双环传动、晶科能源等标杆齐聚南京深度拆解制造业人工智能规模化落地全路径，从制造企业到工业算法与FDE，一场制造业AI实践私享会给出落地答案

当生成式AI加速进入企业，制造业真正关心的，早已不是“AI能不能用”，而是“AI能否进入核心业务、创造可量化价值”。

8月6日下午，“AI在制造业的实践和思考——制造业AI实践私享会”在南京举行。来自双环传动、晶科能源等制造企业的数智化实践者与用友AI专家齐聚一堂，围绕智能工厂、数字员工、工业视觉、经营分析与FDE价值交付等真实场景，展开了一场不讲概念、不秀Demo、不说空话的深度交流。

现场提出，近九成制造企业已经开始尝试AI，但真正将AI嵌入采购、生产、质量、营销、研发等核心流程，并影响经营指标的企业仍是少数。AI正在迎来四个关键拐点：从效率工具走向经营引擎，从“AI能做什么”走向“AI如何嵌入经营”，从IT部门试点走向业务一把手工程，从“拥有数据”走向“拥有AI可用的数据”。

AI在双环传动落地实践：数字化扎得越深，AI才能走得越远

环智云创常务副总韩同鹏从制造企业的经营本质出发，系统分享了双环传动从精益制造、自动化、数字化到智能化的进阶路径。双环传动自2006年启动智能制造建设，围绕产品生命周期、资产运营和业务履约三大价值链，持续打通研发、工艺、设备、生产、质量与经营数据；2024年底至2025年初，又私有化部署DeepSeek、千问等大模型，推动AI“向下”驱动设备调度与任务执行、“向上”嵌入各业务系统。在质量领域，AI可在2分钟内生成8D报告，质量工程师效率提升50%以上；PFMEA等专业报告由过去一周缩短至约1小时；在设备、采购、营销等领域，AI也已用于故障分析、供应商管理、物料编码、合同评审和订单处理。双环传动的实践证明，AI并非孤立的技术项目，而要建立在长期数字化积累之上，与精益管理和自动化深度融合，最终服务收入、利润、现金流和投资回报率等经营指标。

AI在晶科能源落地实践：不是建几个智能体，而是推动一场全员变革

晶科能源CIO王兴旺在私享会上指出，制造企业AI转型绝不是IT部门的“单点表演”，而是一项覆盖战略、组织、机制、文化与人才的系统工程。晶科通过“W模型”和“三阶段六步法”，逐步完成从建立共识、场景探索到公司级AI运营的升级，并由董事长牵头成立AI管理委员会，将AI投入划分为员工能力投资、可核算收益投资和面向未来的战略投资。在数字员工试验中，391人报名、194人入围，文档类任务效率提升1.8倍，数据处理效率提升41倍，任务跟进效率提升近30倍。数字员工已经从生成报告、分析数据，进一步走向智能审单、信息汇总、任务调度和流程协作，人与数字员工共同工作的组织形态正在成为现实。

拆解工业AI算法：从一个场景，走完0—1、1—10、10—N

用友BIP废钢判级产品与解决方案部经理赵东伟指出，工业AI为何“看起来容易、真正做好很难”。赵东伟结合用友废钢智能判级六年多的研发与量产历程，拆解了一个工业AI产品从原型验证到规模复制的完整路径。真正有价值的场景，应同时具备政策方向明确、业务价值高、市场空间大、交付相对清晰、技术有门槛和高质量数据可获取等特征。在废钢判级实践中，最难的并不只是算法，而是技术路线、图像采集、硬件架设、光线控制、数据标注、现场交付和人员习惯改变。0—1和1—10往往都需要一到两年，前十个项目更多是在投入和打磨，进入10—N后才具备规模化复制能力。大模型与小模型也并非替代关系：大模型擅长泛化、数据生成与标注，小模型则在成本、本地部署、运行效率和专业场景中更具优势，二者融合将成为工业AI的重要方向。

智能案例与FDE方法论：AI交付不能止于上线，必须对业务价值负责

用友网络助理总裁兼数据智能FDE事业部总经理李进闯表示“如果把AI比作100，数据就是前面的1，算法和算力是后面的两个0。”李进闯指出，企业AI落地通常面临四道难题：做什么、做到什么程度，采用什么技术方案，由谁来做，以及上线后如何持续运营。在浙江能源集团经营分析场景中，用友围绕近4000个经营指标持续训练和优化，通过大模型、小模型与企业本体融合，将分析准确率提升至98%—99%；过去需要约15天完成的经营归因分析，如今AI可在约5分钟内给出结果，再由业务人员验证，一天内即可完成闭环。FDE模式也因此从传统“系统上线交付”转向“业务价值交付”：由总部专家驻场，与客户共同确定高价值场景、量化目标和数据口径，并引入数据分析师持续监控指标变化，让技术应用与降本、增效、利润改善真正挂钩。

核心议题研讨：数据、技术、组织，哪一个才是AI落地的真正瓶颈？

现场企业d代表围绕AI成熟度进行了“体检”：处于L0观望期的企业有2家，L1单点试点期4家，L2流程嵌入期5家，L3规模应用期3家，大多数企业仍处在L1至L2之间。大家集中提出了数据散落在ERP、MES等不同系统、工程图纸与表面缺陷识别困难、AI不知道如何嵌入流程、人才与算力成本不足等问题。研讨形成了多项共识：数据治理应围绕指标或本体层展开，为AI构建真正可理解、可调用的数据；技术选择要服从具体场景，不能试图用一个大模型打穿所有问题；凡是与电脑事务性工作高度相关的流程节点，都值得优先评估AI嵌入机会；组织上应由业务负责人牵头，IT、业务与HR共同建立分层人才体系；涉及研发、工艺等核心数据的场景，还应统筹考虑私有化部署、算力投入与数据安全。

AI在企业落地总结：跑通一个场景，比做十个Demo更重要

用友BIP制造行业产品总监唐洪华博士在总结中指出，制造业AI落地首先要破除“大模型万能论”，根据场景灵活组合大模型、小模型、机器学习、运筹优化和工业机理模型。企业选择AI场景，可以先做“减法”，自动化不得不做但价值较低的重复劳动；再做“乘法”，用AI放大行业Know-how；最终推动商业模式与经营方式重构。具体实施可采用标准产品、企业共创和自主建设三种模式，并以一把手工程、业务驱动、风险合规前置和AI数据文化作为四大保障。企业下一步应完成一次AI成熟度体检，选定一个能够嵌入主流程的高价值场景，盘点数据并成立跨部门小组，明确真正负责结果的业务Owner。AI价值不在试点，而在嵌入；AI差距不只在技术，更在数据底座、流程标准化与组织能力。

结束语

从钢铁产线到光伏工厂，从废钢判级到经营归因，从数字员工到FDE价值交付，这场私享会传递出一个清晰信号：制造业AI已经告别“看演示、追概念”的阶段，开始进入比拼真实场景、经营结果和规模化能力的新周期。

AI不是采购一套工具，也不是增加一个技术部门，而是对业务流程、数据体系、岗位分工和管理机制的系统重塑。未来真正拉开企业差距的，不是谁最早喊出AI口号，而是谁能率先找到高价值场景，让AI进入主流程、承担真任务、接受KPI检验，并持续创造看得见的经营价值。

制造业AI的答案，不在Demo里，而在每一条产线、每一个流程和每一项经营指标里。