营。精益制造过 程中有许多手动步骤。进展往往很缓慢。 智能制造是一种主动性制造。精益制造注重过去的数据，而智能制造则不 同，它使用先进的软件解决方案和分析方法将实时生产数据转化为可操作的 洞察，以提高当前和未来的绩效。 智能制造极大地增强了数据的力量 通过系统之间的端到端连接，可以直接从半导体制造执行系统 (MES) 收集实时数据， 为半导体专用仪表板（包括独特的半导体特定制造流程清单 后端 数据仓库 数字孪生仿真 闭环智能制造 感知 连接 预测 在不影响任何精益制造流程的情况下，智能制造还能使企 业实现以下几点： • 实现整个工艺节点和制造线的虚拟呈现，以便深入 洞察生产情况 • 通过实时报告和分析收集当前的制造数据，以便作 出数据驱动型决策 • 实现更快的 NPI 并缩短上市时间 • 消除返工，提高良率，实现零缺陷 • 通过数字方式连接生产流程和系统，以便清楚地了 across disciplines 从精益制造发展到智能制造需要哪些步骤？ I. 虚拟呈现制造流程。 首先，需要模拟实际制造流程，包括工艺节点和制造 线，对其进行虚拟再现，以获得对规划和生产必要的 洞察，从而消除缺陷和产品返工，提高 NPI 良率。 II. 实时报告和分析。 其次，需要利用来自 MES 的实时生产数据实现闭环， 以便更新仿真模型，将数据智能提升到一个新的高 度，从而提高生产绩效，实现无返工、可追溯、安全

存储、 虚拟化技术。 大数据（ Big Data ）是一个 IT 行业术语，是指无法在一定时间范围内用常规软件工具捕捉、管理和处理的数据集合，是需要新处理 模式才能具有更强的决策力、洞察力和流程优化能力的海量、高增长率和多样化的信息资产。 数字技术和基础设施（大数据） 多样的数据类型 价值密度低 海量的数据规模 快速的数据流转 大数据的四大特征 容量更大 超大网络容量，连接数密度大幅度提高，具 数字化转型是大势所趋，但中国企业的数字化转型参差不齐，差距非常大。 2019 年国家工信安全中心联合阿里研究院，对中国的 157 家领军企业数字化转型现状进行调查和分析形成《中国企业数智化转型趋势洞察报告》 ，从中可以看出企业数字化转型的一些趋势， 以及学习实现数字化转型的企业的一些经验。 84.7 70.2 47.8 数字化转型各关键领域对比： 转型领跑者在数字化转型各关键领域全 业基于数据精准洞察消 费者需求并快速验证产品性能与功能，从而提升研发创新能力。 基础设施“上云”助力数字化研发能力建设 未上云 <20% 20%~50% 50%~80% >80% 企业基础设施上云比例 数字化转型的现状和趋势 6.3% 25% 产品性能与功能的 数字化验证 企业上云与数字化研发能力提升 消费者洞察数字化 40

图谱的核心创新在于其独特的视觉呈现和逻辑架构。通信与感知作为双基座，承载着 整个产业的数据流动；智能与价值形成的无限符号"∞"，象征着技术创新与商业价值 的永续循环。这种设计既是对产业本质的深刻洞察，也是对未来发展的精准把握。当 端侧智能让每个设备都成为智慧节点，当场景协同让孤立系统形成有机整体，当价值 结算让数据流转变为价值流，AIoT 2.0 的新时代已经到来。 特别值得关注的是，图 产业更加辉煌的明天。 智次方研究院 2025 年 10 月 · 目录 中国 AIoT 产业年度洞察................................................................................................. 1 洞察 1：端侧 AI 优先：AI 从云中心向"端+边"重心迁移，轻量模型+硬件加速成为普 适能力；RedCap/5G-A ......................... 1 洞察 2：多模态智能原生：感知数据即资产，视觉+雷达+声学的融合将成为默认配置； 生成式 AI 在感知增强与自动标注中大幅降本........................................................................ 3 洞察 3：确定性网络与垂类 AI 模型：面向工业/车路云的"确定性时延+端到端可靠"，

浙江省 “尖兵领雁 +X” 计划 (批准号: 2025C01022) 资助项目 摘要 流程工业智能工厂在精益化运行方面已取得显著成效, 但在数据透明化程度、核心工业软件之 间信息互通以及分析结果深度洞察等方面仍面临瓶颈. 为了解决这些挑战并建设从自主运行到自主优 化的新型流程工业智能工厂, 本文探讨了将流程工业智能工厂的核心工业软件与新一代人工智能的大 模型技术结合的新路径. 基于此, 本文提出了 流程工业智能工厂建设解决了传统制造模式下存在的信息孤岛问题, 然而当前阶段, 核心工业软件之间、核心工业软件的模块之间并没有建立完善的信息互通和利用策略, 导致核心工业软件之间仍然存在事实上的信息孤岛问题. (3) 分析结果缺乏深度洞察. 深层次企业营运分析需要结合全面的业务数据, 同时还需要丰富的 专业知识, 这既要求企业人员熟练掌握精益化运行涉及的核心工业软件的原理, 还需要深刻理解生产 工艺, 当前阶段流程工业智能工厂核心工业软件尚不具备这种能力 的应用范例具体验证了此项能力: 通过自然语言即可查询回路级别的自控率与平稳率指标, 并自动生成趋势图表, 实现从查询到分析的 端到端自动化支持. (2) 多模态数据处理与公共能力层支持下的数据融合与洞察深化. 新型体系的另一核心创新在于 公共能力层对多模态数据 (时序、图像、文本) 的整合处理能力. 传统流程工业系统多存在数据孤岛与 异构系统整合困难的问题, 限制了跨系统的数据流通与价值发掘. 本文体系通过构建统一的数据处理

Marketing Officer ）， 而以新的岗位“首席增长官”（ Chief Growth Officer ， CGO ）来替代， 首席增长官向 CEO 直接汇报。 首席增长官这个岗位把客户洞察、战略以及市场领导等多项职能合而为 一。 首席增长官这一职位的出现，具有里程碑式的意义，这是因为率先做出 这一改变的主角可口可乐，是一家以品牌营销见长，乃至将营销作为核 心经营能力的公司。 这些公司的增长模式，有 80% 都是建立在 对 客户行为独特与深入的洞察上， 因此可 以重 复应用到不同产品、市场与环境中去。 这是 一种“以客户为中心的扩张” 可重复的扩张模式是这些公司增长的重要因 素，这种可重复的扩张模式使它们产生了高 利润区，进而又使扩张的成功概率显著提升。 未来的企业需要增长地图 战略规划解决的更多是企业家要“做什么”的问题，而市场增长战略解决的是“如何做”的问题。 当企业的战略规划制定出来后，如何去实现增长的目标，这叫作市场增长战略。在战略的宏观叙事让渡于微观洞察后， 基于市场的增长战略变成了企业增长的第一要务。 增长新理论的整体框架，有两大核心： 增长 公 式 增长 五 线 2 1 + 内部 微观要素 对于企业家而言，增长公式试图回答：增长到底有哪些重要的战略环节

要在重组方案敲定前就开始实 施 2 1 4 尽量把组织结构重组工作以 最快的速度完成 3 指的是前台指离客户最近 , 最理解和洞察客户需求和 行 为 , 最终实现和提升客户价值的职能 , 其核心能力是 对 市场和客户行为深刻洞察 , 服务客户的产品创新和 精细 化运营。 “ 中台” 指为前台业务运营和创新提供专业能力的共享平台职 能 , 是一个共享数据库、

价值上 服务 上 • 促进上下游数字化生态健康发展 数字化可信服务 • 洞察客户数字化需求准确率提升 • 400 余指标指导服务商挺全栈数字 化 可信服务 企业 IT 数字化发展的标尺和指 南 信息技 术公司 浙江 公司 •

（MES）来实时监控与调度生产，并引入数字孪生等技 术对产线进行仿真优化，不断提升产能和产品良 率 ［10］。 数智融合孪生技术作为第 4次工业革命的创新产 物，通过数字技术与智能技术的融合，赋予了工业系 统前所未有的洞察力和灵活性，能够有效推动生产效 率提升、实现降本增效，已成为产业转型与升级的重 要驱动力，为产业数字化转型提供了核心支撑。 3 数智融合孪生技术在制造场景中的深度应用 随着新一轮科技革命和产业变革的深入推进，数

企业创新价值空间 方向 六个关键认知 认知一：一切正在转化为数据 效率改变 模式创新 成为 影响 数据特定价 值 从供应转向协同共生 从产品转向数据 从顾客转向用户 洞察 包容 商业活动变化 融合更多需求 连接与共享不断 改变： n 人类生活方式 n 组织运营模式 数字化时代 n 动态是根本特征 n 迭代与优化是基 本形态 n 集合智慧是解决

含了人类的知识和智慧，还融合了机器的学习和推理能力，形成了一种全新的、更 加高效和准确的知识获取方式。AI时代的“知”还包含通过先进的信息技术和智能 化手段，对海量数据进行挖掘、分析、整合和提炼，从而获得的深刻洞察和精准预 16 测。这种“知”不仅能够帮助我们更好地理解世界，还能够指导我们的决策和行 动，推动社会、经济和文化的进步。 （2）AI时代的“识” 与“知”相对应，“识”在AI时代也有了新的内涵。传统的“识”主要强调个体的 。数字素养不 仅仅局限于简单的技术操作，更包括对数字信息的筛选、评估与高效利用。 在信息的海洋中准确、快速地筛选出有价值的信息，成为现代人才的必备技能。这 不仅需要熟练的搜索技巧，更需要敏锐的信息洞察力和判断力。评估信息的真实 性、可靠性和时效性，也是数字素养的重要组成部分。在虚假信息泛滥的网络环境 中，能够准确辨别信息的真伪，对于个人和社会都至关重要。 利用数字信息，将其转化为实际应用中的智慧，是数字素养的又一重要体现。这要 编程时常常面临“陡峭”的学习曲 线，需要通过大量的实践和错误修正来掌握编程技能。 ❍ 调试和优化代码也是编程学习过程中一个重要而困难的环节，有效地发现并修 复代码中的错误需要丰富的经验和足够的技术洞察力。 ❍ 技术的快速迭代要求开发者持续学习新的编程语言和工具，以适应不断变化的 技术需求。 223 综上所述，一个熟练掌握编程技术的高才生更容易得到互联网公司的青睐。 但是大模型出现之后，很