資源浪費(fèi)。3.3.3方案價值通過構(gòu)建數(shù)據(jù)驅(qū)動的AI控制模型，企業(yè)在硅藻土過濾工藝中實現(xiàn)了顯著優(yōu)化，提升過濾質(zhì)量、生產(chǎn)效率，并顯著降低成本，為企業(yè)帶來實際經(jīng)濟(jì)效益，為食品飲料行業(yè)的智能化升級提供了有力支持。主要指標(biāo)改善如下：1)質(zhì)量提升~25%：有效提升產(chǎn)品的澄清度和純凈度；2)效率提升~20%：減少過濾時間，縮短生產(chǎn)周期；3)成本節(jié)省~25%：有效減少硅藻土浪費(fèi)，顯著降低生產(chǎn)成本。。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值3.4案例4:改進(jìn)質(zhì)量、節(jié)約成本——基于AI技術(shù)的視覺質(zhì)量檢測3.4.1企業(yè)痛點(diǎn)在工業(yè)企業(yè)的供應(yīng)鏈當(dāng)中，質(zhì)量檢測是至關(guān)重要的步驟，其需要在產(chǎn)品生產(chǎn)過程中，對產(chǎn)品的生產(chǎn)過程、外觀、特征以及生產(chǎn)最后的結(jié)果進(jìn)行檢測，確保產(chǎn)品的質(zhì)量和結(jié)果符合產(chǎn)品質(zhì)量要求。施耐德電氣母線工廠于1997年在廣州經(jīng)濟(jì)技術(shù)開發(fā)區(qū)成立，主要業(yè)務(wù)是生產(chǎn)面向中國和東南亞市場的I-LINE配電母線系統(tǒng)及Canalis配電/照明母線，承擔(dān)著較多的生產(chǎn)任務(wù)。從母線生產(chǎn)的流程看，粘防水膠條至關(guān)重要，該步驟如出現(xiàn)遺漏，將直接影響后續(xù)產(chǎn)品質(zhì)量?；贔MEA5RPN分析，防水膠條工序從失效后果的嚴(yán)重度（S）、發(fā)生的頻度（O）和失效原因的可探測度（D）來看，被列為了重點(diǎn)改進(jìn)環(huán)節(jié)。同時，傳統(tǒng)的粘防水膠條基本手動完成，并進(jìn)行人工檢測，容易出現(xiàn)效率低下以及漏檢等情況。因此，工廠希望以自動化、智能化的技術(shù)與手段來有效把控質(zhì)量。3.4.2解決方案為了更好地提高質(zhì)量檢測的準(zhǔn)確度，在項目初期，工廠實施團(tuán)隊基于項目痛點(diǎn)，提出了多種不同的解決方案，然而由于廣州母線工廠歷史較長，自動化設(shè)備老舊，PLC的點(diǎn)位較少，改造難度及成本較大，因此，最終決定采用基于視頻流的AI解決方案。該方案將母線蓋板動作完成作為視頻拍攝觸發(fā)點(diǎn)，每隔6秒自動進(jìn)行拍攝，最終選取最后5張照片發(fā)送至IoT平臺進(jìn)行推理。該方式對于服務(wù)器的性能要求較高，同時需要高精度工業(yè)相機(jī)。在確定解決方案后，通過AI引擎的一站式應(yīng)用搭建，快速形成了方案落地。具體來說，在施耐德電氣自研的AI引擎平臺上標(biāo)記出30-50個樣本，以拖拉拽的方式將樣本圖片放入畫布式建模，通過模型訓(xùn)練后，將模型發(fā)布至模型倉庫，開發(fā)完成的模型上傳至施耐德電氣IoT平臺的推理模塊，初步的模型一周即可上線。上線后，通過現(xiàn)場真實環(huán)境的驗證，檢查圖像并進(jìn)行AI再訓(xùn)練，利用KAPPA系數(shù)6比較模型預(yù)測的正負(fù)例與實際分類的正負(fù)例，歷時3個月的優(yōu)化，更新了10+AI模型后，最終KAPPA系數(shù)從初期的70%提升至99.5%，完成模型迭代及精度的提升，滿足了工廠的質(zhì)量要求。3.4.3方案價值通過AI視頻流解決方案，最直觀的結(jié)果是對于質(zhì)量的改進(jìn)，漏檢率為0，過檢率能夠控制在0.5%以下，工廠只需要隨機(jī)巡檢。從經(jīng)濟(jì)效益看，僅防水膠檢測這一環(huán)節(jié)就為工廠每年節(jié)省了上百萬的成本。更值得一提的是，基于施耐德電氣AI引擎和IoT平臺的配合，為業(yè)務(wù)負(fù)責(zé)人、運(yùn)營經(jīng)理、數(shù)據(jù)分析師等用戶提供低代碼乃至零代碼的AI應(yīng)用，幫助工廠快速進(jìn)行場景的復(fù)制推廣。AI技術(shù)可以與視覺識別系統(tǒng)等技術(shù)相結(jié)合實現(xiàn)對產(chǎn)品的智能檢測和質(zhì)量控制。目前，施耐德電氣在中國構(gòu)建的基于AI技術(shù)的工業(yè)視覺質(zhì)量檢測解決方案，已經(jīng)在施耐德電氣中國15家工廠上線，能夠針對產(chǎn)品表面的缺陷進(jìn)行檢測，實現(xiàn)了零漏檢率，大大提高產(chǎn)品質(zhì)量，有效減少因產(chǎn)品瑕疵而浪費(fèi)的資源和時間。注[5]:全稱為FailureModeandEffectsAnalysis，即失效模式及后果分析。注[6]:KAPPA系數(shù)是一種統(tǒng)計測量方法，用于評估兩個分類者（比如兩個人）在對一組項目進(jìn)行分類時的一致性程度。例如，你和一個朋友一起給一些圖片分類（比如判斷是貓還是狗KAPPA系數(shù)就是衡量你們的分類是否“同步”，如果值接近1，表示你們的分類基本一致，如果有分歧，值會接近0或者負(fù)數(shù)。簡單來說，它就像一個度量你們分類默契度的指標(biāo)。。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值3.5案例5:以AI會友，共創(chuàng)制造業(yè)智能化未來3.5.1企業(yè)痛點(diǎn)源卓微納科技（蘇州）股份有限公司是一家在業(yè)界處于領(lǐng)先地位的高科技公司，專注為高端電子電路、IC載板、先進(jìn)封裝、微機(jī)電系統(tǒng)（MEMS）、泛半導(dǎo)體、太陽能和微納器件制造提供生產(chǎn)設(shè)備和工藝解決方案。艾科斯冪信息科技有限公司（X-POWER）是一家科技創(chuàng)新公司，為客戶定制化提供智能化數(shù)字化整體集成系統(tǒng)解決方案,2023年成為IBM金牌合作伙伴。在產(chǎn)品研發(fā)過程中，源卓微納面臨著做市場調(diào)研和市場評估，人力投入高、檢索效率低的挑戰(zhàn)，也不能保證技術(shù)調(diào)研的準(zhǔn)確性、及時性和全面性。希望找到一種方式來幫助研發(fā)團(tuán)隊提高工作效率。另外，為了贏得客戶的滿意度，源卓微納對客戶的承諾是7*24小時的技術(shù)支持和售后服務(wù)，遠(yuǎn)程服務(wù)15分鐘內(nèi)響應(yīng)，駐點(diǎn)區(qū)域4小時內(nèi)到達(dá)。源卓微納一直在尋找合適的智能手段來提升售后服務(wù)效率。3.5.2解決方案艾科斯冪與IBM合作根據(jù)源卓微納的業(yè)務(wù)需求，選擇了watsonxAssistant做為智能助手提供前端入口和語義理解的能力，WatsonDiscovery做為文檔存儲和檢索工具，并集成了IBM最新的AI開發(fā)平臺watsonx.ai，為源卓打造了企業(yè)級智能問答知識庫。這個體系還利用IBMAI驅(qū)動的應(yīng)用集成方案CloudPakforIntegration(CP4I）進(jìn)行應(yīng)用集成。watsonx.ai為IBM企業(yè)級AI開發(fā)平臺，基于最新生成式AI功能，使數(shù)據(jù)科學(xué)家、開發(fā)人員和數(shù)據(jù)分析師能夠利用開放直觀的用戶界面來訓(xùn)練、測試、調(diào)整和部署AI。watsonxAssistant提供面向業(yè)務(wù)的更智能的對話式AI平臺。WatsonDiscovery為AI支持的智能搜索和文本分析平臺。CP4I具備提升應(yīng)用程序速度與質(zhì)量的卓越優(yōu)勢。3.5.3方案價值項目實施之后，全面提高了源卓微納的研發(fā)效率和售后滿意度：?研發(fā)售后人員登陸OA系統(tǒng)，根據(jù)登陸ID，系統(tǒng)會判斷登錄者有哪些權(quán)限。之后到達(dá)基于IBMwatsonxAssistant搭建的“智能問答界面”；?根據(jù)用戶的問題進(jìn)行語義分析、同時基于關(guān)鍵字在WatsonDiscovery知識庫中進(jìn)行檢索返回到watsonxAssistant；?透過watsonx.ai大語言模型進(jìn)行深加工，使得答案更加準(zhǔn)確和人性化，并將答案返回到watsonxAssistant智能問答界面上。從降本增效到可持續(xù)發(fā)展，扎根場景全面引爆AI價值3.6案例6:推動更智能的可持續(xù)運(yùn)營，引領(lǐng)時尚風(fēng)潮3.6.1企業(yè)痛點(diǎn)BestsellerIndia是Bestseller的子公司。Bestseller是總部位于丹麥的全球“快時尚”零售商。作為一種動態(tài)的商業(yè)模式，“快時尚”注重在數(shù)天或數(shù)周內(nèi)快速上架新潮服裝款式。但這個過程會消耗大量的原材料、水和能源。如果新款設(shè)計未獲得消費(fèi)者青睞，則會打折出售庫存，其中一部分服裝最終會進(jìn)入垃圾填埋場。因此，Bestseller希望和IBM合作，通過AI來幫助設(shè)計師和采購部門做出更準(zhǔn)確的預(yù)測，打造更緊密貼合消費(fèi)者需求的設(shè)計和生產(chǎn)流程，從而提高利潤，同時支持環(huán)境可持續(xù)性戰(zhàn)略。3.6.2解決方案BestsellerIndia制定了一個宏大的目標(biāo)：開發(fā)一個支持AI功能的全新定制化平臺，用于全方位支持季前設(shè)計、規(guī)劃、生產(chǎn)和預(yù)測。該項目側(cè)重于為關(guān)鍵業(yè)務(wù)流程建立智能工作流，讓員工能夠利用迭代，BestsellerIndia與IBM車庫創(chuàng)新團(tuán)隊為這個名為Fabric.ai的平臺引入了61個獨(dú)有概念。該平臺最終成為印度服裝行業(yè)的第一款A(yù)I工具。借助專為設(shè)計師量身打造的Fabric.ai數(shù)字平臺，BestsellerIndia可以助力在價值鏈中及時做出更加可持續(xù)的材料決策。此外，F(xiàn)abric.ai還可以為產(chǎn)品規(guī)劃人員提供數(shù)據(jù)驅(qū)動的見解，從而降低服裝制造環(huán)節(jié)的環(huán)境足跡。利用IBMWatsonAI工具預(yù)測最佳產(chǎn)品、為每家門店確定最優(yōu)的產(chǎn)品組合，有效提升了供應(yīng)鏈的效率。3.6.3方案價值?更精準(zhǔn)的預(yù)測分析:AI保證更加準(zhǔn)確的消費(fèi)者需求預(yù)測與產(chǎn)品銷量預(yù)測，為產(chǎn)品規(guī)劃提供數(shù)據(jù)驅(qū)動的見解?更實時的數(shù)據(jù)洞察:AI支持在零售店層面具體產(chǎn)品的銷售業(yè)績分析?更智能的門店運(yùn)營:AI幫助門店找到最合適的產(chǎn)品組合，從而為采購和銷售團(tuán)隊提供幫助?更綠色的材料應(yīng)用:AI在價值鏈前端支持可持續(xù)材料的決策與推薦，從而最大限度地減少生產(chǎn)材料與創(chuàng)意過程的浪費(fèi)?可擴(kuò)展的AI功能:Fabric.ai的一系列功能最初聚焦ONLY服裝系列，目前已擴(kuò)展到Jack&Jones、VeroModa等其他品牌以場景為中心4四大步驟，以場景為中心實施AI轉(zhuǎn)型。四大步驟，以場景為中心實施AI轉(zhuǎn)型以大規(guī)模實現(xiàn)AI應(yīng)用為目標(biāo)，我們結(jié)合自身實踐以及賦能客戶的經(jīng)驗，將企業(yè)AI轉(zhuǎn)型從0到1，以及從1到N（全民實踐）過程的實施路徑，總結(jié)為以下四個階段：01.統(tǒng)一共識、規(guī)劃全圖；02.聚焦場景、小步快跑；03.數(shù)據(jù)沉淀、構(gòu)建壁壘；04.民主賦能、全民創(chuàng)新。在各個階段中，我們將以場景為中心出發(fā)，同時充分考慮企業(yè)價值與投入、數(shù)據(jù)與知識治理、以及組織和工具的變革。統(tǒng)一共識、規(guī)劃全圖通過跨團(tuán)隊交流統(tǒng)一AI戰(zhàn)略共識,采用"GREEN"價值框架全面梳理業(yè)務(wù)流程,繪制企業(yè)AI場景全圖。明確AI賦能方向,降低試錯成本,提高成功概率。04·民主賦能、全民創(chuàng)新彌補(bǔ)業(yè)務(wù)與科技知識差距,持續(xù)提升業(yè)務(wù)團(tuán)隊Al認(rèn)知;引進(jìn)高效開發(fā)工具,降低技術(shù)門檻,激發(fā)全員參與和創(chuàng)造力,實現(xiàn)AI規(guī)模化賦能。02.聚焦場景、小步快跑03.數(shù)據(jù)沉淀、構(gòu)建壁壘通過技術(shù)可行性、資源投入和風(fēng)險評估篩選落地場景,組建跨部門項目團(tuán)隊,敏捷迭代,03.數(shù)據(jù)沉淀、構(gòu)建壁壘建立高效數(shù)據(jù)處理管道和嚴(yán)格數(shù)據(jù)治理機(jī)制,沉淀高質(zhì)量數(shù)據(jù);團(tuán)隊協(xié)作共同挖掘企業(yè)內(nèi)部獨(dú)特知識,逐步建立企業(yè)知識。四大步驟，以場景為中心實施AI轉(zhuǎn)型4.1統(tǒng)一共識、規(guī)劃全圖在AI轉(zhuǎn)型的落地實踐中，企業(yè)“一鼓作氣、再而衰、三而竭”的情況經(jīng)常發(fā)生。我們在實踐中發(fā)現(xiàn)，這往往是AI轉(zhuǎn)型開始之初企業(yè)急于尋求速贏，一方面沒有統(tǒng)一團(tuán)隊間共識，另一方面缺乏對應(yīng)用場景的全面規(guī)劃。4.1.1統(tǒng)一戰(zhàn)略共識在AI轉(zhuǎn)型實施之前，我們建議企業(yè)組織全面的跨團(tuán)隊和跨層級交流活動。這些活動可以通過分享會、培訓(xùn)課程或工作坊的形式進(jìn)行，邀請業(yè)務(wù)部門、科技團(tuán)隊以及法務(wù)、財務(wù)等相關(guān)支持部門的成員參與?？萍紙F(tuán)隊在分享時，需要使用通俗易懂的語言，以確保非專業(yè)人員也能清楚理解AI技術(shù)的基本概念及其對企業(yè)業(yè)務(wù)的潛在影響。我們的目標(biāo)應(yīng)該是讓各部門對于AI能夠做什么，無法做什么，以及實現(xiàn)某項技術(shù)大致需要何種量級的投入有一致的共識。4.1.2規(guī)劃場景全圖在統(tǒng)一共識之后，企業(yè)需要對現(xiàn)有的所有業(yè)務(wù)流程進(jìn)行全面梳理，包括研發(fā)、供應(yīng)鏈、生產(chǎn)與運(yùn)營、營銷與售后等多個方面，并以價值為導(dǎo)向發(fā)散思維，如使用“GREEN”價值框架來全面思考機(jī)會點(diǎn)所在：?Growth（增長）:評估各業(yè)務(wù)流程在提升產(chǎn)能、增加收入和市場份額方面的潛力。優(yōu)先選擇那些能夠顯著推動企業(yè)增長的場景。?Reliability（可靠）:選擇那些可以通過AI增強(qiáng)穩(wěn)定性和可靠性的流程。確定哪些流程可以通過AI技術(shù)有效緩解風(fēng)險，提高業(yè)務(wù)的持續(xù)性和可靠