2025年再谈工业AI：立足跨模型架构AI中台，落地垂类Agent场景

1.工业 AI 落地前提:数据高复杂度+结果高可靠+运行低成本

工业场景具有数据高复杂度、结果低容错率、成本敏感性高等特点：一方面，过往已经落 地的小模型已在工业识别等少数垂类场景应用较为成熟，满足了低成本+高可靠要求，但 较难处理多模态与非结构化数据，泛化能力较弱且较难应用于研发设计与运营管理等场景； 另一方面，大模型对多模态与非结构化数据处理能力较强，但部署成本与运行 Token 费 用较高，假如对结果的可靠性要求较高，则存在成本高企的难题。因而我们认为，工业 AI 过去面临着“数据高复杂度+结果高可靠+运行低成本”的不可能三角。 因而，市场此前一直有声音认为，在本轮 AI 大模型技术发展的浪潮中，工业 AI 应用落地 节奏相对较慢，短期内较难改变既有的业务流程与生产管理范式。然而，早在 20230409 《AI+工业信息化，高价值、高普及、高认可之路》报告中，我们已旗帜鲜明地指出，“本 次 AI 技术创新到实际工业场景落地的时间可能快于市场预期”，并详细梳理了工业 AI 的 三类核心应用模式与三大发展阶段。 立足当下，我们认为，1）“多模态大模型 any2any”的技术演进趋势有望降低工业场景 非结构化数据的处理难度；2）“大模型指挥+小模型执行”的融合工业 AI 有望实现研发 设计、生产制造、营销运维全链条的“既要又要还要”，且保证生产制造环节模型结果的 高可靠性；3）Agents 替换而非辅助人力劳动，叠加 DS 大幅降低算力成本、国内劳动力 工资持续提升的背景下，“机器换人”或逼近拐点时刻。

1.1 工业数据可处理了吗？—多模态大模型 any2any 直击非结构化数据处理难题

工业领域涵盖广泛，包括 41 个工业大类、207 个工业中类、666 个工业小类，导致数据 结构多样，数据质量参差不齐。同时，由于工业生产过程中的各个环节相互交织，数据之 间的关联性和复杂性也较高。数据的来源、采集方式、时间戳等都会影响数据的准确性和 完整性。这种数据结构的多样与质量的参差不齐给工业大模型的训练和应用带来了挑战。 以往的工业 AI 构建，需要投入大量的时间和资源进行数据清洗、预处理和校验，以确保 数据的准确性和一致性。 AI 多模态大模型擅长处理非结构化数据，any2any 模型理解/生成能力有望降低工业数据 的清洗工作。同时，增强的 RAG 技术能够与工业非结构化数据建立对话，理解大段文字 的检索意图，且通过外挂知识库提升结果生成的可靠性，降低幻觉出现的概率。

目前，工业大模型主要分为三种构建模式：一是可以基于大量工业数据和通用数据打造预 训练工业大模型，支持各类应用的开发；二是可以在基础大模型上通过工业数据进行微调 （微调是指已经预训练好的模型基础上，使用特定的数据集进行进一步的训练，以使模型 适应特定任务或领域），适配特定工业任务；三是可以在不改变模型参数的情况下，通过 检索增强生成（RAG）为大模型提供额外的数据，支持工业知识的获取和生成。

预训练工业大模型：硅谷创业公司 SymphonyAI 推出基于无监督预训练的工业大语 言模型，该模型的训练数据包含 3 万亿个数据点，12 亿 token，能够支持机器状况 诊断，并回答故障状况、测试程序、维护程序、制造工艺和工业标准相关的问题。

微调：Cohere 推出全面的微调套件，其中包括生成微调、聊天微调、重新排序微调 和多标签分类微调等解决方案，可以满足企业在微调各种 AI 应用时的需求。基于微 调，企业可以定制模型，在文本生成、摘要、聊天、分类和企业搜索等目标用例上获 得更好的性能。

检索增强生成：Cognite 利用检索增强生成技术，将大模型与其工业 DataOps 平台 CogniteDataFusion 结合起来，为工业客户提供基于数据的洞察和解决方案。通过将 不同来源和类型的工业数据进行向量化，并存储在一个专门的向量数据库中，可以作 为 RAG 的检索源，与用户的自然语言提示一起输入到大模型中，使模型能够提供更加精准的建议或解决方案。

1.2 如何保障结果高可靠？—大模型指挥+小模型执行，三类核心应用模式成熟度较高

小模型适配生产制造环节：小模型在诸如生产线监控、设备维护、质量检测、视觉识 别、缺陷检测等任务中落地成熟度较高，显著提升了生产效率和产品质量控制水平。 但在研发设计以及以智能问答为主的运营管理环节，小模型的效果一般，成熟度也相 对较低。这主要是因为小模型通常专注于解决特定任务，对于需要更广泛知识和上下 文理解的复杂任务（如产品设计、市场预测等），其表现并不理想。具体来说，在研 发设计中，小模型难以处理涉及多学科交叉的问题；而在运营管理环节，小模型无法 提供足够的智能支持来进行复杂的决策制定。

大模型适配研发设计+运维管理环节：大模型在处理复杂任务时展现出了显著优势， 尤其是在需要综合分析多种因素做出决策的情况下，大模型能够有效地辅助人类专 家进行判断。然而，大模型在生产、制造等低附加值场景的落地却存在明显局限性。 一方面，由于大模型的训练和运行需要大量的计算资源，这导致了在实际应用中的高 成本问题；另一方面，大模型在实时性和可信度方面也面临挑战，尤其是在需要快速 响应和高度可靠性的工业生产环境中。大模型的延迟问题和不确定性使得它们在某 些情况下不如小模型那样适合用于即时反馈和控制。此外，由于工业环境中的许多任 务要求极高精度，大模型的预测误差可能会导致严重后果。 我们认为，工业 AI 可以采取“大模型指挥、小模型执行”的协作方式，即在需要全局优 化和预测性分析的场景中，利用大模型进行宏观指导与决策支持；而在具体执行与实时反 馈方面，则依靠小模型发挥其高精度和低成本的优势。例如，华为在 5G 设备制造中将大 模型用于供应链预测与管理，而小模型用于具体的生产流程监控，实现了模型间的协同优 化。

在 20230409《AI+工业信息化，高价值、高普及、高认可之路》报告中，我们曾详细梳理 过工业 AI 的三类核心应用模式： 识别类应用：与通用算法技术中的机器视觉等相对应，包括工业视觉检测、表单识别 和工业语音信号识别等。 数据建模优化类应用：与通用算法技术中的数据科学相对应，如基于机器学习、深度 学习技术的智能排产、设备运维、工艺参数优化等。 知识推理决策类应用：与通用算法技术中的知识工程相对应，如冶炼专家系统、设备 故障诊断专家系统、供应链知识图谱等。

1.3 “机器换人”成本拐点到了吗？—算力降费+人力成本提升，Agent 换人逻辑更顺

过去一段时间，工业 AI 落地在我国面临“机器换人”不划算的问题，原因是我国制造业 工资相对较低，工业 AI 早期从部署成本到运行过程中的 AI Token 费用高昂，由于工业场 景对成本较为敏感，因此阶段性存在“人比机器便宜”的落地阻碍。 我们认为，一方面，百万 Token 输入价格在过去 2 年实现两个数量级以上的降费，同时 在保证模型精度的前提下，通过剪枝、量化、蒸馏等方式可以有效地减少模型的参数量、 计算复杂度和存储需求，从而降低训练和推理的成本。通过模型压缩，不仅可以降低硬件 成本，还能够提高模型在移动设备、边缘计算等资源受限环境下的性能表现。另一方面， 我国制造业人员平均工资近 5 年逐年提升，2023 年达 10.4 万元。两端共振背景下，我们 预期我国工业 AI 换人的成本拐点已然迫近。

AGI 进入 Level 3 赛点，人机协作进入数字劳动力阶段。按照 OpenAI 的路线图，AGI 发 展路线可划分为五个阶段，现处于第三阶段 Agent 智能体：1）Chatbots 聊天机器人可进 行日常对话；2）Reasoners 推理器可分析复杂信息并进行推断；3）Agents 智能体可理 解复杂指令并在多任务环境中自主决策和灵活应对；4）Innovators 创新者可独立提出新的概 念、假设和解决方案；5）Organizations 可协调和管理庞大系统、资源和团队。

Agents 掌握记忆、规划、执行、工具四大核心能力。ChatGPT 具备长文本记忆能力； OpenAI o1 在此基础上拓展了规划能力，具备反馈、自我反思、思维链、子目标分解等功 能；Agents 则在记忆与规划的基础上能够调用多种企业数字化工具，并在企业授权的前 提下获得自主执行能力。

人机协作可分为三种模式：1）以 Chat GPT 为代表的 Embedding 模式，通过提示词让 AI 协助完成目标，人类仍是任务主体；2）以 Microsoft 365 Copilot 等为代表的 Copilot 模 式，AI 参与到工作流的各阶段，人类与 AI 各司其职；3）未来有望过渡到 Agent 模式， 由人类设定目标并提供资源，AI 完成绝大部分工作。

我们认为，工业 AI 潜在 Agent 化的发展趋势有望引发行业商业模式变革。对于工业 AI 厂 商而言，商业模式有望从项目制/卖 License 向 SaaS、Agent 转变，对于工业客户的预算 决策而言，工业 AI 支出将有望从 CapEx（固定资产支出）到 OpEx（运营支出），再到 VabEx（基于价值的分成）。

2.工业 AI 中台:渗透率0 到 1,回应模型侧与数据侧高频“无痛”迭代诉求

2.1 工业 AI 中台何以诞生？—回应模型侧与数据侧高频、“无痛”迭代诉求

工业客户行业知识库与外界 AI 大模型迭代速度较快，一方面，AI 决策直接影响工业客户 生产质量，因而 AI 必须基于制造业的专业知识进行定制化（预训练、微调、RAG），并 伴随客户的知识库变化同步更新；另一方面，过去两年 AI 大模型迭代加速，仅在过去几 个月中，全球 AI 格局便经历了 o1、deepseek R1、o3、Grok3、Claude 3.7 的至少五轮 迭代，且不同的 AI 模型适配的应用场景有所差异。 因而，工业 AI 架构必须具备“进化能力”，在不影响正常生产经营的前提下实现模型两 端的平滑升级和优化。为满足上述需求，AI 中台应运而生，具体而言，工业 AI 中台应具 备四大核心能力：

“开源大模型+云 API”混合推理：①开源大模型（本地部署）：如 LLaMA2、Mistral 或 Falcon，用于处理高频、低延迟、数据隐私要求高的任务。企业可以对这些模型 进行微调，训练出适配自身业务的数据智能系统。②云端 API（第三方模型）：如 OpenAI GPT-4、Claude 或 Gemini，适用于复杂任务或需要最新 AI 能力的场景。企 业可以根据需求决定何时调用外部 API，以降低成本并获得最新模型能力。具体部署 操作中，可采用多层推理架构，通常情况下默认调用本地大模型，保证低延迟和数据 安全。当本地模型置信度不足（例如罕见问题或模型信心较低）时，自动 fallback 到 云端 API，确保精准度。同时，还可以利用语义缓存，对重复问题返回已有答案，减 少 API 调用成本。 比如，在某制造企业在智能客服系统中，先使用本地 Mistral 模型处理 90%的客户咨 询，仅当本地模型无法回答时，才调用 GPT-4API，成功降低了 70%的 API 成本，同 时保障了数据隐私。

多模型综合管理：①模型编排：统一管理开源大模型和外部 API，提供一个标准化的 调用接口，避免业务系统直接依赖单一模型，增强灵活性。②模型治理：记录每个模 型版本，跟踪其表现，让模型之间互相监督，自动推荐最优模型，确保系统长期可维 护。③数据管理：提供特征仓库、向量数据库（如 Milvus 或 Faiss），让不同模型都 能访问企业知识库，提升答案质量。 比如，某工业制造公司通过 AI 中台管理多个大模型（LLaMA2、GPT-4API），当生 产数据发生变化时，AI 中台可以自动选择更合适的模型处理任务，减少了因模型不 适应新数据导致的错误率。

模型全生命周期管理（MLOps）：在传统 IT 架构中，软件升级有版本管理、回滚机 制、CI/CD 自动化部署等成熟方法。但目前 AI 大模型应用尚在初期，升级较为混乱， 很多企业甚至要手动上传新模型、修改代码、重新上线。MLOps 目前有两种方式优 化模型迭代流程：①CI/CD 自动化部署：通过 Kubeflow、MLflow 等工具，自动化模 型训练、评估、上线全过程。②灰度发布与 A/B 测试：先让新模型在后台“影子测试”，确保稳定性。在正式上线前，采用灰度发布，先让 1%的流量试用新模型，若 表现良好再逐步扩展。若新模型效果不佳，可自动回滚到旧模型，保障业务稳定。 比如，一家智能质检公司引入 MLOps 流水线后，模型升级周期从原来的 1 个月缩短 到 1 天，并且上线失败率降低 90%。

可观测性：工业 AI 应用的最大风险，在于其不可预测性。为了避免模型“黑箱化”，需 要搭建完整的可观测性体系，包括：①监控推理延迟、错误率、模型漂移，确保 AI 稳定运行。②日志追踪：记录所有模型调用，便于回溯分析和合规审计。③智能告 警：如果模型回答置信度下降，或某些业务指标异常，自动触发预警。 比如，某制造企业在部署智能预测性维护 AI 时，发现新模型在部分设备数据上的误 差变大。通过监控日志发现模型未见过某种新型设备的数据，最终通过快速微调解决 了问题。

2.2 工业 AI 中台商业化进展？—赛意 AI 中台项目达千万级，中控 TPT 大模型落地数十 家大型企业

2 月 17 日，广汽集团联合华为正式启动“广汽 AI 中台及应用试点项目”赋能智能化工作， 推动 AI 技术赋能汽车产业智能研发制造，实现企业智能化、产品智能化的双重战略目标。 广汽集团副总经理江秀云、华为云 EI 汽车领域总经理吴小东、赛意信息云事业部总经理 任泽华，以及广汽集团数字化部、广汽研究院云服务与大数据有关负责人出席会议。 广汽 AI 中台及应用试点项目将聚焦智能网联开发、产品设计和办公等 AI 应用场景，以降 低运营成本、提升业务效率、敏捷快速交付等方面为目标提升企业竞争力。建设内容包括 基于 AI 工具链实现数据处理、大模型训练与微调、AI 应用开发等端到端能力，并具备接 入 DeepSeek 大模型的能力。 2 月 28 日，赛意信息披露公告，“为客户提供的服务及产品聚焦智能网联开发、产品设 计等 AI 应用场景，内容包括基于 AI 工具链实现数据处理、大模型训练与微调、AI 应用开 发等端到端能力，并具备接入 DeepSeek 大模型的能力”，合同金额高达 4,847 万元。

2024 年 6 月，中控技术在新加坡面向全球发布了流程工业首款时间序列大模型 TPT （Time-series Pre-trained Transformer）。流程工业时序大模型 TPT 结合了大量行业知 识和工业数据基础，融合工艺参数的设备异常监测及诊断、实现全过程质量精准模拟与优 化控制、将难以机理建模的装置运行优化、帮助石化装置实现精准模拟优化和动态路径规 划。目前已在万华化学、兴发集团、镇海炼化等数十家大型企业的氯碱、热电、石化等装 置实现落地应用。

2025 年，在全球流程工业迈入智能化深水区的当下，中控技术将 TPT 与 DeepSeek 进行 深度融合，推出流程工业首个“时序智能+认知智能”双引擎架构的面向流程工业生产过 程场景的 TPT 大模型升级版。 TPT 专注实时数据流分析，每秒处理数万传感器信号；DS 则化身“数字老师傅”，将行 业经验转化为可执行的智能策略。具体而言，“时序智能+认知智能”双引擎架构至少可 实现三大核心功能：

TPT“自主监督”+DeepSeek 全面提升异常识别处置能力：TPT 接入生产实时数据， 对工艺、设备进行全面“自主监督”，对异常情况进行实时预测预警。DeepSeek 以 检维修记录、运维手册等企业私域知识为基础，融合 TPT 的实时预测、预警信息， 生成准确、高效的诊断报告，大幅降低经验依赖。

TPT“自主优化”+DeepSeek 全方位挖潜增效、节能降碳：TPT 接入生产实时数据基于优化目标在线进行模拟计算，自动给出最优操作条件或生产瓶颈。DeepSeek 以 工艺技术规程、岗位操作法等企业私域知识为基础，融合 TPT 给出的优化调整策略， 生成操作步骤、操作预警，指导完成生产操作优化调整，实现装置最优化运行。

TPT“自主决策”+DeepSeek 推进驱动装置少人、无人化运行：统一工厂装置的控 制、评估、优化工作，全面提升工厂装置运行风险链、价值链的掌控能力。其中， DeepSeek 知识沉淀与认知智能的能力，可全面提升装置运行的分析、诊断、交互能 力，通过与 TPT 融合形成工厂的“超级大脑”，将实现智能感知、自动分析、自主 决策、自动执行，将工厂装置少人化、无人化运行变成现实。

2.3 工业 AI 中台有建设壁垒吗？—算力整合+模型管理+工业数据治理+领域Knowhow+ 工程化交付

工业 AI 中台建设目前尚处于渗透率早期，我们认为，以“华为晟腾+赛意信息”合作模式 为例，工业 AI 中台部署对算力整合、模型管理、工业数据治理、领域 Knowhow、工程化 交付五大能力均提出较高要求。 目前，赛意善谋 GPT 已基于华为昇腾国产算力构建出 PCB 行业大模型，通过 DeepSeek 模型接入适配，基于其数据蒸馏、模型蒸馏以及强化学习能力，生成高质量数据。在此基 础上，结合行业知识精细调优，使得 PCB 行业大模型的性能和推理效率实现了显著提升， 降低算力消耗，展现出高效能与节能并重的优势。

3.工业 AI 应用:生产控制类成熟度较高，垂类 Agent 曙光初现

在 20230409《AI+工业信息化，高价值、高普及、高认可之路》报告中，我们曾基于信通 院《工业智能白皮书(2022)》梳理认为，生产控制环节的 AI 应用占比超 57%，拥有表面 缺陷检测、生产过程控制优化、质量关联分析、预测性维护、安全管理与巡检、生产作业 视觉识别、物料识别与操作等一批典型细分场景。 本篇报告中，我们进一步基于 2023 年 605 个工信部智能制造优秀场景统计认为，出现频 率排名前 10 的场景生产环节约占 7 个，生产制造领域仍是工业 AI 落地成熟度最高的环 节。究其原因：一是场景需求成效显著，产品质量、效率以及设备管理直接与企业经济挂 钩，是几乎所有工业企业共同关注的重点环节。二是数据获得性强，生产过程数据、设备 运行过程数据等数据量较大、采集相对简单，为 AI 技术落地提供了基本条件。三是技术 成熟度较高，以机器学习、图像识别等传统 AI 算法面向特定问题实现识别、参数预测及 优化为主。 据工信部，智能制造场景是智能工厂的核心组成部分，可分为 3 个方面 16 个环节的 45 个典型场景。我们基于 2023 年 605 个工信部智能制造优秀场景进行统计分析，排名前 10 的场景分别为智能在线检测、人机协同制造、产线柔性配置、先进过程控制、质量精准追 溯、智能协同作业、精益生产管理、在线运行监测、智能仓储、产品数字化研发与设计。 其中，生产作业与质量管控环节应用场景成熟度最高，产品设计、仓储物流、设备管理等 环节也均有成熟场景落地。

3.1 生产控制类：垂类场景 Agent 初见端倪，工业 SaaS 订阅制转型初具规模

3.1.1 赛意信息：PCB 行业 Agent，MI 参数解析+BOM 成本查询+智能生成报价

以 MI 工程人员的操作为例，原本生成一份生产工艺指示文件需要高级人员解读多种格式 的繁杂文档并手动整理制作，整个过程耗时至少 30 分钟。而在应用赛意善谋 PCB-AI 行 业模型后，客户需求文档一键上传，仅需 10 分钟便可完成自动解析、人工核对检查工作。 以某印制电路板有限公司为例，在客户应用赛意善谋 PCB 行业大模型集成 AI 自动报价系 统后，原本人工解读图纸、核算等复杂流程下，报价效率及准确性低等问题已不复存在。 通过自动识别参数、智能生成报价等，最终实现参数提取时间由原本的 4～6 小时提升至 4～6 分钟，报价周期减少 4 倍的同时大幅提升了报价准确性。

3.1.2 中控技术：流程工业 APP 订阅制转型，DCS+物流机器人实现“零人工”干预

依托 TPT 流程工业时序大模型，2024 年 Q2 末，中控技术推出 PlantMembership 基于软 件年费订阅制的会员商业模式，以 token 形式向会员客户开放涵盖数百款高价值软件包的 组合，为客户提供了“软件投资成本大幅降低、软件运维零成本、软件升级无限制、会员 订阅工业软件产品定期免费上新”等价值。截至 24Q3 末，中控技术已与数百家客户达成 了订阅制合作。

2025 年初，中控技术成功实施的四川中蓝新能源材料有限公智能供应链物流机器人项目 顺利投入运行。该项目以“1+2+N”智能工厂新架构为基础，融合中控 Plantbot 机器人解 决方案的“AI+机器人”技术，实现了电解液桶在“洗、检、存”环节的一体化融合管控。 中控技术在工厂仓储物流环节深入结合全厂 DCS 系统、制造执行系统、机器人系统等多 个生产过程自动化(PA，Process Automated)和企业运营自动化(BA，Business Automated) 产品。在 PA 端，借助制造执行系统实现“零人工”干预的全流程智能化管理；通过供应 链物流机器人，紧密联动智能灌装场景下“产、运、存”等关键环节，为搭建工厂的智慧 供应链平台提供坚实保障。在 BA 端，以中控机器人系统—Plantstudio 平台为核心，协同 制造执行系统、ERP 系统，实时监控库存数据及物料流转数据，结合企业生产经营数据 为供应链采供及营销提供全面决策支撑。

3.1.3 宝信软件：发布“钢铁行业大模型”，推出废钢智能检判 SaaS 化平台

2024 年 10 月，宝武发布自主研发的钢铁行业大模型产品——“宝联登钢铁行业大模型”。 宝武构建的钢铁行业大模型通过“通专融合”（通用模型和专业模型）、“业技融合”（行 业知识和 AI 技术）、“数实融合”（数字技术和实体制造）三融合一，用于企业智慧制 造、智慧治理、智慧服务等主题场景，以及高炉大模型、转炉大模型、配煤配矿大模型、 云表检大模型、研发设计大模型等领域模型，为钢铁企业提供一体化、集成化的“AI+钢 铁”解决方案。 2023 年 12 月，欧冶链金与宝信软件合作开发的废钢智能检判 SaaS 化平台在马钢利华 金属再生资源有限公司当涂长钢中心基地正式发布，该平台旨在解决废钢行业质检痛点， 推进智能检判系统标准化和废钢在线质检统一结算应用进程。在废钢质检过程中，人工现 场目测一直是主要依据，但存在着人为因素大、判级异议多等问题。为解决这些问题，欧 冶链金和宝信软件联合开发了符合行业需求的标准化、智能化、规范化、科学化废钢智能检判系统，并以此打造了业界领先的欧冶链金废钢智能检判 SaaS 化平台。该平台在智能 检判系统基础上，可提高标准化程度、缩短实施周期、降低运维成本、提高数据实时性和 透明度，使废钢检判更加客观、全面、安全和高效。

3.2 经营管理类：知识库+垂类场景智能体，PLM 与 ERP 领域均有落地场景

3.2.1 鼎捷数智：PLM+DS 构建知识问答智能体，优选物料智能推荐

传统人工智能助手功能单一，仅以基础检索为主，未能深度整合企业所在行业的知识和自 有产品知识。鼎捷PLM+DeepSeek构建知识问答智能体，其不仅能分析和查找专业数据， 满足客户高精度查询需求，同时还能帮助企业盘活数据资产，形成针对性的专业私有知识 库，实现数据的无死角利用。此外，鼎捷 PLM 智能助手还能帮助用户做优选物料的智能 推荐，将整理后的相似性优选数据生成新的内容呈现给用户。

3.2.2 金蝶国际：单据审核、财务分析、人才招聘、征信等多个垂类场景落地

Agent 在金蝶云·苍穹中，智能体的开发有两种核心模式：一是 AI 自主规划，例如对于企业知 识问答，大模型根据用户的提问，自动识别对应的问题，找到对应的答案，反馈用户，全 部通过大模型解决。二是 AI 任务流编排，对于复杂场景，需要人机协同，需要进行任务 流的编排，例如，智能人员调配，需要进行任务流的编排，规定这些动作执行的顺序，确 保 AI 输出的结果可靠。

3.3 研发设计类：数字设计工程师初级阶段，以 Copilot 形态为主

3.3.1 鼎捷数智：PLM+DS 打造数字设计工程师，自动生成研发图纸

鼎捷 PLM+DeepSeek 打造数字设计工程师，其不仅能够高效完成研发图纸的变型设计， 完成图纸合规性审查，还可一键生成 BOM；通过解析语义、读取文件和图片内容，精准 推理图纸设计需求，并与模型知识库中的数据智能匹配，快速生成三维模型文件，无缝对 接 CAD 系统进行编辑和修改。此外，基于上下文记忆功能，该应用还支持对话式交互和 文件上传，可灵活调整模型参数，实现尺寸的即时优化，大幅提升设计效率和精准度。

3.3.2 广立微：SemiMind+INF-AI，智能问答+缺陷分类+模型自动分析优化+良率分析

SemiMind 半导体大模型平台是广立微旗下一个“知识库+智能体”驱动的 AI 研发基座， 旨在通过智能化重构半导体研发流程，打破数据孤岛，实现知识民主化与效率跃升。近日， SemiMind 正式接入 DeepSeek-R1 大模型，为半导体行业提供三大价值：

知识沉淀与复用：集成行业 Know-how 与海量工艺数据，构建专业领域知识库，打 破经验壁垒。通过在知识库中存储半导体制造的 CP、FT、WAT 等数据，在出现良 率问题时，快速关联其在整个制程中的各步骤数据并智能推荐类似案例的解决方案。

智能体自主构建：用户可通过低代码/无代码方式，快速搭建定制化功能模块（如 Test Plan 生成、机台操作维护流程文档生成，实时工艺参数异常检测，多源数据分析与 根因定位等），实现需求敏捷响应。

智能化升级数据分析软件平台：智能化升级数据分析软件平台能够灵活集成其他软 件平台，实现软件的智能化，提供个性化的推荐、自动化的流程管理以及实时的数据 分析，从而帮助用户更好地完成任务，提高工作效率。

编辑：火腿肠