AI小模型与智能运营平台的应用与收益分析

       随着科学技术的快速发展和多样化应用，信息化和数字化已成为当今世界的发展趋势，而中国政府正积极推动国家制造业的数字化转型升级。中国制造2025作为一项重要的国家战略，将在未来10年对我国数字化转型发展产生重大影响和推动作用。新一代信息技术产业是中国制造2025的重要组成部分，包括人工智能（AI）、大数据、云计算、物联网等领域。这些领域的突破将为制造业的数字化转型提供强大的技术支持。例如，AI在制造业的生产过程自动化中发挥着重要作用，包括智能工厂、预测性维护、质量检测等，这将极大地提高制造业的生产效率和质量，降低成本，实现可持续发展。

       在数字化转型的浪潮中，莱顿汽车集团结合国际前沿的AI技术研究与丰富的实践经验，形成了基于制造业边缘端的即用型AI小模型Rsopto DDN（简称DDN AI）以及符合国际主流企业与控制系统集成技术标准的智能工厂运营平台CubeA OPS（简称OPS智能运营平台）的两款产品。并且，经过系统设计、充分验证以及迭代开发，公司实现了对制造运营管理的成熟标准与尖端AI技术的融合，在芯片制造、烟草制造、汽车及零部件制造行业进行了应用实践。

AI小模型在芯片半导体集成电路制造行业的应用

       当今的芯片制造行业已经进入了AI和机器视觉技术的时代。随着关键工艺步骤如压焊、锡化、打印、切筋等在AI光学检测中的广泛应用，使得该行业能以更高的效率和更精确的检测结果进行生产。

       例如，在AI技术驱动下的压焊工艺过程中，通过利用高精度被移动部件的实时检测技术，能有效提高生产效率和质量。DDN AI可以为压焊工艺提供更强大的性能，从而提高缺陷检测的确定性，同时减少误报。在锡化、打印、切筋等工艺中，AI技术的应用可以实现对锡化过程的实时监测，从而确保锡化质量的一致性，通过AI技术，可以自动调整多个参数，加快检测速度，并且具有更高的准确度和更少的误报。

       AI技术在芯片半导体制造行业的应用，不仅提高了生产效率和质量，还为行业带来了更多的创新和发展。随着科技的飞速发展，AI技术在芯片半导体制造行业的应用将越来越广泛，并将推动整个行业的升级换代。

AI小模型在烟草制造行业的应用

       在烟草制造过程中，产品外观检测是一项非常重要的环节。传统的人工检测方法不仅效率低下，而且容易出现漏检和误检的情况。而AI技术的应用，可以大大提高检测的准确性和效率。DDN AI基于自主学习的AI光学检测产品外观，可以通过机器视觉技术，对烟草产品的外观进行快速测量和检测。通过对大量的烟草产品样本进行学习和训练，AI系统可以自动识别出产品的外观特征，并根据这些特征对产品进行分类和识别，大大提高检测的准确性和效率。传统的人工检测方法，需要耗费大量的人力和时间，而且容易出现漏检和误检的情况。

       AI技术在烟草制造行业的应用，可以大大提高检测的准确性和效率，同时也可以减少人力和时间的浪费。随着AI技术的不断发展和应用，相信在未来的烟草制造过程中，AI技术将会发挥更大的作用。
 
智能运营平台在汽车及零部件行业的应用

       在汽车及零部件制造行业中，智能的技术如智能计划排程、工艺流程、智能调度、人员管理、过程控制和质量追溯等的应用，大大提升了生产效率和产品质量。OPS智能运营平台可以使用详细生产排程系统，通过智能化的算法和规则引擎，可以根据规范工艺基础数据、设备与生产线建模、员工的技能、资质和特殊要求等，实现科学化、智能化的生产排程管理。

       OPS智能运营系统提供实时生产调度管理，能够高效地应对突发情况和变动需求，提高生产效率、计划执行进度和质量一致性。在工艺流程方面，该智能运营平台可以通过智能调度系统实现生产线自动化调度，提高生产效率、降低成本并保证产品质量。机器人柔性生产线集成了大量的机器视觉、自动闭环控制、动态交互参数等，都可以根据智能运营平台集合数据采集系统进行精准的预设参数、算法操作。在人员管理方面，该智能运营平台可以使用智能人员管理系统，可以实现快速的人员动态调度、实时工时统计、实时在岗培训与员工技能管理等。

       OPS智能运营系统MOM平台提供完整的资源配置与控制、工艺管理、文档管理、人员管理、产品跟踪与谱系、维护管理、生产调度、质量控制、绩效分析等模块，结合DAAS数据采集系统与国际主流的IoT通讯协议实现L3层、L2层数据的互联互通，采用规范的B2MML实现与L4企业层系统的数据交互。

       总的来说，智能运营平台在汽车及零部件制造行业的应用，不仅提高了生产效率和产品质量，还降低了生产成本，为企业带来了巨大的经济效益。

制造业AI智能平台技术架构与价值收益

       为清晰展现制造业边缘端AI小模型、IoT、智能工厂运营平台、AI大模型之间的关系，通过点、线、面、体的类比制作了一个架构示意图，该架构由以下几个部分组成：

       点：DDN AI是一种基于深度学习的开箱即用的AI小模型，它可以从原始数据中抽取特征，进行预测或分类。这种小模型的优势在于其高效性和灵活性，可以在边缘端进行质量、设备、环境等智能监测与预警的场景进行应用。

       线：IoT是指物联网，它是一种将各种设备连接到互联网的技术。在智能工厂运营平台中，IoT可以实现设备的实时监控和数据采集，为AI模型与智能工厂运营平台提供了丰富的数据来源。数字孪生是基于这个层级的深化技术应用，高阶的数字孪生可以孵化为AI中模型。

       面：智能工厂运营平台是基于国际主流的企业与控制系统集成技术标准的智能工厂运营平台，它可以实现制造运营管理MOM的4大运营系统（MES，QMS，WMS，CMMS）对生产、质量、仓储、维护进行数字化的实时运营管理。同时结合上下层的AI技术，可以高效赋能制造业生产效率和产品质量，降低生产成本，提升交付准时率。

       体：AI大模型，AIGC技术在商业智能、运营智能领域的应用预计将以以下形式体现：大数据分析及智能风险管理、设计任务处理和创意灵感提供、超级入口的形成和业务流程的优化、从云原生走向AI原生等。总的来说，AIGC技术在商业智能、运营智能领域的应用将有助于提升企业的效率和竞争力，同时也需要注意模型使用上的一些风险。

       结合以上架构，对于制造型企业如何导入各类AI提升企业的核心能力，可以通过如下的示意图进行价值收益分析与优先级路线设定：

       价值收益与风险：边缘端AI小模型风险低且收益适中，智能工厂运营平台收益与风险均适中，AI大模型收益与风险均较高，AI中模型（数字孪生）收益与风险均低。

       制造业智改数转技术顺序：建议从直接降低运营成本的AI小模型开始，依次开展到以相同的成本增加产量和/或利润率的AI中模型与智能工厂运营平台，最后考虑增加市场份额或开拓新市场的AI大模型。