AI如何赋能智能制造？关键是找准场景
2025-08-25
尽管 AI 浪潮席卷全球，但在工业制造领域的AI进程远未达到预期。
“工业制造场景相对封闭，更注重安全、稳定和可靠性，AI技术跨行业应用时，进入工业场景的门槛和难度都很高。” 8月15日，工业智能解决方案公司南栖仙策（南京）科技有限公司（以下简称“南栖仙策”）行业交付部总监于小海告诉澎湃科技
近日，在璞跃中国（Plug and Play China）举办的以“AI赋能，加速企业智造新程”为主题的Global Tech Network活动上， 璞跃中国企业创新副总裁刘佳诺直言，高盛发布的数据显示，仅有9.3%的公司在过去两周内将生成式AI实际应用到生产流程中。 当前多数企业对于生成式AI的应用仍处于初级阶段，绝大多数公司要么还停留在观望、试验态度，要么只是把AI当作内部“炫技”的工具，尚未实现与日常业务的深度融合。
在这波AI浪潮中，想要赋能智能制造工业领域的创业企业如何抓住新机遇？又会面临哪些卡点？
01
技术本身只是“门票”，找准落地场景才行
刘佳诺指出，现在大部分AI企业最缺的不是技术，而是高质量“好场景”。多数企业仍专注于技术本身，绞尽脑汁争夺行业里不多的场景应用需求， 但很多企业处于观望态度，不愿主动入场，实际需求并不多。在她看来，AI落地最关键的不是模型参数有多大，而是企业如何找到低风险且能快速创造价值的切入点。
“技术只是入场券，场景才是王道。” 她总结了三类适合AI切入的典型场景： 企业内部运营流程高度重复、机械化的工作； 企业内部容错率较高、风险可控的业务岗位； 以及企业内部挖掘新增长点，通过AI挖掘用户需求与数据价值、驱动业务增量。
02
南栖仙策：用“世界模型”做工业级自主智能
成立于2018年的南栖仙策，是南京大学人工智能创新研究院技术孵化的一家智能决策公司。 其核心技术是一套自研的“世界模型”通用智能决策系统，能够在开放的环境下实现工业级自主智能， 这套自主决策系统能够在工业生产过程中自主做出控制指令。
于小海告诉澎湃科技，简单理解，即先搭建一个数字孪生环境，再让AI在工厂环境中学会如何做决策。 目前这套智能决策系统已经在实际业务中实现落地，在多种场景中得到验证——比如网约车企业的应用、智慧物流、烟草行业工况控制问题等。
他指出，现在江浙一带的客户已经连续三年使用他们的产品，整个控制过程完全由系统自主决策、自主控制，无需人工干预。
03
设序科技：AIGE 数据结构驱动的生成式设计
成立于2020年的设序科技是一家提供工业AI生成式设计产品的科技公司。 其核心产品是一款聚焦工业智能生成式设计的软件，基于自研的AIGE数据结构，深度融合AI技术与几何图形算法，以云架构提供服务。
“找准场景很关键。” 设序科技市场总监万志永表示。 他们发现汽车的设计环节涉及大量重复的基础性工作，用AI模型提升效率的空间很大。
基于此，设序科技自研了能基于AI快速生成多套设计方案的软件，替代繁琐重复的制图工具。 “过去设计师用传统软件一天只能画三四十张图，如今借助AI，一天能产出三四百张，效率翻倍不止。”为了深度理解设计Know-how，团队单独成立了设计团队来收集和标注场景数据。对客户来说，AI 能帮助摆脱机械化的制图工作，把精力放在更有创造性的结构设计中。
早期团队研发的产品聚焦于焊接汽车零件时所需的夹具设计， 后期这套技术已广泛应用在手机等 3C 行业、能源行业，以及快消品行业（如美妆巨头欧莱雅的物料图纸设计）等。 目前该解决方案已迭代到3.0版本，具备多场景泛化能力。
04
卡点与难点：数据、标准化与经验传承
尽管部分企业已经找到了落地突破口，但AI真正赋能制造业，依然面临不少现实“卡点”——一方面是场景的稀缺，另一方面是数据。 万志永表示，工业场景的数据分散、格式差异大、缺乏统一标准，需要大量的数据清洗和标注才能被 AI 理解。 此外，制造企业普遍对数据安全高度敏感，更倾向于私有化部署；而制造业种类多、客户定制化程度高，创业公司必须在“通用化”与“定制化”之间找到平衡。
于小海也认为，AI 在智能工业制造环节面临的挑战很具体：原料工况波动容易导致质量失控；如何在成本与收益之间找到平衡； 老师傅几十年的经验如何数字化传承。他直言，现阶段工业智能化的程度大致相当于“L3 级自动驾驶”， 即在正常情况下可实现完全自主，但一旦遇到突发状况，仍需要人工介入。
刘佳诺强调，有效的数据积累对于初创公司来说非常重要。初创企业真正拿到大企业项目时，往往会遇到多种难题， 比如数据质量不高、跨部门协作困难、缺乏持续迭代的耐心等。她进一步指出，目前 AI 智能制造领域的创业群体大致有两类： 一类依托高校，专注于人工智能算法和底层应用研究的科学家创业者；另一类来自传统产业，在实践中发现 AI 提升效率或创造价值机会的产业创业者。 前者长于技术，后者更懂行业。但无论哪类企业，普遍面临一个问题：“AI+制造”的解决方案大多是非标准化的。 目前国内的AI科技公司正在努力推动标准化，希望通过收集行业有效场景数据，并结合算法能力，形成可在整个行业推广的解决方案。
值得注意的是，国家层面的政策支持也在加速这一进程。近期，8月5日，中国人民银行等七部门联合印发 《关于金融支持新型工业化的指导意见》，明确要求未来金融机构不得再将资金集中投向房地产或高回报高利润的行业， 而必须投入制造业、硬科技和新质生产力。文件还提出，到2027年要建成符合制造业高质量发展的金融体系。 刘佳诺认为，这意味着制造业企业和相关新质生产力将迎来更充足的资金支持和发展希望。
—— 澎湃新闻记者 喻琰
尽管 AI 浪潮席卷全球，但在工业制造领域的AI进程远未达到预期。
“工业制造场景相对封闭，更注重安全、稳定和可靠性，AI技术跨行业应用时，进入工业场景的门槛和难度都很高。” 8月15日，工业智能解决方案公司南栖仙策（南京）科技有限公司（以下简称“南栖仙策”）行业交付部总监于小海告诉澎湃科技
近日，在璞跃中国（Plug and Play China）举办的以“AI赋能，加速企业智造新程”为主题的Global Tech Network活动上， 璞跃中国企业创新副总裁刘佳诺直言，高盛发布的数据显示，仅有9.3%的公司在过去两周内将生成式AI实际应用到生产流程中。 当前多数企业对于生成式AI的应用仍处于初级阶段，绝大多数公司要么还停留在观望、试验态度，要么只是把AI当作内部“炫技”的工具，尚未实现与日常业务的深度融合。
在这波AI浪潮中，想要赋能智能制造工业领域的创业企业如何抓住新机遇？又会面临哪些卡点？
01
技术本身只是“门票”，找准落地场景才行
刘佳诺指出，现在大部分AI企业最缺的不是技术，而是高质量“好场景”。多数企业仍专注于技术本身，绞尽脑汁争夺行业里不多的场景应用需求， 但很多企业处于观望态度，不愿主动入场，实际需求并不多。在她看来，AI落地最关键的不是模型参数有多大，而是企业如何找到低风险且能快速创造价值的切入点。
“技术只是入场券，场景才是王道。” 她总结了三类适合AI切入的典型场景： 企业内部运营流程高度重复、机械化的工作； 企业内部容错率较高、风险可控的业务岗位； 以及企业内部挖掘新增长点，通过AI挖掘用户需求与数据价值、驱动业务增量。
02
南栖仙策：用“世界模型”做工业级自主智能
成立于2018年的南栖仙策，是南京大学人工智能创新研究院技术孵化的一家智能决策公司。 其核心技术是一套自研的“世界模型”通用智能决策系统，能够在开放的环境下实现工业级自主智能， 这套自主决策系统能够在工业生产过程中自主做出控制指令。
于小海告诉澎湃科技，简单理解，即先搭建一个数字孪生环境，再让AI在工厂环境中学会如何做决策。 目前这套智能决策系统已经在实际业务中实现落地，在多种场景中得到验证——比如网约车企业的应用、智慧物流、烟草行业工况控制问题等。
他指出，现在江浙一带的客户已经连续三年使用他们的产品，整个控制过程完全由系统自主决策、自主控制，无需人工干预。
03
设序科技：AIGE 数据结构驱动的生成式设计
成立于2020年的设序科技是一家提供工业AI生成式设计产品的科技公司。 其核心产品是一款聚焦工业智能生成式设计的软件，基于自研的AIGE数据结构，深度融合AI技术与几何图形算法，以云架构提供服务。
“找准场景很关键。” 设序科技市场总监万志永表示。 他们发现汽车的设计环节涉及大量重复的基础性工作，用AI模型提升效率的空间很大。
基于此，设序科技自研了能基于AI快速生成多套设计方案的软件，替代繁琐重复的制图工具。 “过去设计师用传统软件一天只能画三四十张图，如今借助AI，一天能产出三四百张，效率翻倍不止。”为了深度理解设计Know-how，团队单独成立了设计团队来收集和标注场景数据。对客户来说，AI 能帮助摆脱机械化的制图工作，把精力放在更有创造性的结构设计中。
早期团队研发的产品聚焦于焊接汽车零件时所需的夹具设计， 后期这套技术已广泛应用在手机等 3C 行业、能源行业，以及快消品行业（如美妆巨头欧莱雅的物料图纸设计）等。 目前该解决方案已迭代到3.0版本，具备多场景泛化能力。
04
卡点与难点：数据、标准化与经验传承
尽管部分企业已经找到了落地突破口，但AI真正赋能制造业，依然面临不少现实“卡点”——一方面是场景的稀缺，另一方面是数据。 万志永表示，工业场景的数据分散、格式差异大、缺乏统一标准，需要大量的数据清洗和标注才能被 AI 理解。 此外，制造企业普遍对数据安全高度敏感，更倾向于私有化部署；而制造业种类多、客户定制化程度高，创业公司必须在“通用化”与“定制化”之间找到平衡。
于小海也认为，AI 在智能工业制造环节面临的挑战很具体：原料工况波动容易导致质量失控；如何在成本与收益之间找到平衡； 老师傅几十年的经验如何数字化传承。他直言，现阶段工业智能化的程度大致相当于“L3 级自动驾驶”， 即在正常情况下可实现完全自主，但一旦遇到突发状况，仍需要人工介入。
刘佳诺强调，有效的数据积累对于初创公司来说非常重要。初创企业真正拿到大企业项目时，往往会遇到多种难题， 比如数据质量不高、跨部门协作困难、缺乏持续迭代的耐心等。她进一步指出，目前 AI 智能制造领域的创业群体大致有两类： 一类依托高校，专注于人工智能算法和底层应用研究的科学家创业者；另一类来自传统产业，在实践中发现 AI 提升效率或创造价值机会的产业创业者。 前者长于技术，后者更懂行业。但无论哪类企业，普遍面临一个问题：“AI+制造”的解决方案大多是非标准化的。 目前国内的AI科技公司正在努力推动标准化，希望通过收集行业有效场景数据，并结合算法能力，形成可在整个行业推广的解决方案。
值得注意的是，国家层面的政策支持也在加速这一进程。近期，8月5日，中国人民银行等七部门联合印发 《关于金融支持新型工业化的指导意见》，明确要求未来金融机构不得再将资金集中投向房地产或高回报高利润的行业， 而必须投入制造业、硬科技和新质生产力。文件还提出，到2027年要建成符合制造业高质量发展的金融体系。 刘佳诺认为，这意味着制造业企业和相关新质生产力将迎来更充足的资金支持和发展希望。
—— 澎湃新闻记者 喻琰