11月12日至13日,以“AI+智能制造融合创新”为核心的“中国长三角AI与智造论坛”(CESF 2026)在迈富时举办。本次大会主题为“AI赋能智造·模数共振”,汇聚科研院所、行业协会及头部企业嘉宾,共同探讨人工智能与先进制造业深度融合路径,加速技术向生产力转化。

作为大会支持单位,迈富时Marketingforce高级顾问Leroy发表了题为《以核心指标为抓手,发掘和兑现AI在智能制造领域的降本增效能力》的主题演讲,系统阐述了AI技术从“能力展示”跨越到“价值兑现”的完整逻辑。
跨越“演示”与“落地”鸿沟:构筑AI智造底层底座
AI的能力边界正从“会聊天”向“会干活”迅速演进,在制造业语境下体现为三个维度的变革:
交互方式变革:从传统的“人找数”报表模式转变为“AI找数”的对话模式,通过自然语言获取包含完整证据链的数据解答;
知识形态变革:SOP、工艺参数与资深技师经验具备“可计算”属性,能被机器读懂并直接参与决策;
价值形态变革:AI从提供建议进化为通过智能体直接调度排产、开具工单、催发物料,推动人员角色向“审核员”转变。
模型能力的飞跃仅是前提,要让AI适应具体工厂环境,需依托智能体运行框架与本体结构两大基石。
智能体运行框架(Harness):如同汽车的底盘,赋予AI接入系统、记忆事实、安全执行及事后可查的工程能力。包含调用MES/ERP等系统的“工具”、跨会话记忆业务事实的“记忆”、确保动作不越界的“执行与沙箱”,以及让回答可追溯的“观测与评测”。缺乏此框架,模型难以融入复杂生产环境。
本体结构:将企业业务梳理为“机器可读”的知识图谱,通过定义对象、属性、关系与规则,解决数据分散、口径混乱及关系断裂问题。只有将唯一口径的核心指标挂载于本体之上,AI才能给出具备审计性的完整链路答案。
锚定核心指标:以OEE拆解效率与柔性的博弈
AI挖掘降本增效潜力的关键在于对核心指标的科学拆解。综合设备效率(OEE)由时间、速度与质量三率相乘得出,是车间、厂长与财务共同认可的关键抓手。当前多数离散制造企业的OEE距85%的世界级基准仍有差距,每提升1个百分点约等于释放1%的产能。
制造现场中,效率与柔性的矛盾本质在于切换成本。当换型、清洗等成本趋近于零,矛盾便自动消失。因此,AI的首要任务是降低切换成本,主要通过两道防线实现:
- 防线一(保障时间效率):聚焦减少停机,通过预测性维护与故障根因归因改善现场执行,确保设备稳定运行。
- 防线二(优化流动效率):通过区间预测、长序列排产及前置齐套准备,拉长批次并减少切换,优化计划决策。
AI驱动场景挖掘:沿指标、停机与成本的深度穿透
AI项目落地的关键在于找准优化方向。建议顺着指标拆分、停机归因、成本结构三个核心入口精准切入。
路径一:核心指标层层拆解
通过AI自动下钻,定位损失根源。例如,将OEE偏差逐级拆解至“换型调整”与“克重跨级跳变”,智能体可自动核算出排序优化、断纸预警等Top3可优化点,并转化为明确的年度效益预期。此过程需统一理论节拍与换型起止的指标口径。
路径二:深度停机归因
按“可控性”重新排布停机原因。报表中常被记作“换型与调整”的时间,实则为隐藏的“停工待料”。AI通过追踪待料背后的齐套率,拆解到货准时率与来料合格率等卡点,提前进行齐套预测并与排产联动,将“可能缺料”作为软约束前置,化解隐性产能损失。
路径三:深耕成本结构优化
面对原料价格波动,AI在严苛的工艺窗口与法规认证等“可行域”内,结合日频价格监控,寻找质量与成本的最优解,输出替代料推荐配方与切换节奏,从而在同等质量指标下挖掘千万级的利润空间。
AI跨行业实战:从序列优化到匹配求解的效益兑现
不同行业的AI落地遵循同构路径:“拆指标、找因子、知识化、求最优、闭环”。以下两个案例印证了该方法论的有效性:
造纸行业:面对克重只能逐级切换的物理限制,AI将排程转化为“序列优化”,把爬坡时长写入约束,大幅减少无效换型,使综合OEE提升7.7个百分点。
食品行业:针对前道多机台与后道无缓冲对接的“节拍匹配”难题,AI通过矩阵化规则进行多目标求解,输出多套可权衡方案。最终日切换次数大幅下降,按时交付率提升至96%,打破了“少切换必牺牲交付”的固有认知。
成功落地的共性在于:一是精准判别痛点属于“序列”还是“匹配”问题,以匹配相应的求解算法;二是跨越系统工程门槛,通过统一口径、冻结流程,辅以人机并行的对账机制建立信任。
未来,迈富时将持续深化AI与企业核心指标的融合,助力实体企业跨越“从演示到落地”的鸿沟,将“可计算决策”沉淀为核心生产力,以持续兑现的降本增效成果,护航企业在智能化转型深水区稳健前行。




