为了帮助您实现工业智能化业务更简单低成本的部署，JDC诚邀各位专家共同探讨各行各业在人工智能时代的典型业务场景、关键痛点、以及网络连接要求。以下摘选了部分用户的回复，仅供大家参考学习：Q：请描述一下，您工作中具体使用的工业智能化业务场景 摘选回复1：油气 行业：智能仓储，实现产品包装，称重，下线，质检，批次，入库出库等智能化，从下单，车检，入厂，过磅，装货，物流等发货流程智能化。智能火灾识别，爬壁机器人自动除锈，机器人巡检等。 摘选回复2：通信设备/电子 行业：1.我们属于手机制造业，从原材进厂后由智能仓储系统，通过机器手臂，AVG小车进行货物分拣，将货物放入对应货架储位。货物栈板，货架都有FRID标签，实时记录货物信息及位置，实现数字化；2.CNC设备通过IOT系统自动读取CNC系统自动计算刀具使用寿命，寿命到期前刀具室AVG会自动将到期刀具送至设备面前，有人工更换刀具。实现自动化，高效率；3.当产品出现异常时，系统会自动生成FACA报告，通过产品过站履历生成共性分析，自动判断异常时间及异常线体及异常机台等信息。 摘选回复3：汽车制造 行业：我们的行业是汽车零部件制造，在比较早之前已经推进了智能化改造升级。目前我们的工业智能化场景主要在生产管理智能化、产品质检智能化、设备运维管理智能化、仓储管理智能化等几个方面。生产管理智能化主要是我们有自动排产和智能调度系统，我们通过EDI收到客户的订单后系统会自动根据订单交货日期安排采购、生产排产、发货等功能，对于整个生产过程精细化管理。品质检验智能化我们是通过AI技术来实现的，通过获取的产品图像利用AI技术识别分类，快速完成产品质检与不良品管理工作。设备运维管理智能化场景我们有一整套的系统来获取设备的实时信息和故障信息，随时了解设备工作状态并能够快速完成故障处置。仓储管理智能化场景是我们导入比较早的系统，我们通过AGV设备、智能仓储系统实现原材料、半成品、产成品的自动物流、自动盘点、原材料先入先出管理等工作。 摘选回复4：互联网/IT 行业：某公司集团旗下主营的商用汽车、电子、光伏能源三大板块为例，主要涉及的工业智能化业务场景如下：【1-工艺/服务改进建议】、车辆网智能化业务应用场景：每年按照600万台车增长，未来五年预计16000万汽车。然而未来汽车行业竞争不再是新能源的赛道竞争，而是“智能化”和“网联化”的新赛道角逐。车联网大数据技术普及，智能汽车最新汽车上至少100个ECU单元、运行6000万行代码、无人驾驶汽车达1亿行以上，与之配合的传感器T-BOX、IVI、OBD、USB、充电接口、GPS、摄像头等行车运行日志通过车联网平台回传至汽车生产系统进行大模型数据分析，间接提供产品和工艺改进建议，提高汽车制造型企业生产效率和工艺水平。总体而言整个过程是公有云与私有云自主的大模型对接分析过程，避免人为太多过程参与，也能够给后端工厂提供被接纳的工艺改进建议；但由于每台车的实时计算数据约30M（离线归档数据约15M）自动化条件对接过程，导致对大模型会提供暂时无价值数据，浪费不必要的FLOP推理算力，并且大大拉长了分析结果输出时效和浪费专业存储空间；Q：在您工作中，未来2年在工业智能化转型方向有什么考虑？ 摘选回复1：通信设备/电子 行业：1.系统接入deepseek等大模型，构建部门内部知识库；2.自动分析异常，自动生成报告，自动邮件推送等；3.现场增加机器手臂，AIO设备等，由设备代替人工 。 摘选回复2：汽车制造 行业：未来两年工业智能化我们考虑的是更多的通过AI技术来简化工作流程、提高生产效率。生产式AI是未来智能化转型的重要方向。我们的传统产品开发工作需要利用客户提供的图纸和参数来人工设计，设计的修改频次很高，经常会出现一个方案耗时大半个月甚至一个月的情况。我们未来希望通过生成式AI来简化设计过程，通过客户提供的数据参数快速生成多套设计方案，能够快速对接客户需求并且应对客户提出的新要求，这个是我们在工业智能化转型上的一个重要方向。此外未来2年我们还准备将生产与物流通过智能化改造更加紧密的结合起来，虽然我们已经部署了智能仓储物流系统和智能制造系统，但是在两个系统的衔接过程中还是依靠人工去完成，如原材料的质检、上料等过程还是通过人工，未来我们准备完善整个物流和生产流程，实现智能化来料检查，自动原材料供应等功能，这也是我们智能化转型的重要方向。生产设备的自动诊断、自主运维等功能也是我们未来2年集中力量推进的项目，我们希望实行生产设备的自动化管理、自动故障诊断与故障修复、自动运维等功能。以上三个方面是我们未来2年希望完成的工业智能化转型。 摘选回复3：矿业 行业：1、采矿设备智能化2、碎矿设备智能化3、粒度监测智能化Q：请进一步阐述您遇到的具体问题， 这有助于我们一起想办法解决（用实际场景说明） 摘选回复1：制造通信 行业：比如设备数据采集，单买一台卓勒对刀仪180万，如果增加数据传输接口20万。CNC设备品牌众多，三*，法**，台*等品牌，不同产品加工不同地方，一年一代产品。产品众多模型训练比较麻烦。 摘选回复2：汽车制造 行业：我们在实施工业智能化过程中遇到很多问题，AI智能品检系统就遇到了比较棘手的问题，数据采集的成本高，训练样本不足，训练耗时长，产品种类多等问题，这些都会影响到品质检测的效率和准确性。人工智能是部署在之前我们自建的算力平台上，工业智能部署的成本高，模型的开发和测试周期长都是面临的主要问题。我们的AI应用一些是通过集成商的通用算法实现，由于算法本身的问题和训练样本的不足出现了可靠性低，准确率无法满足实际生产要求的情况，这也造成一些AI项目无法快速的上线应用。 摘选回复3：互联网/IT 行业：某公司在进行规模化工业AI质检，包括不限于汽车制造四大工艺冲压工厂、焊装工厂、涂装工厂和总装工厂，以及电子事业部的3C电子代工制造等，使用人工智能质检只取得了部分效果，仍然存在ToB和ToC两侧的AI质检问题：【1】、替代高温/危险工况人力质检效果较为明显：例如某公司，汽车制造四大工艺中的焊装工艺进行车身焊接后，使用机器视觉&AI技术试点后能够大规模的取代人力质检的危险性和不便利性，这也是人力所不可及的领域，因此无论AI质检的瑕疵检出率和误报率无法比拟人力的良品率输出，但也是可大规模应用的场景之一，但实际使用效果的对机器视觉的工况要求相对较高，这也导致质检终端设备故障率相对较高，维护相对比较麻烦； 【2】、替代3C电子制造焊点质检效果相对较小：对于某公司电子事业部代工知名品牌手机，由于手机等快速消费品更新迭代周期过快，每个厂家为了迎合市场都会大幅度改动手机主板布局和形态，导致每款手机都要花费大量时间进行布局质检算法校验，重新校正质检位置和异常检出率进行抽样检测，此类都需要经过漫长的AI质检技术对接过程，因此首先不考虑质检检出率高低与否，最重要的质检效果无法匹配3C电子制造快速更新迭代柔性制造等诉求； 【3】、机器视觉&物联网&AI技术联动质检造价过高：于某公司汽车制造四大工艺中的涂装工艺，车漆厚度质检、油漆波纹质检、油漆空点质检等都需要联动物联网的气体检测，空气污染物颗粒检测，以及此时机器视觉如何保证在气体弥漫的涂装工艺厂房摄像头的高精准度、高使用寿命，因此一系列空气颗粒沉降系统等联动而开发的涂装工艺车漆质检系统，智能化成本造价过高，此场景的人工质检高性价比和高质检成功率导致机器视觉&AI技术质检无法得到规模使用效果，一直处于联创开发阶段； 摘选回复4：矿业 行业：现场设备、物理场地、环境比较复杂，智能化生产控制能力弱，数据采集能力弱，比如穿孔环节，爆破环境等，大量数据无法采集或采集量较少。原贴连接