典型客户及案例介绍 95%+ 每日到店时间波动 5 分钟内门店占比 大型冷链物流同城餐饮配送 考虑北京市区复杂交通限行状况，车辆限 制，严格装卸货时间窗约束，多种车型限 制，不同门店货物变动卸货时间因素等， 每日规划多波次最优配送路线 整车物流企业每日实时调度系统 在考虑每辆车最低有效行驶里程，装卸货时间， 保障性质业务等限制下，优化单公里成本，订单 覆盖率，空驶率，输出区域内地区短途整车每日 30 分钟 每日调度时间由 4 小时下降 至 顶级家具公司同城配送 考虑一线城市道路限行，客户收货时间窗严格且 节假日分布不同，家具安装服务复杂多变时间预 估难度大，不同车组服务能力差异较大等因素， 为其定制化每日配送计划，实现多维度复杂均衡、 动态多维度配送业务分区 25% 用车成本平均下降 6% 行驶公里数平均下降 30% 时间窗满足率提高 15 分钟 每日调度时间由 3 小时下降 至 综合考虑内外部因素影响，确定距 离、时效等十余个影响因素，构建 价格体系 • 对比线路现价、体系基准价、同行 价，以及时效对比等，输出有明显 价格偏差路线，并给予修正 • 给出差异化定价的可行性及带来的 效率、效益预判 • 分析不同区域、不同行业、不同体 量大客户的历史折扣与货量信息， 构建大客户折扣模型，支持一线开 发客户，防止折扣漏损 • 交付根据不同区域、行业、货物类 型等因素实现自动定价的方案以及

企业的经营发展过程面临着众多困难，智能工厂的建设迫在眉睫  市场多变，需要灵活、高效、智能 的生产管理方式  生产要求及生产实际状况未能及时 反馈和传递  能源监管粗放、无法精准识 别节能因素  缺少降本增效的数据支撑  人员安 全 重视程度不 断提高  需要满足绿色低碳的 要求  传统设备管理模式效率低下  设备管理成本居高不下 智能制造是指将物联网、 大数据、 实现质量事件的过程追溯，为质量优化提升提供支撑 数据中心 九大核心价值之四 能耗指标 设备指标 数据支撑 质量结果 原因分析 控制测定 质量分析 质量抽查 质量事件 质量事件 原因分析 设备原因 材料原因 人员因素 工艺情况 质量事件参数情况 质量事件工况 发生的时间 能耗优化 工艺优化 设备运行优化 管理改进 原因追溯 优化提升 故障与数据关联 性分析 故障概率分析 结果 设备数据分析 量 源 源 量 消 平 计 成 器 费 衡 划 本 具 结 分 预 分 管 构 析 测 析 理 运行工况 标杆值 影响因素 解决措施 异常特征 历史案例 数据中心 + 优化知识 库 异 企 优 指 行 常 业 化 标 业 查 能 执 专 对 询 效

；而 L5 则代表系 统在任何可行驶条件下持续地执行全部动态驾驶任务和执行动态驾驶任务接管。 随着人工智能技术的迅猛发展，其在汽车行业的应用已经从最初的辅助功能逐渐演变为提升汽车产品力 的关键因素。通过智能化的技术手段，AI 技术不仅能够显著增强车辆驾驶的便捷性、舒适性和效率，还能够 在优化交通管理并减少交通拥堵方面发挥重要作用。特别是在智能驾驶领域，AI 的应用不仅改变了传统的驾 驶方式，还极大地提升了汽车的整体产品力。 的试运行，但要实现大 规模商业化应用仍需要较长时间。 智能驾驶技术的应用前景广阔。一方面，智能驾驶可以显著提升交通效率，减少拥堵现象，例如，智能 驾驶车辆能够实现更精准的路径规划，减少了因人为因素导致的延误，比如频繁变道、急刹车等行为。另一方 面，随着未来技术成熟度和安全性不断提升，它有望大幅降低交通事故率，提高道路安全水平。此外，对于老 年人和残障人士而言，智能驾驶技术将为他们提供更加便捷的出行选择，增强社会包容性。 有条件自动驾驶 系统 系统 动态驾驶任务后援用户 （执行接管后成为驾驶员） 有限制 4 级 高度自动驾驶 系统 系统 系统 有限制 5 级 完全自动驾驶 系统 系统 系统 无限制 * * 排除商业和法规因素等限制 12 汽车行业 AI 应用白皮书 总体篇 场景篇 趋势篇 在智能驾驶技术中，人工智能和大模型的应用不仅限于单一环节，而是贯穿于整个“感知 - 决策 - 执行

的批量较小，这给企业的生产数据采集带来 挑战。 (2)离散制造企业多品种、多型号的机床并存，导致难以预先设定较为准确设备产能。 许多企业员工的能力参差不齐，缺乏—批稳定的技工。生产计划在各种因素的影响下，插单 现象频繁(如大型发动机制造)，突发事件多，这加剧了生产数据采集的复杂性。 (3)相对流程制造企业，离散型制造企业设备功能冗余度大，往往拥有大量的机床和数 控设备。这些机床和数 要组成部分。 因此，离散制造企业的生产数据采集实施不同于一般的信息化软件系统的实施，它是一 件工程实践性很强的工作。它不仅与 MES 应用模块需要的数据类型相关，还与车间设备配 置、产品类型、实施成本等因素相关。此外，在实施过程中，还需要涉及设备选型、布线、 安装调试、整合 PLC 控制设备、连接电子看板等诸多细节。 3、制造企业 MES 中数据采集内容 MES 的数据采集功能是通过数据采集 稳定，产品种类多按照配方生产，由于原材料占用较大资金所以对库存管理要求高。 尽管行业细分存在差异，但是作为居民消费品的主要类别，食品饮料行业生产管理通常 存在以下特点： 1.市场瞬息万变。消费者容易受到一些客观因素影响而改变消费，对于品牌的忠诚度往 往不高。只有充分把握市场变化做出正确的预测和决策才能适应市场。 35 2.产品周转周期短。由于食品饮料均属于易耗品，流转速度快，消费者购买频率高。因

针对问卷调查的结果，我们运用描述性统计方法，分别对用户和非用户的基 本信息进行分析。借助 Logit 二元选择模型，分析得到性别、年龄、学历、兴趣 爱好、性格、运动频率是购买智能手环的显著影响因素。基于回归结果，利用 K-means 聚类的方法，定量分析潜在用户性别、年龄、学历、爱好、年收入、购 买意愿，将潜在用户分为 5 类，以定性为基础结合定量方法分析了潜在客户价值。 通过文本挖掘 数据分析&建模 电 商 平 台 评 论 文 本 的 数 据 挖 掘 描 述 统 计 二 元 选 择 模 型 聚 类 分 析 法 1．现有用户好评度、关注点、抱怨点 2.消费者购买产品的显著 影响因素 3.潜在用户价值分类 实地调查 - 6 - 图 2-2 文本挖掘流程图 （二）研究意义 1.基于大数据分析智能手环用户使用情况 通过电商平台网络购物已成为人们生活中一种普遍的消费方式，有一定比例 通过分层抽样与三阶段抽样相结合的概率抽样调查方式，了解智能手环使用 率、认知率现状，对产品的满意度等产品使用情况。 3.潜在客户分级，挖掘最有价值的潜在客户 运用 logit 二元选择模型分析影响消费者购买智能手环的显著影响因素，基 于回归结果，利用 K-means 聚类分析法对潜在客户群体分级，发掘潜在客户特 征。通过这些工作，可以为智能手环厂商设计有针对性的宣传和营销策略，帮助 电商平台 数据采集 数据探索与预处理

对制造商而言，世界已变。随时应对不确定性已是行业常态。企业高管预测，未来5年[1]，地缘 政治、气候变化、技术突破、供应链安全等因素带来的负面影响将增加15%~25%。 随着第四次工业革命（4IR）的步伐不断加快，企业的绩效实现了飞跃，与此同时，劳动力包容 性和可持续性也在不断提升。经过5年的发展，全球灯塔网络[2]已为全球制造商累积了丰富的范 例。每年，新加入的灯塔工厂均会对未来3~5年的价值链运营进行深度展望，为行业的持续发展 行中的AI试点项目，部分新成员甚至已在短短几 天或几周内（而非几个月或几年）实施、测试和迭代了AI用例，并获得了正面反馈。他们的成功 离不开改革的关键助推因素：坚实的数据和技术基础设施，强大的人才基础，以及敏捷的运营模 式。 除上述推动因素外，他们还建立了清晰的业务战略和有效的变革管理。尤为值得一提的是，灯塔 企业的技术投资并非“面子工程”，而是“快、狠、准”地确保每个用例都能带来明确的业务价值。所

求，最低空口时延要求达到了 1ms 。在网络架构设计中，时延与网络拓扑 结构、网络负荷、业务模型、传输资源等因素密切相关。 3 端到端延时 单位时间内用户获得 MAC 层 用户面数据传送量。 实际网络应用中，用户感知速率受到众多因素的影响，包括网络覆盖环境、 网络负荷、用户规模和分布范围、用户位置、业务应用等因素，一般采用 期望平均值和统计方法进行评估分析。 4 移动性 用户可以获得的最大业务速 率 衡量移动网络在一定区域范 围内数据传输能力 在 5G 时代需要支持一定局部区域的超高数据传输，网络架构应该支持每 平方公里能提供数十 Tbps 的流量。在实际网络中，流量密度与多个因素 相关，包括网络拓扑结构、用户分布、业务模型等因素。 7 能源效率 每消耗单位能量可以传送的 数据量 在移动通信系统中，能源消耗主要指基站和移动终端的发送功率，以及整 个移动通信系统设备所消耗的功率。在 5G 移动通信系统架构设计中，为 平台 智能产品 智能工厂 定制化的产品与智能服务体系 无忧的产品体验 网络协 同 全局动态优化：低成本、快反应、高定制、新增值 三个诉求：个性化定制；管理设备（产品）的生命周期避免生产中的不可见因素；产品使用中产生的新价值。在线化、数据化、平台化，企 业是体验经济的平台，用数字化的方式让消费者体验到全新的解决方案（个性化、可视化可追踪、好用又好玩最好还保健的融合、用户贡献 才能式众筹）。

动”跃迁。这一转变意味着汽车行业将更加依赖数据和算法，通过对海量 数据 的分析和学习，实现汽车的智能化决策和控制。 汽车行业智能化价值 提升企业竞争力 在全球汽车市场竞争日益激烈的背景下，智能化成为车企提升竞争力的 关键因素。 AI 技术的应用使车企能够快速响应市场变化，推出更具创新性 和 竞争力的产品。当前，新能源汽车凭借先进的自动驾驶技术和智能座舱体 验， 吸引了大量消费者，极大地提升了品牌的知名度和市场份额。 基于人类专家打分。适用于对于那些不存在客观答案的结果集的场景， 比如测试用例生成，代码变更总结等。 大模型选型 大模型选型是决定企业成功落地的关键因素之一。影响大模型选型的关 键因素多种多样，企业可以从以下几个方面进行考虑： 1. 隐私安全。数据隐私是企业在选择大模型时的重要考虑因素之一。根 据数据的敏感程度，企业需判断是否可以使用在线大模型服务。如果数据较为 敏感，企业可能需要选择能够私有化部署的商业模型或开源模型， ScalingLaw 原则，模型的参数大小直接影响其推 理 能力。换句话说， 参数越多，模型的推理能力越强。另外， 模型的上下文大小， 也就是模型能够一次性处理的数据量，也是影响其性能的一个重要因素。 目前大模型的发展迅速，模型能力也远未达到上限，无论是商业模型还 是开源模型，切换的成本都较低，企业在引入大模型时更多的应该关注与各种 模型的适配能力。 汽车行业智能化转型的实施路径

与流程数智化。数字孪生技术为汽 车AIGC的实现提供了数据基础，流程数智化是促进数据在AIGC中发挥作用的工具载体，也是汽车开发 AI Agent实现的基础。高质量的数据是提升AIGC能力的关键因素。 3 AIGC与人类不是相互替代的关系，未来的趋势是人机共智，两者的互补性体现在机器提供强大的数据 分析和生成能力，而人类则提供情感认知、判断力和创造力，二者相辅相成，共同确保安全和性能。 一是对于设计大模型生成的内容制定规范，以标准化的模版生成规范的内容，同时也要确保生 成内容符合应遵循的法律法规； • 二是对于数据的来源需要确保隐私保护与数据安全。数据来源始终是设计大模型需要考虑的一 个重要影响因素，必须确保来源的正当性。 现在的语言大模型多为被动提问接收，且企业的私域知识不便用于训练公共大模型，需求的接收不完 整导致生成结果的随机性。设计大模型提出建立本地化的企业大模型，以规范性的企业私域知识进行 材料和工艺参数的微小变化都可能导致性能的显著差异，传统的“试错”实验方法需要耗费大量的时间 和成本来逐一测试和筛选配方,不利于适应快速迭代的市场需求。 人工智能可以帮助研究人员发现不同因素之间的相互作用规律并阐明材料设计、单体设计和系统设计 机制，并自动识别影响电池性能的关键因素，从而迅速筛选出最佳的电池材料设计方案。不但使电池 研发效率提升1~2个数量级，且节省70%~80%研发费用。结合自动化实验平台和设备，同时测试大

件 系 统 集 成 各种软件系统需要进行集成和调 试， 确保各个系统能够正常工作并实现数 据共享。 上 线 和 运 营 完成升级后需要进行上线和运营，期 间需要进行监测和调整。 基于以上因素，需要综合考虑，制定出合理的升级时间表，确保升级工作的顺利进行。 设 备 调 试 和 测 试 升级后的设备需要进行调试和测试， 确保其能够正常运行，并与其他设备 和系统实现协同工作。 步骤详解 件 选 型 根据需求分析结果选择适合的硬件设备，如 感知设备、控制设备、执行设备等，以及计 算机设备、存储设备等。在选择硬件设备时 需要考虑设备的性能、功耗、可靠性、扩展 性、兼容性等方面的因素。 将所选的硬件设备和软件系统进行集成测 试， 以确保系统的稳定性、安全性和性能。在测 试过程中需要模拟真实生产环境和生产流程， 模拟各种异常情况，并对系统进行充分的测 试和优化。 集 成 技术支持，以确保系统的持续稳定运行。 根据需求分析结果选择适合的软件系统，如 MES 、 ERP 、 PLM 等，以及数据分析、智能 决策等软件。在选择软件系统时需要考 虑软件系 统的功能、可扩展性、稳定性、安全性等因素。 实施计划 PART.04 团队建设 1 实施计划 2 团队建设 物 联 网 技 术 和 大 数 据 技 术 需要有专业的物联网技术和 大数据技术人员，负责设计 和实现数据采集和处理系统。