⁣
📰 直播回顾：工业AI的下一个机会在哪？ - 智源社区

工业AI正在从单点项目走向真实制造现场的规模化应用。通过视觉检测、质量控制、设备运维和工艺优化等手段，AI能力开始直接关联良率、OEE和产能等工业指标。节目邀请了西门子Xcelerator中国的顾欣与阿丘科技的黄耀，结合晶圆到工厂的案例，阐释从落地到规模化的路径：先提高识别的准确性和稳定性，确保判断可追溯并能量化创造的价值；再将系统从模型延伸为工程师经验的智能体，提升实际产线的综合效率。工业现场的关键在于“工业级可靠性”，而非单一算法的聪明程度。复制落地面临的挑战包括工业数据 fragmented、场景非标、设备和流程差异，以及商业与交付的体系化问题。因此，需要一个平台/生态来连接技术、场景、客户和交付资源，将1到100的扩张变成可重复交付的产业能力。未来机会聚焦高价值、数据就绪、技术可行的场景，优先在良率、工艺、OEE等核心领域推进，逐步实现从单厂到多工厂的复制扩展。平台作用在于充当连接器和放大器，组织更多角色共同完成场景化验证、系统集成与最终交付，使工业AI成为可规模化的产业能力。最后，行业对规模化的判断是上半场高价值应用先崛起、下半场百花齐放，关键在于建立可复用的进入方法和复制路径。

🏷️ #工业AI #规模化 #OEE #良率 #平台生态

🔗 原文链接

⁣
📰 直播回顾：工业AI的下一个机会在哪？

本期对话围绕工业AI的落地与规模化展开，聚焦如何把AI从单点应用推进到真实制造现场的系统化落地。以晶圆制程为例，强调识别要准、判断要稳、可追溯、可量化，以及在实际生产中对良率、OEE和产能等指标的直接贡献。两位行业领军人物指出，工业AI与通用AI最大的不同在于需要高可靠性与可验证性，且在不同工厂、不同设备、不同工艺下，模型和方法需具备强适应性与可重复交付的能力。规模化的关键不在于单一算法，而是建立一整套进入工业现场的体系：从场景识别、工程经验沉淀，到数据、算力、工艺、控制系统及交付体系的协同。平台与生态的作用在于“连接场景与资源”“放大已经验证的解决方案”，通过多方协同实现从1到100的扩张。未来机会集中在高价值、数据就绪、技术可行的场景，如围绕良率、工艺、OEE的单点应用，逐步积累可复制的产业能力，最终帮助更多工厂落地并实现规模化。

🏷️ #工业AI #OEE #良率 #可追溯 #平台生态

🔗 原文链接

⁣
📰 把交期变成“可预测”，把质量变成“可追溯”：周琼在精密制造数据化治理上的方法论

在精密制造行业，交期能否精准预测始终存在争议：有人依赖经验排产的灵活性，有人坚持数据建模的确定性。随着订单碎片化、品类增多和市场波动加剧，单凭记忆与口头协同难以稳定兑现交付，行业需要从“事后救火”转向“提前预测与约束优化”。周琼提出的精密制造数字孪生排产与交期预测系统V1.0，将订单需求、工艺、生产节拍、换线损耗、设备能力与在制品队列等变量建模，通过仿真制定日周计划和滚动重排，并对瓶颈趋势预警，使交期可解释、可推演。同时，她把设备有效性纳入考量，推出OEE智能诊断与瓶颈预警决策系统V1.0，通过物联网实时采集并生成停机原因分析与看板，帮助现场将问题从模糊描述转化为结构化证据，标准化处置路径。质量波动则通过机器视觉微缺陷检测与SPC稳定控制系统V1.0实现自动识别、趋势统计与过程稳定性管理，必要时触发复核与改进。上游来料风险和供应链信息也被纳入知识图谱与预警平台，形成对新批次的风险评分与追溯能力。总体而言，系统强调的是跨部门、跨供应商的协同闭环以及对系统稳定性的追求：可预测的交付、可重复的良率、可解释的异常，帮助企业在不确定性中实现确定性交付。经验被结构化，数据被可解释化，这套治理底座为行业提供了落地的方法论与可持续的改进路径。

🏷️ #数字化 #排产 #OEE #质量管理 #供应链

🔗 原文链接