年寻 求的头号技能 GenAI 在投资回报方面排名第二， 仅次于云/SaaS GenAI 是未来 12 个月内技术投 资的头号新领域 网络安全预计是在未来三年内受到人工智 能影响最大的第二大问题，仅次于质量 网络安全首次跻身前 5 大外部风险，总 体排名第三 人工智能 劳动力 网络安全 第九版年度智能制造现状报告 在决策过程中提供意见 12% 概述 “智能制造是指对工厂内部和整个价值链中的业务、 什么是 智能制造？ 国际制造执行系统协会 全球 1,500 多家制造商为今年的《智能制造现状报告》做出了贡献。 该调查显示情况乐观，因为面对不断变化的经济形势、劳动力短 缺、技能缺口和网络安全问题，先进的工业运营技术带来的成 果提供了希望。 第九版年度制造现状报告是迄今为止最大的报告。来自 17 个顶级制造国家的 1，567 名决策者参与其中，其中近三分之二 (64%) 为收入超过 10 第九版年度智能制造现状报告 :: 07 第九版年度智能制造现状报告 行业障碍和前景 :: 08 :: 智能制造的现状 :: 1 2 3 4 5 问题： 您认为贵组织在 2024 日历年实现增长的最大外部障碍是什么？ 选择所有适用项。基数：1567 问题： 您认为贵组织在 2023 日历年实现增长的最大外部障碍是什么？ 选择前 5。基数：1353 外 部 障 碍 原材料/微芯片短缺/价格

月 3 专家荐语 专家荐语 《工业园区污水处理管理研究报告》系统综述与分析了我国当前污水处理现状以及工业园区污水处理厂管理现状和存在问题等， 从责权边界、排放标准体系、污水处理系统建设机制等方面提出了针对性的建议。总体上，报告思路清晰，资料详实，问题分 析针对性强，提出的建议符合我国当前相关方面的政策需求。建议在之后的分析研究中，可考虑不同工业园区类型差异，提供 分类指导、分类管理等差异化的管理策略。 理对策开展相关的研究，通过结合工业园区实际案例，全面梳理了污水集中处理设施的管理现状，系统剖析了工业污水管理的 现行政策，总结、凝练、识别了工业园区污水处理厂在运行管理方面存在的主要问题，并针对工业园区污水处理厂维护、运行、 监管等出现的关键问题提出了相应的管理对策及措施建议。 该报告可为地方政府及园区管委会加强污水集中处理设施的监管提供管理支持，对于贯彻落实国家《水污染防治行动计划》要 求，促进地方在水污 作为治污主体的污水处理厂存在严重的超标排放问题。围绕工业园区污水处 理厂管理现状和存在问题，如管理分散、协调机制不健全，缺乏合理的污水排放标准，污水处理配套设施建设滞后等问题进行 了深入的剖析。并从明确责任边界、完善工业园区污水排放体系、加强园区基础设施建设等方面提出针对性的建议。该研究具 有一定的实际应用价值，可为解决工业园区污水处理厂严重超标问题和管理政策制定提供参考。 建议将园区企业

案，以促进工业大模型技 术的有效落地与广泛应用。 本书在实践积累与行业洞察基础上，试图对一系列关键问题做出解答：工 业大模型与通用大模型有何不同？工业大模型的技术体系与关键技术何在？工 业大模型赋能的重点领域和主要场景包括哪些？我国和全球工业大模型的产业 生态如何？ 针对上述问题，本书从多维度展开探讨： 聚焦创新：深度剖析工业大模型关键技术与产业机遇。 以案为鉴：解析高端装备、智能制造等领域的应用需求。 2.4 工业大模型技术与应用当前问题.................................................. 44 2.4.1 数据采集与质量问题...................................................................... 44 2.4.2 模型幻觉问题................... 可解释性问题.................................................................................. 45 2.4.4 模型应用成本与效益平衡.............................................................. 45 2.4.5 数据安全与隐私保护问题...

能，这形成了人工智能应用上“一场景一训练一模型”的局限，尚未形成大规模的应用。 然而，大模型的崛起有望带来“基础模型+各类应用”的新范式。大模型凭借其卓越的理 解能力、生成能力和泛化能力，能够深度洞察工业领域的复杂问题，不仅可以理解并 处理海量的数据，还能从中挖掘出隐藏在数据背后的规律和趋势。此外，区别于传统 的人工智能模型只能根据已有数据进行预测和推断，大模型则能够生成新的知识和见 解。最后，大模型的泛化能力能够在更广泛的工业场景发挥作用。 要适配不同的工业场景，其核 心就是要解决以下三个问题。 不懂行业：大模型在处理特定行业任务时，往往表现出对行业知识、术语、规则 等的不理解，导致生成的解决方案与实际需求存在偏差，这主要是由于大模型在训练 过程中缺乏特定行业的数据和知识，难以覆盖各个行业的专业细节。这种行业知识的 匮乏使得大模型在应对工艺流程优化、设备故障预测等专业问题时有所缺陷，难以提 供精确、可靠的解决方案，无法满足工业现场的个性化要求。 的运营环境和业务需求，而大模型往往缺乏对企业特定环境的深入理解。此外，企业 内部的数据孤岛和碎片化的信息系统也增加了大模型理解企业环境的难度。这种不熟 5 工业大模型应用报告 企业的问题使得大模型难以真正融入企业的运营流程，无法平滑地嵌入到现有的各类 系统中。 存在幻觉：在某些情况下，大模型会产生与实际情况不符的错误输出，即“幻觉” 现象。这主要是由于模型在训练过程中受到了噪声数据、偏差样本等因素的影响，或

盲目跟风－－理性思考 n 以我为中心－－用户为中心 以前我们做了什么？ 智能工厂顶层设计 3 条主线、 6 层方法 4 项能力、 4 步策略 对象 S-P-P-B 分析 六维度客户成熟度 问题 8 ⼤⼯程问题 ⺫标制度化－制度流程化－流程信息化－信息智能化 智能＝抓痛点＋想办法 怎么建设智能工厂？ 效益 咨询 精益管理的思想贯穿于经营管理的全部过程 创新 、质量 、绿⾊ 、服务 质量管控 预期 效益 调度排产 控制网络 问题 3 ：控制性能最优 感知网络 数据挖掘 模式识别 指标体系 抓痛点：定位 8 大核心工程问 题 问题 2 ：计划与控制的协同 问题 1 ：基于仿真的优化的平台 问题 8 ：面向企业决策的挖掘 问题 6 ：物理、社会信息的感 知 问题 7 ：异构信息的规范和提 取 问题 4 ：生产绩效指标体系 问题 5 ：生产过程的知识挖 掘 生产计划 自适应特征 ，包括故障情况下自 修复 优化协同能力 • 实现知识自动化 • 跨企业的协同 • 实现供应链端到端的集成和 高效的人机协同 科学决策能力 • 在管理过程中对问题能够 进 行复杂分析、 精确判断 和创 新决策 • 新一代生产营运中心 智能工厂 “ 三知”：看的清、看的懂、看的远 “ 三行”：做的对、做的快、做的优 “ 三新”：新技术、新思想、新模式

，企业需选择适合自身发 展需求和节奏的目标市场，准确地明晰人力全球化的阶段和定位，针对性地预防 和采取措施，以确保出海计划的顺利推进和实施。 核心观点四 文化差异是企业迈进全球市场必须直面的问题，宗教、民族、语言纷繁复 杂，法律和制度也差异较大。出海企业将国内的管理模式和企业文化直接搬到 海外市场，容易造成“水土不服”。在全球化的企业环境中，企业应始终遵循 “以人为本”的管理原则，关 及时响应和技术过硬的全球化人力资源生态伙伴对于企业的成功至关重要。它能够帮助企业做属地人才 盘点，明确人才画像、招聘方式、薪酬设定、与专业律所、财务、法务等成熟机构合作，解决招聘后期 合同谈判、签订等问题，规避用工风险，同时解决海外人选对于职业安全保障等方面问题的疑虑。 核心观点九 出海企业需在严格遵守当地法律法规的基础上，构建数字化顶层思维，可以以HR-BI人力资源商业 智能为基础，充分利用人工智能技术工具，构建新型人力资源管理系统。 中国制造业出海人才白皮书 (2025) 人才画像是企业招聘人才的重要前期工作。通过对岗位需求和潜在人才进行对接分析， 可以帮助企业建立初步招聘预期，避免因招聘思路混乱、招聘重点模糊导致招人难、留人 难、人岗不匹配等问题。对于制造业出海企业而言，对目的地国家人力资源市场了解较少、 自身海外团队组建缺乏先期经验，因此人才画像对海外人才团队的建设显得尤为重要。研 究团队从重点关注的新能源、汽车、电子电气和机械设备四个行业的招聘大数据分析了制

的制度体系 规范，亟待夯实相关制度流程，指导园区精准度量减碳成效，科学评估部门要素，推动低碳发展。 本报告梳理了现行碳数据管理制度体系（统计、核算、管理、评价体系）存在的一些共性问题和 特性问题，针对现行体系的不足有目的地开展园区碳数据管理制度设计，在清晰界定园区碳数据 管理边界和目标的基础上，开展二氧化碳（以下简称“CO ”）排放源活动水平数据的收集、核算、汇 总、报告、核证， 附件1：园区碳数据补充调查表 附件2：专有名词解释 研究背景与目标 园区碳数据管理体系框架 园区碳数据管理边界 02 现行碳数据管理制度体系 统计体系 核算体系 管理体系 评价体系 现行体系存在的问题 03 园区碳数据管理制度设计 园区碳数据管理机制 范围和目标确定 方法学、规范及程序 工作流程 数据收集 数据核算 质量保证及质量控制 报告和数据管理 01 05 支撑不足、基础设施亟待绿色升 级等方面的挑战。 企业碳减排意识不足，绿色低碳 技术研发及产品升级资金不足， 对园区管委会的能力建设、扶持 政策出台提出了较高的要求。 02 工业园区落实“双碳”战略面临的问题和不确定性逐渐凸显。 工业园区是工业生产活动、能源消耗与碳排放的高度集中区域，研究表明，其二氧化碳 排放量约占全国二氧化碳排放总量的31% ,约占全国工业二氧化碳排放总量的40%。

在发展历程上，智慧工厂的概念经历了几个重要阶段：  早期阶段：传统制造业以人工操作和经验管理为主，生产效率 低，响应市场需求能力弱。  自动化阶段：随着自动化技术的引入，生产线开始实现机械 化，但信息孤岛问题依然存在，各个环节之间缺乏有效的数据 共享。  智能化阶段：大数据、云计算、人工智能等新兴技术的广泛应 用，促使制造业向智能化转型，生产过程中的数据采集、处理 和分析变得更加全面和实时。 智能生产调度：利用大模型分析生产数据，优化生产排程和资 源配置，提高生产效率。  预测性维护：通过对历史设备故障数据的学习，模型能够提前 预测设备可能出现的问题，从而降低停机时间和维护成本。  质量检测：运用图像识别技术，对产品质量进行实时监控，及 时发现并解决质量问题，提升产品合格率。  个性化生产：结合用户需求，通过大模型优化产品设计和生产 流程，实现大规模定制的目标。  供应链管理：利用模型进行需求预测和库存优化，提升供应链 成本控制：实现实时数据监控与分析，MDC 能够精准识别耗 材、设备维护及人员调度的最佳实践，降低生产成本，提高资 源利用率。  质量保障：MDC 通过对生产数据的全面分析，能够实时监测 产品质量，并在出现问题时迅速响应，从而降低不合格率，提 升产品整体质量。  灵活响应市场需求：MDC 能够实现生产过程的快速调整，以 适应市场需求的快速变化，支持小批量、多品种的灵活生产， 抓住市场机遇。 

极引入这些做法的先行者已平均斩获了8.3亿美元 的新增年度营收，而欠缺韧性的企业无法分享这份 成功。 如何成为高韧性企业，如何提高关键能力成熟 度，从而在供应和制造全价值链上构建更强大的韧 性，已经成为制造企业面对的最现实的问题。 围绕韧性部署关键能力 高韧性企业应该具备什么样的能力？为了充分考察 企业如何应对并管控工程、供应、生产和运营等领域所 受的冲击，埃森哲面向全球11个行业的1200多位高管开 展了调研， 运用可视化解决方案，贯穿整条价值链更迅速地预测和识别风险、 管理冲击，并分析原因。 • 具备“what-if”（如果……将会怎样）的情境模拟能力、动态化 数据驱动型的计划 • 预测性地识别运营问题（质量缺陷、故障、维护需求、不合格） • 可支持端到端运营实时可视的数字驾驶舱 • 运用数字工具，快速了解供应短缺、生产或运输延迟对销售及 成本的影响 动态化、可持续的产品开发 采取生 化而来的运营孤岛风险――企业必须跨越不同的地 区和国界，适应截然有别的监管法规。在围绕去风险 对业务网络进行重大转型时，中国企业需要评估自身 以韧性为中心的能力，以及数字化成熟度水平，才能 更好地释放价值并避免引发更多问题。 举措2：投资开发关键技术，以增强可见 性、可预测性和业务连续性 企业需要切实管控运营并实现其可见性。凭借此 类能力，他们可以实时洞察供应商、工厂、车间、配送 中心、物流承运商和客户，并共享数据。但这还远没

这是供应链高管面临的一个重大挑战，他们 深知，需要投资新一代技术，提升运营的灵 活性和韧性，提前识别并解决如动态货物调 度、生产计划调整、瓶颈和潜在风险等问题， 以应对未来多变的环境。 生成式 AI 如何解决这些长期困扰供应链的 问题？为此，IBM IBV 与牛津经济学院携手 合作，对全球 2,000 多位的首席供应链官 (CSCO)、运营高管和自动化专家开展了一项 调研，其所在的组织正在积极推进 数据，快速提取重要洞察，为供应链团队提供重要的决策依据。此外，凭 借其自然语言处理能力，员工只需简单的提示即可获取所需信息，并了解 信息来源。 例如，AI 助手能够分析延误的主要供应商，并找出造成供应链中断的因素， 如天气、资金问题或运输瓶颈。接着，AI 预测模型可以预测出未来形式。 AI 助手据此提供针对性建议，帮助供应链团队做好准备，应对未来挑战。 60% 的高管表示，到 2025 年，AI 助手将接管大部分常规和事务性工作。 该系统利用 IBM 的 AI 技术，能够实现自然语 言查询和响应，加速决策流程，并提供切实 可行、多种多样的解决方案。用户可以使用 自然语言进行提问，了解关于零件短缺、订 单影响及需要权衡的问题。截至目前，IBM 已经节省了 3.88 亿美元的成本，包括降低库 存成本、优化运输成本、加速决策流程以及 节省时间（从天到小时到分钟甚至秒）。 案例研究 9 智能供应链：洞察变革，驱动增长