制造业数智化转型架构与人工智能赋能新型工业化实施路径
一、制造业数智化转型架构
制造业数智化转型架构分为六级：设备单元级（L1）、产线级与车间级（L2-L3）、企业级（L5），并辅以网络层（L2.5）和数据层（L6）。
二、人工智能赋能新型工业化实施路径
1. 设备单元级（L1）实施路径
- 数据来源：设备数据（设备基本信息、运行工况、环境信息）、状态数据（刀具磨损、机床热变形等）、工装数据（夹具使用次数、磨损量等）。
- 技术路线：通过传感器采集数据，运用机器学习、深度学习方法构建小模型，打造设备级工业智能体。
- 应用场景：设备预测性维护、设备故障诊断。
- 模型与部署：轻量化小模型为主，训练/推理算力需求在1TFLOPS/1TOPS以下，主要采取终端/边缘侧部署方式。
- 典型案例：设备管理智能体，实现设备全生命周期管理，合肥某制冷工厂案例中，设备平均维修时间降为原来的1/3。
2. 产线级与车间级（L2-L3）实施路径
- 数据来源：控制系统数据（PLC程序代码、变量声明表等）、网络参数数据（主从站硬件配置信息、IO映射表等）。
- 技术路线：通过深度学习、机器学习构建小模型或基于监督学习微调大模型，打造产线/车间级智能体。
- 应用场景：产线异常检测、能耗预测、工业PLC编程。
- 模型与部署：小模型为主(部分基于大模型)，训练/推理算力需求在10TFLOPS/5TOPS以下，主要采取边缘侧部署方式。
- 典型案例：工业PLC代码智能体，实现工业PLC编程，极大节省时间并降低出错概率，加速开发速率。
3. 企业级（L5）实施路径
- 数据来源：人力资源数据、财务数据、采购销售数据、成本数据、供应链数据、调度数据、企业质量数据、生产计划数据、售后服务数据。
- 技术路线：通过大小模型协同等方法，打造企业级智能体。
- 应用场景：智能排产、订单预测、供应链优化、财务管理、人机协同优化、低碳设计/采购/工艺、售后服务优化。
- 模型与部署：主要以大模型+小模型结合开展应用赋能，训练/推理算力需求在1PFLOPS/5000TOPS以上，主流采取云端/云边协同的部署方式。
- 典型案例：经营管理智能体，实现企业业务管理优化，金蝶开发的智能经营管理智能体，帮助企业财务结算效率提升40%以上，人力配置合理性提升30%，供应链库存周转天数减少25%。
三、人工智能赋能新型工业化发展建议
1. 建设工业高质量数据集
- 推进形成“分级-分类-分环节”多维目录框架，实现工业高质量数据集精准归类。
- 建设智能数据基础设施，依托可信数据空间打通数据集供给方、需求方及服务方协同链路。
- 打造本体模型驱动的高质量工业数据体系，消除不同系统间的语义模糊性，实现数据互联互通。
2. 打造工业智能体应用评测体系
- 分行业、分层级梳理大模型工业应用场景，建立面向细分行业的工业智能体场景应用评测体系。
- 对工业智能体的决策边界、伦理规范与安全性进行极限测试与认证。
3. 打造工业互联网+智能体新范式
- 打造新型“T”形架构，以横向的工业互联网生态平台为依托，以纵向贯通各层级的智能体为支柱，共同推动工业互联网赋能制造业智能化转型升级。
