定制报告-个性化定制-按需专项定制研究报告
行业报告、薪酬报告
联系：400-6363-638
《施耐德电气&IBM：2024年AI for GREEN以场景驱动AI应用实现企业价值跨越报告（23页）.pdf》由会员分享，可在线阅读，更多相关《施耐德电气&IBM：2024年AI for GREEN以场景驱动AI应用实现企业价值跨越报告（23页）.pdf（23页珍藏版）》请在薪酬报告网上搜索。
1、施耐德电气商业价值研究院与 IBM 联合出品https:/ 2021 年 5 月。遵循严格的方法和为社会做贡献的使命，我们通过对中国经济、产业和商业进行严谨、实用和创造性的研究，为公众和商界提供融合全球智慧的专业洞见，致力于成为推动中国经济、社会和企业可持续发展的领先智库。我们的研究团队汇集了绿色智能制造、绿色能源管理领域的一线专家、深耕前沿技术的研发工程师、参与行业政策和标准制定的专家学者，也聚集了来自业界各科研院所的学术界领袖、为企业掌舵的管理层，以及来自于通讯、信息安全、互联网、管理咨询、市场研究等领域的生态伙伴专家。我们的研究内容涵盖行业、技术、宏观等方面，同时基于自身发展以及所提供的
2、企业咨询服务中的积累，将深入探讨企业战略、研发管理、供应链管理、营销、财务、人力资源、品牌推广等话题，并与社会积极分享研究成果。我们的研究方法结合定性和定量分析，通过一线调研，以数据驱动分析，实现深层价值提炼，进而帮助企业中高管理层把脉宏观，见微知著，助力企业探索可持续发展之道，把握时代机遇，加速变革转型。施耐德电气 商业价值研究院介绍前言：核心发现与洞察1第一章：AI大小模型融合互补，加速推动产业全面转型3第二章：AI for GREEN 由点到线，重构新型商业模式11第三章：从降本增效到可持续发展，扎根场景全面引爆AI价值18第四章：四大步骤，以场景为中心实施AI转型30展望：成为AI驱动
3、型企业 38 核心发现与洞察1在当前全球数字化转型的浪潮中，人工智能（AI）已成为推动各行各业变革的核心力量。作为21世纪最具革命性的技术之一，AI不仅在互联网、金融、医疗等领域展现了巨大的潜力，在工业和能源领域的应用也日益广泛和深入。近年来，随着深度学习和大模型技术的突破，AI的能力和影响力不断提升，为工业和能源行业带来了前所未有的变革机会。施耐德电气作为工业与能源领域AI技术的实践者和赋能者，在本洞察报告中，将与读者分享AI转型中的核心发现与洞察：大小模型深度融合，驱动AI生产力爆发生 成 式 AI（大 模 型）和 决 策 式 AI（小 模 型）的 结 合 应 用 是 A I 在 工 业
4、与 能 源 领 域 应 用新范式。现阶段大小模型各有所长。目前企业主要运用大模型作为内容生成，如代码、文本、图片、音视频的工具，以及串联知识与数据的自然语言接口；小模型则在精确的专业识别与分类、预测优化领域更能发挥优势。企业也在积极探索在同一个场景中大小模型融合使用来提升生产力。我们需要从业务场景和价值出发，以需求拉动AI生产力的发展。如何全面思考AI带给企业的价值是关键的第一步。从点到线，AI正在重塑新型的商业模式施耐德电气商业价值研究院在近年的跟踪调研中发现，企业对于AI价值的期待随着AI技术及实际应用的进展变得愈加立体。本报告提出了“AI for GREEN”的绿色智能价值主张，从增长（
5、Growth）、可靠性（Reliability）、效率（Efficiency）、环境友好（Environment）和新商业 模式（New Horizon）五个维度，系统性地展现了AI在工业和能源领域的全面应用和巨大潜力。我们认为应该以实际业务场景驱动AI应用，才能实现企业在新时代的价值跨越。以场景为中心，绘制企业AI转型全景图企业AI转型是一项系统化的长期建设。企业从0到1，再到规模化应用AI可以概括为以下四个阶段：从统一共识、规划全图，到聚焦场景、小步快跑，再到数据沉淀、构建壁垒，最终实现民主赋能、全民创新。以场景为中心轴，并逐步完善技术基础建设、数据与知识建设、组织文化建设是成为AI驱动型
6、企业的必经之路。前言：核心发现与洞察 AI大小模型融合互补，加速推动产业全面转型41.1 不断进化，生成式 不断进化，生成式AI开启 开启 人工智能人工智能4.0时代时代人工智能（Artificial Intelligence,AI）作为21世纪最具革命性的技术之一，已经在各个领域展示了其巨大潜力。从早期的理论研究到今天的广泛应用，AI的发展经历了多个阶段，每一个阶段都标志着技术的重大突破和应用的不断拓展:AI的发展起源于20世纪50年代，以达特茅斯会议为标志，AI作为一个独立学科正式诞生。这个时期的研究集中在逻辑推理、定理证明和简单游戏等方面，尝试模拟人类的智能行为。艾伦图灵提出了著名的图灵
7、测试，用以判断机器是否具备智能。然而，由于计算能力和数据资源的限制，这一阶段的AI研究主要停留在理论层面，实际应用相对有限。进入80年代，AI研究的重心转向知识表示和专家系统。专家系统通过编码专家知识来进行推理和决策，广泛应用于医学诊断、地质勘探等领域。尽管专家系统在特定领域展示了巨大的潜力，但其知识获取和更新的困难限制了其进一步发展。此外，这一阶段的AI系统缺乏自我学习和适应能力，无法应对动态变化的环境。随着计算能力的提升和互联网的发展，AI在20世纪90年代到21世纪初进入了以统计学习为核心的阶段。机器学习算法，如支持向量机（SVM）、决策树和贝叶斯网络，在数据驱动的应用中取得了显著成效。
8、大数据的兴起为AI模型提供了丰富的数据资源，推动了AI在模式识别、数据挖掘和自然语言处理等领域的应用。这个时期的AI开始在商业领域展现出实际价值，如推荐系统、欺诈检测和客户关系管理等。2010年代，深度学习的崛起标志着AI进入了一个全新的发展阶段。深度神经网络（DNN），尤其是卷积神经网络（CNN）和循环神经网络（RNN），在图像识别、语音识别和自然语言处理等领域取得了突破性进展。2016年，AlphaGo击败围棋世界冠军李世石，展示了深度学习在复杂决策和博弈问题上的强大能力。2017年，Vaswani等人发表的论文Attention is All You Need引入了Transformer
9、模型，这种模型不依赖于传统的循环神经网络（RNN）结构，极大地提升了自然语言处理任务的性能。Transformers为大规模预训练语言模型（如BERT和GPT）奠定了基础。自从生成式AI技术进入公众视野以来，由Open AI开发的ChatGPT无疑成为了这一领域的代表性成果。其不仅展示了强大的自然语言生成能力，还在智能对话、内容创作、翻译服务等多个应用场景中发挥了重要作用。随着多模态生成、模型可控性和透明性的进一步提升，生成式AI将继续引领人工智能技术的发展，为各行各业带来更多创新和变革。AI大小模型融合互补，加速推动产业全面转型 AI大小模型融合互补，加速推动产业全面转型6 AI大小模型融合
10、互补，加速推动产业全面转型5注1:内容摘自施耐德电气文章大语言模型将如何赋能工业自动化？“现阶段的AI更应被视为进化而非革命，因为其逻辑和规则依然由人类制定，诸如AlphaGo也是基于人类设计的围棋规则运作。真正的革命将是AI具备自我意识，能够自主创造新规则。”施耐德电气高级副总裁，智能家居业务中国区负责人 高深“AI已经作为新质生产力在企业发挥着积极作用，构建企业级AI平台、落地高优先级业务场景，AI已来，未来无限。”IBM 咨询合伙人，大中华区大数据与人工智能事业部总经理 林岚1.2 大小模型深度融合，大小模型深度融合，是是AI在产业应用的必然趋势在产业应用的必然趋势1.2.1 定义：生成
11、式与决策式，大模型与小模型以ChatGPT、Stable Diffusion等为代表的生成式AI是一种通过学习和模仿大量现有数据来创造新内容的人工智能技术。它通过复杂的算法和神经网络模型，如生成对抗网络、大型预训练模型等，生成文本、图像、音频、视频等多种形式的新数据。随着新算法架构的更新迭代和算力资源的日益强大，以及业界提出“规模定律”(Scaling Law)，即模型性能随着模型大小、训练数据集大小和计算量大小的增加而增加，模型本身的参数量在近年成倍上升，如Open AI 2018年中发布的GPT-1模型约有1.2亿个参数，2022年发布的GPT-3达到1750亿个参数，2023年发布的GP
12、T-4官方虽未公布参数量大小，据外界推测其参数量约达到1.8万亿。与生成式AI对应，决策式AI，也被称为判别式AI，通常专注于分类和预测，通过分析和处理大量标注数据、学习特征和模式以区分不同类别。决策式AI模型，如逻辑回归、支持向量机和神经网络等，旨在从输入数据中学习决策边界，以便在面对新数据时进行准确分类和预测。例如，图像识别、预测性维护、个性化推荐等都是决策式AI的常见应用。与目前主流的生成式大模型相比，决策式AI的参数量相对较小，在工业与能源领域的主流应用中，决策式小模型的参数通常在几千到几万之间，具有更简单的结构，存储和计算资源的需求较低，能够快速训练和推理。目前，业界对“大模型”和“
13、小模型”的区分没有明确的定义。从字面上理解，大与小主要指的是模型的参数量和训练数据的规模。所谓“大”，尚未有绝对的标准，而是一个相对的概念，通常大模型的参数量往往在亿级以上。严格意义上讲，大模型不能等同于生成式AI，小模型也不能等同于决策式AI，如前文所述的BERT及其衍生模型就属于决策式的大语言模型，其-large版本参数量达到3.4亿。它的优势在于为问答系统和分类任务提供支持，而非开放式的文本生成。在目前工业与能源领域的应用语境里，通常小模型是决策式AI，大模型一般是生成式AI，为了方便理解，后文中我们用大、小模型来作为区分。1.2.2 效率提升明显，大模型在工业与能源领域的应用飞速增长1
14、 近年来，大模型，尤其是大语言模型在工业与能源领域的应用范围不断扩大。比如大模型能理解并生成人类语言，进而帮助大幅提升工业流程效率，保守估计，大模型可以帮助原始设备制造商（OEM）在构建机器PLC应用程序时节省20%的工作量。大模型最重要的能力之一在于基于自然语言的推理和生成能力。在工业与能源领域中，这些能力可以用来处理两种重要的任务：1)代码生成、文档编写、重构和测试；2)自然语言接口。纵观历史，AI技术的演进不仅仅体现在算法的优化和模型的复杂化，还包括计算能力的提升、数据资源的丰富以及跨学科的融合与应用创新。从早期的单核处理器到今天的多核GPU和专用AI加速器（如TPU），计算能力的飞速提
15、升为复杂AI模型的训练和推理提供了坚实基础。分布式计算和云计算的发展，大大降低了AI应用的成本，提高了其可扩展性。未来，量子计算有望进一步突破计算瓶颈，为AI算法的优化和应用拓展提供新的可能。AI大小模型融合互补，加速推动产业全面转型8 AI大小模型融合互补，加速推动产业全面转型7“AI技术的发展是一个渐进的过程，既需要数据分析、建模和安全技术的不断迭代，也依赖于政策和社会准则的匹配与协调。政策规则可以根据需要进行调整，而社会准则往往需要更长的时间来改变。”施耐德电气高级副总裁，工业自动化中国中心负责人，中国研究院院长 胡晓1）代码生成、文档编写、重构和测试大语言模型可以为PLC等工业控制系统
16、生成代码，或者允许人类使用自然语言输入内容生成人机交互（HMI）页面，进而简化应用程序的工程设计过程，减少开发控制应用程序所需的时间和工作量。此外，大语言模型还有望提高生成代码的质量和一致性，从而减少错误并缩短调试 时间。保守估计，大语言模型生成的代码，对于编写机器类PLC程序而言，大约70%是可用的，编程效率大幅提升。大语言模型的另一个应用是自动生成配方代码，在更改参数、更换供应商或更改配料时，能够节省时间。创建配方并触发生产线变更所花的时间会直接影响生产时间，因此任何可能的时间节省都有助于提高效率。更进一步，大语言模型还可用于自动生成与其生成的代码相关的文档，如自动测试脚本，而测试脚本对于
17、自动化工程师来说一直是一项非常耗时的任务。2）自然语言接口 大语言模型还可为工业自动化系统创建自然语言接口，由此操作员只需要使用人类语言，而无需专门的编程语言，就可以与这些系统进行交互。自然语言接口的关键应用之一就是使用自然语言命令访问现有文档，如技术产品信息。在许多行业中，操作人员和维护人员必须手动搜索产品文档中的信息。有些甚至还是纸质文件！然而，随着文档逐步数字化，并传输至安全的特定大语言模型中，这些工具可用来快捷地提出问题，并迅速找到答案。例如，“错误代码8975的含义是什么？该如何解决？”这种问题可以轻松得到解答。其关键是使用安全的特定大语言模型。这些模型应该仅从经审核以及官方提供的手
18、册、技术说明和源代码中提取答案。用于技术支持的虚拟助手是另一个应用场景，其中带有大语言模型的自然语言接口，可以为工业带来价值。通过电话为客户提供高度专业化和定制支持的工业公司（例如与工业最终用户合作的机器制造商），可以掌握这些隐形的知识，并将知识和信息提供给特定的大语言模型，虚拟助手就可以利用这些模型从而提升客户体验并有效缩短解决问题的时间。同样，这也适用于机器、自动化产品和系统的用户手册与文档的创建。使用大语言模型创建这些重要文档可以为应用工程师节省时间，让他们可以将知识和技能用于开发更好的机器、产品和系统，从而提升质量并缩短上市时间。另一个例子是通过大语言模型加速自动化系统设计与开发，在过
19、程工业的大型项目中，自动化系统的设计和开发都需要众多供应商、用户、合作伙伴以及监管机构等第三方伙伴进行通力协作。从项目发起到项目实施，再到项目运营阶段，都可以用大语言模型对来自各方的需求和参数等进行标准化处理，从而显著节省时间，帮助所有参与方提升竞争力。这是因为，从客户和合作伙伴的需求出发进行系统开发之初，就会面临关于解决方案架构、物料清单、安全计划、风险管理计划等各方面的多种要求。基于目前的技术，这需要耗费数月、甚至数年的严谨工作、整理澄清以及来自多个职能部门的专家的协作，才能确保最终质量和可行性。如果借助大语言模型对各方需求和资料进行快速梳理，则可以加快整个过程，同时满足各层级的合规要求。
20、大语言模型的道德考虑和限制因素不可忽视我们也需要考虑到大语言模型中可能普遍存在的局限性与风险，以及在大语言模型产业化之前如何应对由这些局限因素带来的影响。在工业自动化中使用大语言模型可能会带来一些道德考虑和风险，必须要认真对待，以确保这项技术的使用是负责任的，并且符合道德规范。系统安全:当讨论AI模型执行工业自动化操作的可能性时，首先必须制定明确的安全措施。数据安全:大语言模型需要大量的训练数据。这些数据可能包括个人敏感信息或有关特定流程的保密信息，因此确保数据安全，遵守保密原则、尊重个人隐私权至关重要。偏见:大语言模型可能会将训练数据中存在的社会偏见一直延续下去，并持续放大这些偏见的影响。这
21、可能导致不公平和歧视性后果。因此，识别偏见并减轻偏见的影响很重要，它有助于确保结果的公平公正。信息安全:大语言模型容易遭到模型窃取或对抗性攻击等恶意攻击。必须确保这些模型的安全，帮助其抵御威胁。解读:大语言模型很难解释和理解，因此对于它做出的响应也可能会难以解释。在决策过程中使用这些模型时，这可能会成为问题，因为很难理解这些决策的基础是什么，也就很难确保其公平性和合理性。以人为本:通过前文，我们已经看到了大语言模型在工业自动化领域的一些积极的应用前景。然而，任何输出仍需要人类的审查。这些模型只能用作人类能力的补充。例如，机器可以执行任务，但任务完成后必须有人来进行检查；或者机器可以改进或挑战人
22、类的创造性思维。可靠性:由于大模型特有的“幻觉”（Hallucination）现象，大语言模型的结果可能并不一定真实，即使模型微调、RAG等技术可以大量减少“幻觉”现象的出现，其输出结果用于重要场景时始终应该由人类专家来进行审查。发挥大语言模型的潜在优势，重在产业化部署如上所述，要想利用大语言模型的优势，就必须对其进行恰当部署，并充分考虑其限制因素。此外，还需要重点考虑的是，大语言模型的潜在规模，以及哪些地方可以或者需要部署这些大语言模型。特定领域的数据对大语言模型进行预训练可以提高其性能并简化其部署。不同行业应评估如何创建这些基础模型，以及何时需要大模型，何时需要更小的、更具体的解决方案。例
23、如，特定领域的大语言模型如制造行业GPT、医疗行业GPT、旅游行业GPT等意味着可以创建更小且更聚焦特定领域的模型，然后在此基础上进行构建。这也有助于解决因非相关背景叠加而产生的错误输出。也可以由同一行业中的各个组织来协作，共同创建适用于其领域中普适性用途的GPT。AI大小模型融合互补，加速推动产业全面转型10 AI大小模型融合互补，加速推动产业全面转型91.2.3 更精准可靠，小模型在工业与能源领域的应用仍具优势我们观察到在一些使用场景，如精确度要求不高的预测与推理任务中，大模型已经有取代小模型之势，但与大模型相比，小模型在工业与能源领域的应用仍有其独特的优势。第一，小模型在数据量受限的环境
24、中表现更出色，比如企业生产环节里的数据量有限时，通过小样本学习技术大量减少训练样本所需数量。第二，小模型通常没有“大模型”中常见的“幻觉”现象，具备更高的精准度和可靠性，这使得小模型在工业场景中能够提供更为可信和稳定的结果，进一步提升了其应用价值。第三，小模型在定制化投入的时间与财务成本都较低，面对工业能源领域碎片化、精专的使用场景，大模型技术尚未成熟和广泛应用时，小模型能够更快速地进行迭代和部署，适应不断变化的工业需求。在工业与能源领域，小模型通常应用于以下三种任务:识别分类、预测优化、知识推理2 识别分类:小模型在识别与分类任务中表现出色，特别是在图像和声音识别方面。尽管其规模较小，但通过
25、精细的训练和优化，小模型能够在许多工业应用中实现高精度的识别。在该类任务中，视觉识别是最为主要的使用场景。例如，在质量检测过程中，小模型可以快速识别产品缺陷，确保生产线上的产品符合质量标准。此外，在安全监控系统中，小模型可以实时分析监控视频，识别潜在的安全威胁，提高现场安全性。预测优化:小模型在预测优化方面同样具备强大的能力。它们可以通过分析大量的生产数据和历史数据，建立高效的数据模型，优化生产流程和资源配置以及针对设备预测性维护等。例如，在能源管理中，通过建立决策式小模型，根据用电数据和生产需求，优化能源分配，减少能源消耗和成本。通过结合实际生产在线数据和历史离线产品质量评价数据建模，决策式
26、小模型还可以实现工艺控制算法的高精度优化，提升产品质量的同时降低生产成本。知识推理:通过专家系统或知识图谱，小模型能够在知识推理和决策支持方面提供有力的辅助。通过集成各种数据源和知识库，小模型可以在复杂的决策过程中提供实时的分析和建议。例如，在设备维护中，通过专家系统技术，小模型可以根据设备的运行数据和历史故障记录，推理出潜在的故障原因，并提供维护建议。尽管随着大语言模型的快速发展，通过检索增强技术（RAG）减少幻觉的发生，大模型在许多情况下可以替代小模型+知识图谱的应用范式。但两者的结合在对知识可信度和可解释性要求高的场景下仍有其独特的优势。例如，大模型可以处理和理解大规模的非结构化数据，而
27、小模型可以提供高精度和高可靠性的推理结果。规模部署受限，小模型对投入产出要求更高小模型的专业性和精准可靠对于它在工业能源领域推广是一把双刃剑。尽管训练与调优成本远低于大模型，但由于缺乏通用性，使得其应用范围十分局限，如工艺的流程优化往往需要针对一个产线、甚至一个环节来进行训练。因此在技术想要大规模推广时，边际成本仍然较高，这一点导致了企业做投资决策时，小模型的导入对价值回报有着较高要求。1.2.4 大小模型融合互补，推动工业与能源领域全面转型在AI应用的发展中，生成式大模型与决策式小模型的融合应用正逐渐成为一种新的尝试。这种融合不仅能够发挥大模型和小模型各自的优势，还能克服单一模型应用中的局限
28、性。以下是一些典型的融合应用方式：大模型生成负样本帮助小模型训练。比如说在工业质量检测场景中，大模型可以通过图生图，快速生成大量负样本，增强模型训练中的图片验证过程。大模型作为AI智能体的大脑，调用小模型执行特定任务。例如发现质量缺陷和产量异常时，需要及时知道是否是工艺问题引起，避免进一步损失。此时大模型可以作为人机交互的调度中枢，通过分析总结能力告知管理者出现了何种异常，并且调用根因分析的小模型进行专业的根因分析，并根据小模型的分析结果进行自然语言输出。综上所述，如今人工智能技术的迭代日新月异，然而无论是生成式大模型还是决策式小模型，要想大规模落地仍有其各自的限制。正如同电力、互联网技术等通
29、用技术的发展，需要不断完善基础设施以及创造价值落地的使用场景。关于AI大规模应用，我们仍处于场景和价值探索的早期，因此需要从业务场景和价值出发，以需求拉动AI生产力的发展，而不能只站在技术的角度来进行推动。在本报告的第二到第四章，我们将分别与读者探讨新时代AI在工业与能源领域的价值主张、AI场景落地实践、以及以场景为中心的企业AI转型实施路径。“AI为企业带来降本增效的巨大机会，但同时，各企业也逐步认识到AI落地的困难性。这是因为AI为企业创造价值依赖管理、业务、技术的合力。也就是说，企业的AI转型不只是技术的转型，而是基于AI的企业全面转型生成式。”IBM 咨询大中华区人工智能业务负责人 黄
30、震豪注2:中国信息通信研究院工业智能白皮书（2022）2AI for GREEN由点到线，重构新型商业模式2.1 AI for GREEN：发掘：发掘AI五大核心 五大核心 价值，打造新型商业模式价值，打造新型商业模式施耐德电气商业价值研究院自成立以来，以低碳可持续和智能制造为主轴，跟踪调研了工业与能源领域的众多企业高管。我们发现，随着科技的进展，企业对AI价值的期待愈发立体，主要体现在以下三个趋势：首先，从仅重视AI的商业收益，拓展到越来越注重社会环境价值；其次，价值取向从宏观决策到微观个体，更加关注AI如何影响并优化每一个用户的体验；最后，从追求AI带来短期的快速增长，到更重视长期的价值跨
31、越。在AI飞速发展的新时代，大小模型的技术更迭赋予了AI更强大的价值潜力。在工业与能源领域，我们认为应该以实际业务场景驱动AI应用，才能实现企业在新时代的价值跨越。因此，我们提出“AI for GREEN”的绿色智能价值主张，其中“GREEN”每个字母分别代表应用AI五个维度的核心价值，本章将以此价值主张为起点，与读者共同探讨AI在工业与能源领域全价值链的场景地图。Growth 代表业务价值增长:AI技术推动业务价值的飞速增长，为企业创造前所未有的机会和回报；Reliability 代表可靠性和韧性:AI技术提升工业制造及能源管理的可靠性和韧性，把稳定的自动化达到全新的高度；Efficienc
32、y 代表高效和满意度:AI凝练行业经验，卓越运营，带来前所未有的高效和满意度；Environment 代表环境友好和可持续发展:AI技术提升能源和资源的利用效率，减少浪费和排放，帮助企业实现可持续发展；New Horizon 代表全新商业模式:AI不仅能够简化现有产品研发过程，并可颠覆传统商业模式，开创全新的商业运作方式。(图1)来源：施耐德电气商业价值研究院 AI for GREEN 由点到线，重构新型商业模式12(图2)来源：施耐德电气商业价值研究院2.2 应用场景是应用场景是AI的“演习场”、的“演习场”、“数据源”和“创新地”“数据源”和“创新地”3要实现AI价值的全面落地，应用场景是
33、爆发的关键。我们不应该从科技本身入手，而是要明确适合的应用场景。正确的应用场景能够最大化AI的潜力，助力企业实现智能化转型和长期战略目标。场景对于人工智能爆发的意义可以从三个方面来看：首先，场景是人工智能技术的“演习场”。机器学习算法和大语言模型只有在实际场景中接受“检验”，才能发现技术落地的价值与发展空间，比如可靠性、成熟度、成本等。同时，场景应用也为技术优化和迭代指引了方向。第二，场景是反哺人工智能技术不断迭代的“数据源”。千行百业的应用场景中蕴藏着AI技术进化所需要的数据“营养”。工厂里的每条产线，楼宇中的每台空调，旷野中的每座风机，以及企业多年来生产经营活动的日志文件等都是珍贵的数据“
34、原矿”，需要进一步挖掘、清洗、标注、预处理、推理和验证。从场景中来，到场景中去，这一过程“哺育”了正在茁壮成长的人工智能技术。第三，场景是人工智能再次发展和飞跃的“创新地”。现今火爆的通用大模型虽然能够应对广泛、多样化的任务，但一旦深入具体产业，就需要与行业经验相融合，获取场景中蕴藏的专精知识。而构建垂直行业大模型，则为解决复杂的专业问题提供了新解法。2.3 以 以GREEN重构全价值链重构全价值链AI场景地图场景地图因此施耐德电气商业价值研究院认为，企业应以场景驱动AI应用，实现企业价值跨越。并在此以场景地图的形式列举了AI在工业与能源领域的企业全价值链（研发设计、供应链、生产与运营，营销及
35、售后）部分应用场景，并针对重点应用场景在第三章中展开具体案例介绍，与读者共同探讨。“实现大规模AI的应用，首先要从业务场景出发，从业务价值出发，而不能只从技术出发。”Philippe Rambach,施耐德电气 CAIO注3:内容摘自21世纪经济报道施耐德电气尹正：让技术深入场景，人工智能价值迸发“关键一跃”AI for GREEN 由点到线，重构新型商业模式14 AI for GREEN 由点到线，重构新型商业模式13(图4)来源：施耐德电气商业价值研究院FMEA：全称为Failure Mode and Effects Analysis，即失效模式及后果分析(图3)来源：施耐德电气商业价值研
36、究院 AI for GREEN 由点到线，重构新型商业模式16 AI for GREEN 由点到线，重构新型商业模式15(图5)来源：施耐德电气商业价值研究院3从降本增效到可持续发展，扎根场景全面引爆AI价值 AI for GREEN 由点到线，重构新型商业模式17(图7)来源：施耐德电气PMA设备预测性维护解决方案3.1.2 解决方案：AI在预测性维护中的应用本节精选了施耐德电气与合作伙伴IBM作为AI赋能者与践行者的6大具体案例，以展示不同的AI技术在实际场景中GREEN价值的体现。3.1 案例 案例1:智能便捷、降本增效:智能便捷、降本增效 工业设备预测性维护中的工业设备预测性维护中的A
37、I应用应用43.1.1 企业痛点设备管理是工业生产中最重要的组成部分之一。针对设备智能运维，企业往往面临几大痛点问题：1.如何改善传统运维方式导致的效率低、成本高问题？2.如何提前预测并准确定位设备故障？3.如何减少设备意外停机的损失？4.如何通过智能运维实现设备全生命周期管理？5.如何减少欠维修、过维修次数，延长设备的寿命周期？为了帮助企业解决痛点问题，切实提高设备管理、运营效率、产品质量和安全环保水平，施耐德电气推出预测性维护顾问 Predictive Maintenance Advisor（简称PMA）。相比较传统的响应式维护、预防性维护和基于状态监测的维修，预测性维护改变了传统的被动式
38、维护、更加主动和精准，能够在设备出现故障前进行干预，从而提高设备的可靠性和延长使用寿命。其核心是基于智能感知技术（包括大数据和AI技术），利用设备机理+数理模型驱动的一种智能故障预测诊断方案，对设备进行保养维护。注4:内容摘选自施耐德电气PMA设备预测性维护解决方案(图6)来源：施耐德电气PMA设备预测性维护解决方案Predictive Maintenance Advisor 系统架构 从降本增效到可持续发展，扎根场景全面引爆AI价值20 从降本增效到可持续发展，扎根场景全面引爆AI价值19(图9)来源：施耐德电气PMA设备预测性维护解决方案1客户收到系统AI告警推送，去到现场发现联轴器橡胶垫
39、片存在磨损，随即更换了橡胶垫片。2一天后，又得到施耐 德电气团队的反馈和 报告。需对电机不对中 问题进行排查。3客户进行了检修，更换了轴瓦，数据恢复正常，设备处于健康运行 状态。(图8)来源：施耐德电气PMA设备预测性维护解决方案3.1.4 应用案例（一）水泥行业设备预测性维护案例水泥行业某世界五百强企业工厂的3条产线都部署了施耐德电气的预测性维护系统，用于监测其关键设备(球磨机、风机、辊压机等)的运行状态和故障诊断，预测故障，降本增效，实现设备统一管理和智能运维。对象：水泥磨球磨机 基于振动机理+数理模型的设备故障预测与诊断:通过智能传感器和边缘计算网关获取振动数据，利用设备的振动机理和数理
40、模型（数据积累并学习优化模型），结合工艺数据，通过AI 技术对设备运行数据进行频谱分析和相关性分析，从中提取关键特征值。通过这些特征值，PMA系统可以智能地定位设备故障的位置和类型，帮助运维人员提前采取维护措施。利用AI相关性分析技术，得出故障原因贡献度，定位故障产生的原因:AI技术能够通过分析找到设备发生故障时与故障最相关的特征值或工况参数，从而确定设备具体部件产生故障的原因及其贡献度。通过这种方法，AI系统能够积累故障原因库，从源头上避免同样故障的再次发生。利用AI技术提取设备寿命显著特征值，实现剩余寿命预测:AI系统通过提取和分析设备的关键特征值，能够对设备的剩余寿命进行预测。这种预测基
41、于设备的历史运行数据和当前状态，结合机器学习模型，提供精确的寿命预测结果，帮助企业进行更有效的设备管理和维护计划，最大化设备的使用寿命。3.1.3 方案价值AI驱动的预测性维护解决方案能够为不同类型的用户带来显著的价值：从降本增效到可持续发展，扎根场景全面引爆AI价值22 从降本增效到可持续发展，扎根场景全面引爆AI价值214检修复位后，设备振动及峰值因素明显下降。成功地帮助客户提前发现一次故障，防止因油封变形移位导致的活塞杆表面拉伤。(图10)来源：施耐德电气PMA设备预测性维护解决方案对象：均质机1系统识别出设备震动异常并第一时间发出告警。2AI诊断给出维修建议：异常能量主要来源于活塞曲柄
42、侧。3客户停机检查，调查结果证实：异物坠入均质机的活塞箱，与活塞杆发生碰撞，磁撞后活塞杆油封移位。(图11)来源：施耐德电气软件研发中心AI创新实验室3.2 案例案例2:节能降耗，减少碳排:节能降耗，减少碳排 大数据模型实现车间能源预测，大数据模型实现车间能源预测，助力能源管理系统优化助力能源管理系统优化3.2.1 企业痛点能源消耗是企业运营成本的重要组成部分。对能源管理系统进行整体规划、部署能源管理系统实现能源的测量、分析、计算、监控和控制，通过优化能源使用，减少能源浪费，提高能源利用效率，实现节能环保已成为众多企业的共识。本项目中，能源管理系统将贯穿全车间相关操作员、工程师和各级管理者，实
43、现车间生产过程的能源供给和使用的信息透明化、加强能源信息可视化和可追溯能力，降低各非正常工作工况能耗，并提供基于WEB的监视、配置、查询、分析等功能，供各相关部门查询分析能源相关信息。为进一步对生产能源利用开展持续改善，提升管理水平创造必要条件。具体来讲，需要实现以下两个目标：实现两个层次的服务，即一方面为车间管理人员提供直观、简明、快捷的能源数据查询、数据分析和相关决策支持服务；另一方面是为相关操作人员提供操作指导，降低生产准备时间、生产间歇时间以及停产时间的能耗。利用数学模型、预测和数据挖掘等理论方法和技术手段对有关数据进行深入的加工处理及分析。基于相关AI模块对本项目相关功能提供决策支持
44、，并为集团其他类似项目提供相关数据基础。3.2.2 解决方案：包含大数据模型的能源管理系统结合施耐德电气跨行业的能源管理系统成功经验以及企业现实情况，并充分考虑未来的可扩展性，相关车间的能源管理系统规划包含能源数据采集和监控、生产状态感知、大数据模型、节能运行指导和推送、以及能源数据展示和分析五大模块，其中大数据模型模块涉及以下三大算法场景：（二）食品饮料行业设备预测性维护案例某世界知名的啤酒品牌针对其工厂的关键设备如均质机、粉碎机、离心机等，部署了施耐德电气预测性维护系统，从而实现设备故障预测和健康运维管理，并推动工厂及集团的数字化转型。从降本增效到可持续发展，扎根场景全面引爆AI价值24
45、从降本增效到可持续发展，扎根场景全面引爆AI价值23 算法场景一:排产及能耗预测排产是影响工厂生产成本、运营效率、履约水平和营销效益的关键环节之一。系统根据用户输入的基础能耗、生产计划（产量、生产时间）、天气等因素，输出未来不同介质的能耗情况并给出最佳的排产计划。算法场景二:关键设备精准开关机针对烘房和工艺空调等关键用能场景，计算各工艺段首个产品到来的时间和末个产品离开各工艺段的时间，并基于AI/ML模型算法开发，输出各工艺段最优、节能的设备启停时间。算法场景三:关键用能场景工艺参数优化 通过企业产能计划与历史的设备运行情况，对于高能耗的重点区域，建立AI模型，给出在正常生产、计划内停线、计划
46、外停线、停产等生产模式下设备参数调优的建议，在保证节能的境况下进行正产生产。3.2.3 方案价值项目预计为企业实现以下收益:实现对供配电、压缩空气，天然气，冷水，热水消耗等相关子系统的自动数据采集，自动监控相关重点参数状态，实时报警；能源可视化管理：以图表、棒图、曲线图进行分析，并实现可视化管理；实现了对能耗指标的评估、能源消耗结构分析及能源消耗成本分摊；实现预设各场景下的节能控制；提供定制化能源数据分析，为车间进一步发现节能机会提供可能。3.3 案例案例3:提升效率、降低成本:提升效率、降低成本 AI优化食品饮料工艺优化食品饮料工艺3.3.1 企业痛点食品饮料的生产包括如混合、过滤、罐装和包
47、装等多个关键工艺步骤，其中硅藻土广泛应用于酒、果汁、植物油等产品生产环节的过滤环节，通过去除细微颗粒和悬浮物，提升产品的澄清度和稳定性。以某食品饮料工厂的过滤工艺为例，目前的自动化控制依赖预设规则、固定程序和人工经验，存在效率低、耗时长、成本高、缺乏自动调整和预测维护能力等问题。客户希望通过AI技术，实现从自动化到智能化的控制，在保证质量的同时，提高生产效率和降低成本。3.3.2 解决方案根据客户需求，施耐德电气提供了一个集成数据分析、算法配置等功能的AI控制系统，系统共有三层网络架构（从底层往上分别为OT层、基础网络层和IT层）。该解决方案在自动化理论基础上，结合硅藻土过滤的工艺逻辑，构建以
48、数据驱动的AI控制模型，通过以下几个关键特性优化过滤工艺：数据驱动与个性化建模:AI系统从历史数据中分析生产中多变量、非线性关系以及难以预测的因素，超越人工经验以应对复杂的过滤工艺，同时针对不同产品和步骤单独建模，确保每种产品都能获得最佳过滤效果，适应复杂的工况变化；智能的添加泵开度策略:硅藻土添加流量与添加泵的开度线性相关，AI系统通过实时数据分析动态调整泵的开度，确保添加量准确，减少操作误差，提升过滤效率；自适应学习与优化:通过机器学习和深度学习算法，从数据中学习和优化控制策略，自主适应不同工况和环境变化，提升生产效率和产品质量；实时监测与智能决策:通过实时监测分析与优化算法，识别优化空间
49、、提供最佳策略并智能调整，以降低能耗，减少资源浪费。3.3.3 方案价值通过构建数据驱动的AI控制模型，企业在硅藻土过滤工艺中实现了显著优化，提升过滤质量、生产效率，并显著降低成本，为企业带来实际经济效益，为食品饮料行业的智能化升级提供了有力支持。主要指标改善如下：1)质量提升25%：有效提升产品的澄清度和纯净度；2)效率提升20%：减少过滤时间，缩短生产周期；3)成本节省25%：有效减少硅藻土浪费，显著降低生产成本。从降本增效到可持续发展，扎根场景全面引爆AI价值26 从降本增效到可持续发展，扎根场景全面引爆AI价值253.4 案例案例4:改进质量、节约成本:改进质量、节约成本基于基于AI技
50、术的视觉质量检测技术的视觉质量检测3.4.1 企业痛点在工业企业的供应链当中，质量检测是至关重要的步骤，其需要在产品生产过程中，对产品的生产过程、外观、特征以及生产最后的结果进行检测，确保产品的质量和结果符合产品质量要求。施耐德电气母线工厂于1997年在广州经济技术开发区成立，主要业务是生产面向中国和东南亚市场的I-LINE配电母线系统及Canalis配电/照明母线，承担着较多的生产任务。从母线生产的流程看，粘防水胶条至关重要，该步骤如出现遗漏，将直接影响后续产品质量。基于FMEA5RPN分析，防水胶条工序从失效后果的严重度（S）、发生的频度（O）和失效 原因的可探测度（D）来看，被列为了重点
51、改进环节。同时，传统的粘防水胶条基本手动完成，并进行人工检测，容易出现效率低下以及漏检等情况。因此，工厂希望以自动化、智能化的技术与手段来有效把控质量。3.4.2 解决方案为了更好地提高质量检测的准确度，在项目初期，工厂实施团队基于项目痛点，提出了多种不同的解决方案，然而由于广州母线工厂历史较长，自动化设备老旧，PLC的点位较少，改造难度及成本较大，因此，最终决定采用基于视频流的AI解决方案。该方案将母线盖板动作完成作为视频拍摄触发点，每隔6秒自动进行拍摄，最终选取最后5张照片发送至IoT平台进行推理。该方式对于服务器的性能要求较高，同时需要高精度工业相机。在确定解决方案后，通过AI引擎的一站
52、式应用搭建，快速形成了方案落地。具体来说，在施耐德电气自研的AI引擎平台上标记出30-50个样本，以拖拉拽的方式将样本图片放入画布式建模，通过模型训练后，将模型发布至模型仓库，开发完成的模型上传至施耐德电气IoT平台的推理模块，初步的模型一周即可上线。上线后，通过现场真实环境的验证，检查图像并进行AI再训练，利用KAPPA系数6比较模型预测的正负例与实际分类的正负例，历时3个月的优化，更新了10+AI模型后，最终KAPPA系数从初期的70%提升至99.5%，完成模型迭代及精度的提升，满足了工厂的质量要求。3.4.3 方案价值通过AI视频流解决方案，最直观的结果是对于质量的改进，漏检率为0，过检
53、率能够控制在0.5%以下，工厂只需要随机巡检。从经济效益看，仅防水胶检测这一环节就为工厂每年节省了上百万的成本。更值得一提的是，基于施耐德电气AI引擎和IoT平台的配合，为业务负责人、运营经理、数据分析师等用户提供低代码乃至零代码的AI应用，帮助工厂快速进行场景的复制推广。AI技术可以与视觉识别系统等技术相结合实现对产品的智能检测和质量控制。目前，施耐德电气在中国构建的基于AI技术的工业视觉质量检测解决方案，已经在施耐德电气中国15家工厂上线，能够针对产品表面的缺陷进行检测，实现了零漏检率，大大提高产品质量，有效减少因产品瑕疵而浪费的资源和时间。注5:全称为Failure Modeand Ef
54、fects Analysis，即失效模式及后果分析。注6:KAPPA系数是一种统计测量方法，用于评估两个分类者（比如两个人）在对一组项目进行分类时的一致性程度。例如，你和一个朋友一起给一些图片分类（比如判断是猫还是狗），KAPPA系数就是衡量你们的分类是否“同步”，如果值接近1，表示你们的分类基本一致，如果有分歧，值会接近0或者负数。简单来说，它就像一个度量你们分类默契度的指标。3.5 案例案例5:以:以AI会友，共创制造业会友，共创制造业智能化未来智能化未来3.5.1 企业痛点源卓微纳科技（苏州）股份有限公司是一家在业界处于领先地位的高科技公司，专注为高端电子电路、IC载板、先进封装、微机电
55、系统（MEMS）、泛半导体、太阳能和微纳器件制造提供生产设备和工艺解决方案。艾科斯幂信息科技有限公司（X-POWER）是一家科技创新公司，为客户定制化提供智能化数字化整体集成系统解决方案,2023年成为IBM金牌合作伙伴。在产品研发过程中，源卓微纳面临着做市场调研和市场评估，人力投入高、检索效率低的挑战，也不能保证技术调研的准确性、及时性和全面性。希望找到一种方式来帮助研发团队提高工作效率。另外，为了赢得客户的满意度，源卓微纳对客户的承诺是7*24小时的技术支持和售后服务，远程服务15分钟内响应，驻点区域4小时内到达。源卓微纳一直在寻找合适的智能手段来提升售后服务效率。3.5.2 解决方案艾科
56、斯幂与IBM合作根据源卓微纳的业务需求，选择了 watsonx Assistant 做为智能助手提供前端入口和语义理解的能力，Watson Discovery 做为文档存储和检索工具，并集成了IBM最新的AI开发平台 watsonx.ai，为源卓打造了企业级智能问答知识库。这个体系还利用IBM AI 驱动的应用集成方案 Cloud Pakfor Integration(CP4I）进行应用集成。watsonx.ai为IBM企业级 AI开发平台，基于最新生成式 AI功能，使数据科学家、开发人员和数据分析师能够利用开放直观的用户界面来训练、测试、调整和部署AI。watsonx Assistant 提
57、供面向业务的更智能的对话式AI平台。Watson Discovery为AI支持的智能搜索和文本分析平台。CP4I具备提升应用程序速度与质量的卓越优势。3.5.3 方案价值项目实施之后，全面提高了源卓微纳的研发效率和售后满意度：研发售后人员登陆 OA系统，根据登陆ID，系统会判断登录者有哪些权限。之后到达基于IBM watsonx Assistant搭建的“智能问答界面”；根据用户的问题进行语义分析、同时基于关键字在Watson Discovery知识库中进行检索返回到watsonx Assistant；透过 watsonx.ai大语言模型进行深加工，使得答案更加准确和人性化，并将答案返回到wa
58、tsonx Assistant智能问答界面上 从降本增效到可持续发展，扎根场景全面引爆AI价值28 从降本增效到可持续发展，扎根场景全面引爆AI价值274四大步骤，以场景为中心实施AI转型3.6 案例案例6:推动更智能的可持续运营，:推动更智能的可持续运营，引领时尚风潮引领时尚风潮3.6.1 企业痛点Bestseller India是Bestseller的子公司。Bestseller是总部位于丹麦的全球“快时尚”零售商。作为一种动态的商业模式，“快时尚”注重在数天或数周内快速上架新潮服装款式。但这个过程会消耗大量的原材料、水和能源。如果新款设计未获得消费者青睐，则会打折出售库存，其中一部分服装
59、最终会进入垃圾填埋场。因此，Bestseller希望和IBM合作，通过AI来帮助设计师和采购部门做出更准确的预测，打造更紧密贴合消费者需求的设计和生产流程，从而提高利润，同时支持环境可持续性战略。3.6.2 解决方案Bestseller India制定了一个宏大的目标：开发一个支持AI功能的全新定制化平台，用于全方位支持季前设计、规划、生产和预测。该项目侧重于为关键业务流程建立智能工作流，让员工能够利用AI赋 能 的 工 具 来 访 问 实 时 数 据 与 洞 察，从 而 更 智 能 地 开 展 工 作。经 过 数 月 的 工 作 和迭代，Bestseller India与IBM车库创新团队为
60、这个名为Fabric.ai的平台引入了61个独有概念。该平台最终成为印度服装行业的第一款AI工具。借助专为设计师量身打造的Fabric.ai数字平台，Bestseller India可以助力在价值链中及时做出更加可持续的材料决策。此外，Fabric.ai还可以为产品规划人员提供数据驱动的见解，从而降低服装制造环节的环境足迹。利用 IBM Watson AI 工具预测最佳产品、为每家门店确定最优的产品组合，有效提升了供应链的效率。3.6.3 方案价值 更精准的预测分析:AI保证更加准确的消费者需求预测与产品销量预测，为产品规划提供数据驱动的见解 更实时的数据洞察:AI支持在零售店层面具体产品的销
61、售业绩分析 更智能的门店运营:AI帮助门店找到最合适的产品组合，从而为采购和销售团队提供帮助 更绿色的材料应用:AI在价值链前端支持可持续材料的决策与推荐，从而最大限度地减少生产材料与创意过程的浪费 可扩展的AI功能:Fabric.ai的一系列功能最初聚焦ONLY服装系列，目前已扩展到Jack&Jones、Vero Moda等其他品牌 从降本增效到可持续发展，扎根场景全面引爆AI价值29以大规模实现AI应用为目标，我们结合自身实践以及赋能客户的经验，将企业AI转型从0到1，以及从1到N（全民实践）过程的实施路径，总结为以下四个阶段：01.统一共识、规划全图；02.聚焦场景、小步快跑；03.数据
62、沉淀、构建壁垒；04.民主赋能、全民创新。在各个阶段中，我们将以场景为中心出发，同时充分考虑企业价值与投入、数据与知识治理、以及组织和工具的变革。(图12)来源：施耐德电气商业价值研究院4.1 统一共识、规划全图 统一共识、规划全图在AI转型的落地实践中，企业“一鼓作气、再而衰、三而竭”的情况经常发生。我们在实践中发现，这往往是AI转型开始之初企业急于寻求速赢，一方面没有统一团队间共识，另一方面缺乏对应用场景的全面规划。4.1.1 统一战略共识在AI转型实施之前，我们建议企业组织全面的跨团队和跨层级交流活动。这些活动可以通过分享会、培训课程或工作坊的形式进行，邀请业务部门、科技团队以及法务、财
63、务等相关支持部门的成员参与。科技团队在分享时，需要使用通俗易懂的语言，以确保非专业人员也能清楚 理解AI技术的基本概念及其对企业业务的潜在影响。我们的目标应该是让各部门对于AI能够做什么，无法做什么，以及实现某项技术大致需要何种量级的投入有一致的共识。4.1.2 规划场景全图在统一共识之后，企业需要对现有的所有业务流程进行全面梳理，包括研发、供应链、生产与运营、营销与售后等多个方面，并以价值为导向发散思维，如使用“GREEN”价值框架来全面思考机会点所在：Growth（增长）:评估各业务流程在提升产能、增加收入和市场份额方面的潜力。优先选择那些能够显著推动企业增长的场景。Reliability
64、（可靠）:选择那些可以通过AI增强稳定性和可靠性的流程。确定哪些流程可以通过AI技术有效缓解风险，提高业务的持续性和可靠性。Efficiency（效率）:评估各流程在优化资源利用、降低成本和提高生产效率方面的潜力。优先选择那些能够显著提升运营效率的场景。同时，考虑如何通过大模型技术将专家经验 转化为可执行的交互，也是提高整体流程效率不可或缺的一环。Environment（环境）:评估各流程在降低能源消耗、减少排放和实现可持续发展方面的 潜力。选择那些能够通过AI技术实现可持续发展的场景。New Horizon（新视野）):评估各流程在颠覆传统商业模式、引入新技术和开辟新市场方面的潜力。优先选择
65、那些能够通过AI实现业务模式创新的场景。同时考虑长期战略：确定哪些流程能够通过AI技术支持企业的长期战略发展和创新目标。四大步骤，以场景为中心实施AI转型32 四大步骤，以场景为中心实施AI转型31通过“GREEN”价值框架与实际场景相结合来发散思维，企业可以绘制出一张清晰的AI 场景全图。这张全图不仅展示了企业当前的AI应用现状，还描绘了未来AI赋能的蓝图愿景。越早开始行动，越清晰地梳理业务流程和痛点，制定全面的AI场景全图，智能化转型的试错成本就越低，成功的概率也越高。4.2 聚焦场景、小步快跑聚焦场景、小步快跑4.2.1 聚焦场景：运用场景筛选钻石模型基于场景全图，企业需要进一步讨论落地
66、的聚焦场景，这一步需要从技术可行性、资源投入、和风险的角度来进行收敛性思考。项目投入:除了显性的硬件投入，软件开发投入，在大模型时代，我们不能忽略的是数据和知识的投入以及组织变革上的投入，这一点我们会在后续章节展开叙述。技术成熟度:一方面要考虑技术成熟度，市场是否已经有成熟的标准应用，是否有必要“重新发明轮胎”；另一方面要考虑实施难度，评估每个流程应用AI技术的难度，包括技术复杂性和时间框架。风险评估:除了技术实施过程的风险和合规风险外，我们也需要考虑管理风险，尤其是技术团队和业务团队是否能对场景的业务价值、实际业务流程和AI能力范围达成一致至关重要，这个过程除了我们前文所述的统一共识之外，还
67、需要在项目中反复多轮讨论和进行概念验证。此外，如果使用大模型，我们也应该充分评估其生成内容有可能带来的舆论风险，尤其是在模型需要对接外部用户的时候。(图13)来源：施耐德电气商业价值研究院洞察观点：经 过 先 发 散，后 收 敛 的 思 考，企 业 可 以 更 加 客 观 理 性 地 看 待 自 己 的 场 景地 图，通 过 场 景 聚 焦 从 中 选 出 第 一 个 或 者 前 几 个 旗 帜 项 目。在 这 个 过 程 里，我 们 要 避 免 陷 入“明 星 项 目”陷 阱 初 期 的 旗 帜 项 目 不 会 是 解 决 一 个 流 程 所 有 问 题 的 万 能 明 星，而 应 该 是
68、解 决 流 程 中 部 分 问 题 的 细 分 专 家。我 们 要尽 量 用 流 程 图 的 形 式 进 行 细 节 拆 分，例 如 电 子 产 品 工 厂 来 料 检 验 的 流 程 里，数 量、外 观、规 格 等 都 可 能 使 用 视 觉 模 型 来 进 行 自 动 化，这 时 我 们 需 要 根据每一步实现的功能进行细分，评估是否需要拆分成几个小项目，而不是简单地一口气规划为“来料视觉检验项目”。4.2.2 小步快跑：打造高效落地的AI项目工作组在确立初期旗帜项目后，团队要小步快跑，专心获得首胜。工业和能源领域的AI项目是一项复杂的系统工程，跨界协作至关重要。在确立初期旗帜项目后，应组
69、建一支多技能的项目团队，成员来自技术和业务部门，形成多元技能矩阵，如典型的AI项目组包含AI项目经理+业务专家+数据科学家等。团队应快速推进概念验证和原型开发，并及时纳入业务反馈，小步快跑、灵活 调整方向。AI项目团队高效运转的三大原则是专注投入、跨部门协作和灵活应变。通过这样的安排，项目团队不仅能快速推进项目，还能确保解决方案符合实际业务需求，实现高效落地和持续改进。(图14)来源：施耐德电气商业价值研究院 四大步骤，以场景为中心实施AI转型34 四大步骤，以场景为中心实施AI转型334.3 数据沉淀、构建壁垒 数据沉淀、构建壁垒4.3.1 数据沉淀基础高质量的数据是AI项目成功的基础。数据
70、质量问题，如数据缺失、不准确和不完整，将直接影响AI模型的训练和预测效果。在许多应用场景中，实时数据的获取和处理对AI模型的性能至关重要。然而，实时数据处理需要强大的计算能力和高效的数据管道，许多企业在这方面的基础设施还不够完善。在团队瞄准首胜的同时，企业也应该开始着手于数据的沉淀。一方面，企业需要构建高效的数据处理管道，以支持实时数据的采集和分析。另一方面，为了让AI技术充分发挥作用，形成高效甚至达到极致效率，企业需要建立严格的数据治理机制，确保数据的准确性、完整性和一致性，打破各个“数据源”的边界，让不同组织的数据贯通起来，才能实现韧性、效率的均衡，兼顾可持续目标，探索新商业模式。在这个过
71、程中，企业同样需要做到小步快跑我们不需要花上好几年时间等待“完美”的数据仓库建设完毕，而是取得一定的数据成果后，就可以与AI团队讨论具体项目，并且在项目中更加立体地了解企业未来需要积累哪些数据。4.3.2 知识构建壁垒在生成式AI时代，企业内部的知识将成为新时代“石油”的一部分。头部企业多年来积累的文档、流程和人才的头脑中，都深藏着非结构化的行业成功经验和知识。相比于用于通用大模型的训练语料库，这些非公开、独特的行业知识和经验才是未来头部企业的核心竞争力。因此，能否有效地治理和应用这些独特的产业知识，将决定企业AI智能化的成败。数字化团队需要作为知识的治理者，深入业务一线，挖掘隐藏在员工头脑、
72、业务流程和决策过程中的关键知识，并将其提炼为可记录的形式。这需要团队通力协作，具备全局视角和业务洞察力，能够判断哪些知识对企业的核心竞争力至关重要，并据此确定知识治理的优先级和路线图。“在施耐德电气，设备维修人员可以直接通过与基于大语言模型的AI维修知识专家对话，来迅速获取解决方案建议，避免过去反复查找多份维修知识手册来进行故障排查。此外，FMEA报告生成器也是一个典型应用。利用基于大语言模型的报告生成器，FMEA报告的编写时间大幅缩短。用户只需填写少量提示词，生成器就能生成完整的FMEA报告，包括失效模式、潜在原因、预防措施和严重度打分等内容。”数据信息知识定义原始的、未经过处理的事实和数字
73、，是信息和知识的基础对数据进行处理、整理和解释后得到的有意义的内容基于信息的理解和认知，通过 经验、学习和分析积累而成特点原始性离散性量化性有意义相关性组织性深度性经验性指导性例子vz一个温度传感器记录的数值（如28C）一次销售记录（如某产品售出10件）报告中的温度变化趋势图，显示一天中温度的升降变化销售报告，显示某产品的销售总量和趋势通过分析温度变化数据，得出如何调整温控系统以节约能源的最佳策略基于销售数据制定的销售策略和市场推广计划4.4 民主赋能、全民创新 民主赋能、全民创新成功的人工智能不应只局限于少数一群人，而应实现规模化的赋能。我们了解到，许多企业在初期旗帜项目成功后，依然难以在整
74、体运营中将人工智能的价值完全发挥。在AI规模化的道路上，我们要从组织和工具两个角度来激活组织创新力，打造“AI创新飞轮”：4.4.1 组织AI转型过程中，业务与科技的脱节往往是AI规模化的最大障碍之一。一方面，业务团队对AI科技的能力、局限性以及与传统IT系统的区别缺乏了解，限制了他们提出有效需求的能力。这种知识盲区导致业务团队难以与科技团队有效合作，共同制定可行的AI应用场景。另一方面，许多AI项目的初始需求和设计主要由科技团队主导，而业务团队的参与度较低。这导致AI解决方案在落地时，难以真正贴合实际业务需求。因此，即使在初期有了一定的战略共识后，我们仍要持续不断地弥补知识落差。这需要从知识
75、丰富的一端主动开始。科技团队需要帮助业务团队整理AI的能力范围，尤其是在生成式人工智能爆发式发展的如今，知识更新的频率从年度、季度、到了月度，甚至更短。(图15)来源：施耐德电气商业价值研究院 四大步骤，以场景为中心实施AI转型36 四大步骤，以场景为中心实施AI转型35“在施耐德电气，我们通过创建 HUB&SPOKE 模式 来运用人工智能。我们有一个人工智能专业知识、资源和管理的AI-HUB团队，它赋能所有业务线、职能部门和地理区域（SPOKES），以充分利用 AI 这项全新的生产力。HUB为 SPOKES提供技术支持，SPOKES 带来业务案例和领域专业知识，通过紧密的配合，不仅为我们内部
76、流程优化增加巨大价值，也让我们能够为客户提供更多的价值。同时施耐德电气中国区为了响应技术兴起带来的变化，成立中国AI社群以充分整合各部门资源，系统性地推进AI的场景设计和落地，AI社群主要工作包含以下三个方向：1.为目标客户（能源 和工业）提供基于真实场景的AI解决方案；2.将数字化产品和AI技术相结合实现组合创新提高流程效率和降低业务成本；3.协同内外部AI合作伙伴共创共赢推动AI解决方案和创新的 实现与落地。此外，HR部门还通过Buy（外部招聘）、Build（内部培养）、Bind（人才保留）和 Borrow（短期支援）四位一体方式不断建设完善内部AI人才体系。”“在组织向AI转型的过程中，
77、必须意识到人是关键，AI对人的赋能大于替代才能激发员工创造力。同时，转型全程强化变革管理的实施至关重要，因为众多AI项目的搁浅，根源往往在于未能有效实施变革管理，确保转型过程中的平稳过渡和持续进步。”施耐德电气中国区人才招聘总监 Sissi QIU“要实现AI技术的规模化应用，需要“技术创新”和“生态创新”两大核心驱动。施耐德电气中国区一方面会深耕内部，注重人才培养和技术创新；另一方面也将积极拓展外部合作，加强与本土合作伙伴的共研共创，不断拓宽AI技术的应用边界，共同打造一个开放、共赢的AI生态环境。施耐德电气副总裁，数字化创新业务中国区负责人、施耐德电气（中国）软件研发中心负责人 张磊4.4
78、.2 工具引进高效的开发工具是一项“授人以渔”的重要举措。在传统的AI软件开发过程中，复杂的数学和编程知识对非专业员工来说门槛过高，导致他们难以参与。开发环境和工具操作繁琐，需要长时间的培训和实践，严重依赖少数专家。通过引进高效的开发工具，企业可以简化AI开发流程，降低技术门槛，使更多非AI专业的员工也能参与到AI项目中来。这些工具通常具备用户友好的界面和自动化功能，帮助员工快速上手并高效完成复杂的AI任务。可视化编程和自动模型生成使得开发过程更加直观和便捷，进一步激发员工的参与热情和创造力。“施耐德电气秉持 AI for All 的理念，内部引入了自行开发的EcoStruxureTMAI引擎
79、。解决了 内外部在AI应用推广时面临的诸多挑战，如：海量数据如何产生价值，缺乏丰富的开箱即用模型，AI落地环节多、难变现，AI人才稀缺等。EcoStruxureTMAI引擎能提供融合专业知识（OT），作为数智化转型的催化剂，是一站式覆盖和面向所有人的企业级一站式AI模型生产与运维平台。”展望：成为AI驱动型企业 四大步骤，以场景为中心实施AI转型37(图16)来源：施耐德电气商业价值研究院在当前AI发展和应用的热潮中，许多领导者和决策者仍然对于AI能为企业做些什么，以及 如何打造AI驱动型组织存有疑问。回答这些问题，需要实践，更需要想象力。因此，施耐德电气商业价值研究院立足当下、放眼未来，提出
80、工业与能源领域的AI成熟度框架，该框架从组织人才、数据知识、技术能力、场景应用、价值影响五个维度来进行评 估，并 按 A I 应 用 成 熟 度 从低到高将企业总结为四类：AI初探企业、AI发展企业、AI领先企业和AI驱动型企业，供众多企业评估自身现状、制定符合自身情况的AI发展路线。我国高度重视AI产业的发展，国务院明确提出，到2030年，中国的AI理论、技术与应用要达到世界领先水平，成为全球主要的AI创新中心7。这一目标与我国经济从高速发展转向高质发展的新局面紧密相连。作为经济高质量发展的重要引擎，工业与能源领域企业肩负着重塑经济发展动力的历史使命。在这双重背景下，只有紧跟技术的发展潮流，
81、不断提升自身的技术能力和应用水平的企业，才能在日益激烈的市场竞争中脱颖而出。我们建议企业管理者应该从现在开始行动起来，评估自身发展现状，并向着AI驱动型企业的目标迈进。施耐德电气将继续站在技术前沿，致力于提供全球领先的AI解决方案和服务，帮助客户在智能化绿色转型的道路上不断前行。我们将秉持创新驱动的理念，与客户共同探索和开发适应未来 需求的AI应用场景。通过践行“AI for GREEN”的价值主张，携手客户和生态伙伴，实现可持续增长（Growth），增强供应链和运营的可靠性和韧性（Reliability），提升整体效率（Efficiency），减少环境影响（Environment），并开辟新
82、的市场和商业机会（New Horizon）。我们坚信，通过“AI for GREEN”的践行，企业将获得前所未有的竞争优势，在未来的市场中稳步前行，引领行业的智能化革命！注7:国务院新一代人工智能发展规划撰写人：特别指导：施耐德电气(中国)有限公司IBM姚雪琴占亚刘鹤楠 刘仁慧 周慧 陈姝龚逸琦张恬张毅冒飞飞黄震豪毛春景熊宜(施耐德电气高级副总裁，战略与业务发展中国区负责人，商业价值研究院院长)古月(施耐德电气副总裁，中国及东亚区市场部负责人，商业价值研究院联席院长)林岚(IBM咨询合伙人，大中华区大数据与人工智能事业部总经理)我们忠心感谢参与此次报告调研的企业高管们的洞察分享，Rolling
83、 AI的大力支持，以及施耐德电气同事们的付出和努力！专家组：40 展望：成为AI驱动型企业39施耐德电气（中国）有限公司 Schneider Electric(China)Co.,Ltd.北京市朝阳区望京东路6号 施耐德电气大厦邮编：100102电话：(010)8434 6699 传真：(010)8450 11302024施耐德电气保留所有权。文中出现的施耐德电气产品商标为施耐德电气及其子公司和附属公司财产。文中出现的其他企业或品牌商标为其所有者财产。未经施耐德电气书面授权，不得以任何方式复制、抄袭、影印、翻译本文档的任何内容。凡转载或引用本文任何观点、数据等信息，请注明“来源：施耐德电气”。Schneider Electric Building,No.6,East WangJing Rd.,Chaoyang District Beijing 100102 P.R.C.Tel:(010)8434 6699 Fax:(010)8450 11302024年10月扫码查看更多相关信息
