过去十五年，中国制造业以“数字筑基”为突破口，在信息化建设与业务流程重构中成绩斐然。在“十四五”与“十五五”的历史交汇点，智能化演进正成为驱动新质生产力的核心引擎。“数据×技术×场景”的深度融合，不断重构价值创造方式。用友与广泛的制造行业客户协同DeepSeek等各类AI技术服务商一同应对日益复杂的“流程优化与效率提升”挑战，探奥索隐，广师求益，收获颇丰。作为企业软件与智能服务行业领军企业，用友有力承担先行者企业责任，视困难为动力、视风险为机遇、视挑战为阶梯，一手连接制造场景、一手连接AI能力，构建服务于制造行业的智能应用、迎难而上，切实服务于客户真实痛点场景，助力制造行业智能化能力不断演进提升。
“经师易求,人师难得”
如何实现不同制造企业客异化业务需求？
制造企业智能化应用探索中，通用AI技术如同"经师"般可规模化获取，但真正能将技术穿透业务本质的“人师”能力尤为稀缺。不同企业沉淀的工艺参数、生产流程、质量数据等核心资产具有高度专属性，切忌将通用AI能力简单套用为“标准答案”。若脱离业务场景强行嫁接技术工具，容易陷入“为AI而AI”的陷阱，既无法精准解决痛点，还可能放大原有管理盲区。唯有以客异化业务价值为导向，在真实场景中校准技术应用，才能避免资源错配，锻造真正“懂制造、能落地”的智能引擎。
构建“大模型筑基、小模型深耕”协同，通过大模型蒸馏技术，将通用大模型的感知、推理能力提炼为轻量化行业基座模型，既继承大模型泛化优势，又规避高算力消耗。在此基础上，针对企业独有的管理数据、业务日志等垂域数据，采用客户化微调机制，通过增量训练使模型深度适配具体场景需求，实现从“通用智能”到“专精特用”的价值跃迁，真正让AI能力扎根制造土壤。
“相辅而行，相须而成”
生成式AI和决策式AI，交相辉映
制造企业智能化落地应用中，决策式AI与生成式AI如同“理性左脑”与“创新右脑”有机协同。前者以运筹优化、机器视觉构建确定性决策体系，在排程、质检等场景沉淀工业机理；后者依托大模型突破经验边界，驱动工艺创新与知识重构。二者形成“决策执行+知识反哺”的增强循环：决策AI为生成模型提供场景化数据燃料，生成式AI为决策系统注入动态优化能力。
1、 排产场景，决策式AI基于历史数据生成最优排程，生成式AI智能体通过模拟突发（如设备宕机、订单插单）动态调整方案，实现计划韧性提升。
2、下料环节，决策式AI通过三维仿真验证材料切割方案，生成式AI智能体则基于余料特征生成创新拼接策略，使板材利用率大幅提升，降低成本。
3、视觉识别，决策式AI构建缺陷特征库支撑精准检测能力，生成式AI智能体自动生成新型缺陷的增强训练集，让模型迭代周期大幅缩短。
4、质量管控，决策式AI通过工艺参数追溯质量根因，生成式AI智能体则生成工艺优化组合建议，推动不良率下降。
数智融合不是简单的技术叠加，这种“决策式AI与生成式AI”互哺的协同机制，让确定性经验与创造性突破形成制造进化的双引擎。
“前路修远，行而不辍”
全业务链条场景下的管理与AI技术叠加
制造企业智能化业务结合实践中，已融合渗透研发、生产、供应链到销售服务的全价值链。研发端通过知识图谱整合多源数据，驱动智能决策；生产环节利用机器学习优化工艺、预测设备故障，结合视觉检测严控质量；供应链依托算法模型实现精准需求预测、动态库存及智能调度，降低运营成本；销售与售后以AI客服、智能问答提升客户体验；运营管理则通过自动化工具提升人效。从废钢识别、设备维修到多工厂协同计划，AI正深入制造细分场景，构建“技术+业务”的融合生态。尽管需突破数据孤岛、模型适配等挑战，但行业共识明确：随着技术迭代与跨域协作深化，持续探索将推动AI解锁更多业务管理、资源优化等场景，加速制造业智能化升级，部分实践探索成果如下：
1、供应链计划层：聚焦企业战略与全局资源协同，涵盖销售预测、需求归集、供应网络规划，通过AI智能体实现供需精准匹配，优化产能分配、成本控制与质量约束下的订单调度，实现跨区域资源整合与供应链风险平衡，确保全链路高效响应与全局效益最大化。
2、生产计划层：围绕多工厂协同及有限能力排程与生产任务联动，解决多约束条件下的生产调度问题，通过瓶颈工序优化、工序级排产及产能占用分析，构建从主需求计划到车间执行的闭环管理，提升设备利用率与订单交付准时率，降低生产中断风险，保障生产连续性与资源集约化利用。
3、物料优化层：通过库存健康诊断、智能备料和动态替代策略，优化库存周转与采购成本，结合多维度属性管理、供应商协同及安全库存自适应机制，实现原材料质量稳定与供应链韧性提升，减少呆滞库存并增强资源调配灵活性。
4、作业执行层：以精细化执行控制为核心，通过工序级任务跟踪、资源负荷监控及智能裁切优化，确保生产任务精准落地，借助可视化管理与实时数据反馈，提升作业透明度与原料利用率，减少浪费并强化生产过程的可控性。
5、数据分析层：基于多维指标分析与智能算法，构建数据驱动的决策支持体系，通过趋势预测、风险模拟及知识图谱应用，识别库存异常、成本波动与合规风险，赋能战略调优与持续改进，推动供应链智能化升级与价值创造。
“从机器学习，迈向学习机器”
干预机器、成为机器、组织机器、机器自组织
制造企业智能化演进路径中，核心不仅是技术升级，更是认知升维与系统思维的重构。本质是重构人、机器与系统的协同关系，在“从机器学习到学习机器”的跨越中不断演进。人机交互从单向干预转向双向融合，通过“成为机器”实现意图穿透，借助“机器自组织”形成动态响应能力。从单体AI场景的点状突破，演进为“车间、工厂、企业”多层群体智能网络。
推动智能系统从"被动学习"向"主动进化"跃迁，在万物互联数据底座上，单体AI通过机器学习沉淀基础能力，机器间自主对话形成协同智能，最终机器自组织涌现为群体智能，实现工厂工序、企业分工的动态编排，人类退居策略校准者, 将“人工喂养数据”转变为“机器自主进化”，真正实现"让机器学习"到"机器自我学习"的质变飞跃,为产业升级提供生生不息的智能动能。
结语
制造行业数智化转型已步入深水区，聚焦三大价值锚点：基于知识蒸馏技术，将行业通用智能与企业私有数据深度融合，锻造轻量化、场景化的垂域模型，破解“大模型水土不服”的困局；推动生成式AI与判别式AI双轮驱动，前者激活设备日志、工艺文档等数据价值关联，后者构建实时响应的动态优化引擎，实现从数据洞察到决策闭环的智能跃升；最终打造“设备-产线-工厂-企业”多层级的智能体矩阵，通过自组织、自演进的AI能力演进，推动制造系统从局部优化迈向全局自治。重塑生产流程的底层逻辑，助力制造业跨越从经验驱动到AI应用的关键转型，实现流程优化与效率提升。驱动制造业全流程革新：事前，基于垂域小模型将排产推演、工艺仿真前置设计端，预判风险并生成最优方案；事中，融合生成式AI与决策式AI，构建动态智能体，实时调优生产参数、协同人机作业；事后，以业务数据反哺模型迭代，实现AI模型的自诊断、自优化，形成“感知-决策-进化”回路。AI技术将管理从末端治理推向源头规划，帮助制造企业从"流程固化"走向"智能自进化"，真正释放出“数据×技术×场景”的乘数效应。
