工业AI应用场景梳理

工业 AI 应用场景贯穿工业研发设计、生产制造、经营管理等全环节。

 1.研发设计环节：“AI+”可赋能创成式设计、仿真优化、电子设计优化等

1.1CAD：AI 赋能创成式设计，CAD 软件价值量有望同步提升

创成式设计（Generative Design），是一项利用 AI 技术根据一系列系统设计要求来自主创 建优化设计的 3D CAD 功能。工程师可通过交互方式指定他们的要求和目标，包括首选材 料和制造工艺，创成式引擎将自动生成可用于制造的设计作为初步设计或最终解决方案。这 样，工程师就可以与技术进行互动，更快地打造出优秀的设计和创新产品。创成式设计的优 点在于：（1）提升效率，用户可在短时间内探索更多设计方案，以帮助他们更快地创建更高 效和创新的设计；（2）增强性能，通过考虑材料、制造工艺、性能要求等广泛因素，创成式 设计可帮助用户创建针对特定目标进行优化的设计，比使用传统方法设计的方案更坚固、更 轻或更高效；（3）减少设计时间，通过自动化设计过程和快速探索更多设计替代方案，创成 式设计可大大减少设计产品或组件所需时间。

目前，创成式设计功能已在 Siemens Solid Edge、PTC Creo 及 Autodesk FUSION 360 等 主流 CAD 产品中使用。我们认为，未来随着以 GPT 为代表的多模态通用大模型进一步成 熟，加之垂直领域大量工业设计数据的进一步调优，CAD 软件的创成式设计能力有望进一 步增强，从而大幅提升工程师设计生产效率、降低设计成本，CAD 软件的单体价值量亦有 望得到同步提升。

PTC 将 AI 驱动的创成式设计融入 Creo 产品。Creo 是 PTC 推出的一款用于产品设计和开 发的 3D 计算机辅助设计（CAD）/计算机辅助制造（CAM）/计算机辅助工程（CAE）软件 和解决方案。Creo 在 AI 驱动的创成式设计领域推出了突破性的功能，新版创成式拓扑优化 扩展包（GTO）和基于云的创成式设计扩展包（GDX）可帮助设计师开发出质量更高、成本更低且在现实环境中表现更好的设计。GTO 可根据设计师的要求和约束，优化特定材料和 制造工艺设计；GDX 还支持同时开发材料和制造工艺设计。借助 Creo 创成式设计，设计师 可在更短的时间内交付更好的设计。

1.2CAE：AI 赋能仿真优化及工业数字孪生，工业数字孪生反哺 AI 模型训练

AI 可赋能 CAE 仿真优化及工业数字孪生。CAE（Computer Aided Engineering），是用计 算机辅助求解复杂工程和产品结构刚度、强度、动力响应、热传导等性能的一种近似数值分 析方法。随着技术进步，有限元分析（FEA）、有限体积法（FVM）、时域有限差分法（FDTD） 提高了求解器效率，动态可视化技术则进一步提升了用户友好性，但仿真领域仍存在需要权 衡结果准确性、出结果速度、工作流的易用性和稳健性等挑战。目前，以 Ansys 为代表的 CAE 龙头厂商已开始探索使用 AI 解决上述问题，如使用 AI 自动寻找仿真参数，可同时提 高速度和准确性；使用增强仿真，通过数据驱动或物理知识方法训练神经网络，可将仿真速 度提高 100 倍等。除此之外，AI 还可赋能 CAE 软件实现设计空间优化，结合基于数据分 析和基于仿真的数字孪生，准确快速地创建数字孪生混合体。

工业数字孪生可通过仿真运行生成数据，助力 AI 模型训练。工业场景具有数据样本量相对 较小的特点，是深度学习落地工业领域的最大制约。工业数字孪生可通过仿真运行方式生成 数据，助力 AI 模型训练。目前，微软 Project Bonsai 正使用 Ansys Twin Builder 软件创建 设备或流程的数字孪生，以助力其模型训练。Project Bonsai 是微软推出的一款低代码 AI 平 台，其以图形化的方式连接那些通过编程可执行 AI 功能的软件模块，使得工程师们在不使 用数据科学的情况下就可实现 AI 驱动的自动化。Project Bonsai 采用机器教学训练模型， 但模型一经良好训练，就需要大量数据进行优化，这就需要通过反复运行物理过程来生成大 量数据，然后将这些数据输入模型，微调在整机上的操作或实现自动化的过程。但从物理过 程中生成如此多的数据，既耗时成本又高，且某种极端情况（如果这种情况每万亿次只发生 一次）在训练过程中没有发生的话，则模型也不会预见到这种情况，如果以后实际发生了， 模型就不知道该如何应对。通过与 Ansys Twin Builder 合作，微软 Project Bonsai 就可同时 运行数百个机器或应用的虚拟模型，并将这些数字孪生生成的数据直接输入模型对其进行优 化，从而不断克服各种局限性。我们认为，长期来看伴随着以 GPT 为代表的通用大模型进 一步成熟，工业大模型的搭建也有望成为趋势，与使用物理机器生成数据相比，数字孪生可 更快速、以更低成本生成训练 AI 模型所需的大量数据，伴随工业 AI 模型持续发展，对以 CAE 为代表的数字孪生相关软件需求也有望进一步放量。

1.3EDA：AI 赋能 EDA 工具，可大幅提升设计效率及设计产品性能

AI 技术可有效赋能 EDA 工具，大幅提升设计生产效率及设计产品的 PPA（功耗、性能、 面积）。2021 年 7 月，Cadence 正式推出首款 AI 驱动的 EDA 设计工具 Cerebrus，其具有 独特的强化学习引擎，可自动优化工具和芯片设计选项，以显著减少工程工作量和总体流片 时间来提供更好的 PPA。根据公司官微披露数据，Cerebrus 采用独特的增强版机器学习技 术，可实现 10 倍的生产效率提升和 20%的 PPA（功耗、性能、面积）提升。此外，Cadence 还于 2022 年 6 月推出 AI 驱动的系统设计优化工具 Optimality，其利用类似于 Cerebrus 中 使用的 AI 技术实现了突破性结果，对设计进行了优化，平均速度比传统手动操作快 10 倍， 在一些设计上甚至实现了高达 100 倍的速度提升。我们认为，未来 AI+EDA 的结合将是大 势所趋，而 AI 带来的 EAD 工具设计效率及设计产品效果的显著提升亦有望进一步提升 EDA 产品价值量，打开 EDA 产品更高市场天花板。

2. 生产运维环节：“AI+”可赋能早期缺陷检测、预测性维护、产品质量分析等

AI 在工业生产及运维环节可应用场景较多，我们选取早期缺陷检测、设备预测性维护、产品 质量分析及生产预测等 4 类较为典型的落地场景进行分析。 早期缺陷检测：资产需要处于良好工作状态才能实现可靠生产，而在复杂的制造系统中工厂、 车间可能发生故障的预测并不简单，准确的预测需要测量尽可能多的可能导致缺陷的参数， 而整合来自这些参数的海量数据几乎不可能手动完成，AI模型的构建可使用实际运营数据， 根据各种参数有效预测资产状况，工程师在资产发生故障前就能关注并维护资产。

预测性维护：对资产设备的预测性维护能够有效防止故障发生、延长资产寿命、保证设备可 用性，但传统上企业为不同资产定期制定维护计划在日期选择上并没有太多科学依据，等故 障出现再采取纠正措施往往成本高昂。AI 模型可使用来自设备端的运行数据，并根据这些 数据对预测性维护进行科学规划，同时工程师可通过 AI 持续监控设备运行状态，大幅减少 人工监控时间，有效降低资产设备维护成本。 产品质量分析：产品质量直接影响企业品牌和客户满意度，是企业最为重视的一环，劣质产 品会造成产品返工或召回并提高保修成本，使企业付出巨大代价。然而，手动测量和检测等 传统质量分析技术非常容易出现人为错误，导致缺陷产品上市。通过机器视觉则能够找出会 被肉眼漏过的缺陷，并提高质量分析效率。同时，AI 还可用于检测运行环境中的异常，从而 改进质量流程。

生产预测：有效的生产预测能够助力企业制定高效的供应链策略、降低库存成本，同时更高 效的进行企业资源计划，分配人力和原材料。传统生产预测缺乏准确的预测模型，预测效果 不佳。应用 AI 后，企业可通过准确收集生产时序数据和关联的生产参数创建 AI 预测模型， 并通过生产流程仿真生成数据优化模型，通过这些模型找出生产过程中发生异常的原因及潜在问题，并持续修改资源规划策略，达到精益生产目的。

美国工业互联网领域明星创业公司 Uptake，将 AI 能力引入设备预测性维护，并取得良好 运营效果。Uptake 在获取客户订单后会首先同客户探讨明确其痛点，并接入和收集相应设 备数据，通过设备故障诊断数据建立故障模型，利用故障模型分析实际问题，并让技工判断 模型分析结果是否正确，对模型调优。最后根据采集的大量设备运转数据，结合 AI 算法等 进行拟合建模，得出故障预测模型，将该模型应用在实际问题分析上，结合技工反馈，持续 优化迭代。AI 能力的引入，大幅提升了设备预测性维护的准确率和运维效率。

与此同时，国内工业互联网厂商亦在进行 AI 同工业设备状态监测与故障诊断的结合研究。 根据容知日新 2022 年半年报披露信息，其在研项目中即包括工业 AI 项目，工业 AI 项目 （PHM 引擎）在功能建设目标上是为帮助企业实现设备预测性健康管理方向上的数字化洞 见能力；在业务定位上主要作为数据深度加工的工具，致力于提供 PHM 方法论的最佳工程 实践；在架构上兼容各类工业数据的应用场景，未来可覆盖到工艺优化等生产环节场景。整 个引擎主要由数据管理、算法管理（含算力）2 个部分组成。我们认为，AI 同工业企业生产 制造和运维服务环节的融合将是大势所趋，国内外企业已陆续在该领域投入相关研究或已 有成熟解决方案落地。ChatGPT 的诞生让人们看到了 AI 大模型的跨越性突破，伴随 AI 大 模型进一步成熟，工业生产制造及运维环节的 AI 技术融入亦有望得到快速发展。

3.经营管理环节：“AI+”可赋能 CRM、SCM、ERP 等经营管理类软件

相较于研发设计、生产制造及运维服务环节具有专业性较强的特点，经营管理环节更具通用 性，也是以 GPT 为代表的通用大模型更易落地实现的应用场景入口。2023 年 3 月，微软 陆续推出全面引入 GPT 互动式 AI 能力的商业应用产品 Dynamics 365 Copilot 及 Microsoft 365 Copilot，AI 能力的引入带来上述经营管理类软件用户体验及工作效率的跨越式升级， 并有望带来经营管理软件价值量的同步提升。后文将主要参考微软 Dynamics 365 Copilot、 及部分国内管理软件厂商 AI 应用产品，探索 AI 在 CRM、SCM、ERP 等领域可能的融合应 用场景。

3.1CRM：AI 可助力销售人员快速响应，并升级市场营销体验

AI 能帮忙编写给客户的电子邮件回复，赋能销售人员随时快速响应。在 Dynamics 365 Sales 和 Viva Sales 中，AI 能帮忙编写给客户的电子邮件回复，也能在 Outlook 中自动生成一个 Teams 会议的总结邮件，并从 CRM 系统中自动提取产品、报价等细节，以及由 Teams 通 话中总结出核心要点一并汇总到邮件里，大幅提升销售人员响应速度。

AI 可提升虚拟客服交流能力，帮助服务专员提升客户体验。Dynamics 365 Copilot 能够针 对聊天对话和电子邮件中的问题，撰写出符合上下文语境的答案，其互动式的对话体验基础 来自于知识库和过往案例，因此其总能找到问题答案，进一步提升企业虚拟客服同客户的交 流能力，向客户提供更好的服务体验。

AI 可助力营销人员升级市场营销体验，并轻松找到目标受众。借助 Dynamics 365 Customer Insights 中的 Copilot，市场人员只要用自然语言与客户数据平台进行一些简单对话，就能得 到高度定制化和目标明确的客户分类，这一功能可应对复杂计算并准确定位特定客户群体。 利用 Dynamics 365 Marketing 中的 Copilot，市场人员可以用自己的语言来描述客户群体， 从而创造出一个支持检索辅助功能的全新目标客户类别。

3.2 SCM：AI 可提升供应链敏捷性，并通过数据采集分析提升决策有效性

AI 可提升供应链敏捷性，将风险降到最低。参考 Microsoft Supply Chain Center 中的 Copilot 功能，其能主动为影响供应链流程的事件发出告警，如天气、财务或地理环境等；随后预测 筛选出受影响的订单，并将物料、库存、承运商、配送网络等信息一一呈现；供应链规划功 能随后会自动撰写一封由 Dynamics 365 Copilot 生成的电子邮件向受到影响的合作伙伴发 出预警，提醒防范可能出现的破坏性影响等。

AI 可助力招投标信息、商品价格信息、竞品信息等市场信息的采集分析，提升企业供应链 决策的有效性。随着政企数字化转型加速，各行业大量线下场景转移到线上，促进了各类数 据的爆发式生产，进一步加快了海量数字资产的形成，如和企业供应链紧密相关的招投标信 息、商品价格信息、竞品信息等，而手动采集和分析数据效率、效果低下。泛微网络通过融 合 RPA+AI 两大系统引擎能力，构建了采集提炼一体化的信息采集智能机器人平台“千里 聆”，其能够 7×24 小时模拟人自动完成访问目标网站、抓取网页数据、收取邮件内容、填 写上报数据等工作，实时获取需要的有效信息，进一步提升企业供应链决策的有效性。

3.3ERP：AI 可在多场景提升 EPR 产品能力

AI 可在财务领域、信息采集等多场景提升 ERP 产品能力。根据汉得信息 3 月 17 日在投资 者互动平台披露信息，汉得已基于 AI 技术打造了多种场景的应用解决方案，数字员工是其 中一个成熟能力，目前已在各个领域尤其是财务领域应用。数字员工已积累数百家大型企业 的数字化、智能化财务系统的建设经验，同时依靠自身的创新能力，帮助众多企业培养了应 用于记账、审核、收单、算税、支付、归档、对账、稽核、客服及培训等场景的数字员工， 集数据采集、识别、校验、NLP 自然语言等多项技能于一体，能够在无人工值守下 24 小时 持续工作。我们认为，ERP 作为企业传统的重要管理软件，应用模块向外集成了财务、人 力、供应商、合同管理等各类应用场景，而 AI 在上述不同模块的赋能，能够全面提升 ERP 的功能能力及客户使用体验，进一步提升 ERP 产品的价值量，打开行业更大成长空间。