政策与规划 - 上海市发布《加快推动“AI+制造”发展的实施方案》，目标在未来三年内实现3000家制造企业智能化应用，打造10个行业标杆模型、100个标杆智能产品，推广100个示范应用场景，建设约10家示范工厂，培育5家左右综合集成服务商 [2] - 闵行区发布“AI+制造”场景需求及服务能力图谱，聚焦能源装备、航空航天、工业母机、电子信息、生物医药、时尚消费品六大重点行业，为精准对接企业需求提供依据 [8] - 上海通过“人工智能赋能新型工业化深度行”系列活动加速AI落地制造行业，并加快优质资源共享共建，包括工业智算云、工业语料公共服务平台、专属金融产品、人才培训项目等 [2][8] 企业应用与需求 - 上海电气电站设备有限公司发电机厂希望利用AI实现中频焊接智能加料，目标将加料精度提升30%，并计划在自动出图、供应链预测等核心业务场景打造标杆 [3] - 上海发电机厂已在安全预警、档案管理、质量检测等低门槛高价值场景试点AI，并使用DeepSeek等大模型工具覆盖会议纪要生成、报表自动化等日常办公场景 [3] - 上海花王希望打通企业内部系统数据，通过本地化大模型和AI智能体实现核心数据的效率化使用，以解决海量数据“闲置”问题 [3] - 英众科技采用多模态AI视觉检测方案，实现PCB及元器件微米级缺陷的实时识别与分类，检测效率提升20倍以上，缺陷检出率超过90% [4] 已证实的价值与成效 - 钢铁企业通过“大模型+小模型”协同模式，在高炉智能诊断、冷轧智慧排程等场景取得突破，实现高炉压差预测命中率超80%，冷轧合同完成率超90%，并计划建设300个以上应用场景 [4] - DeepSeek等大模型的应用点燃了工业领域对AI的关注，工业企业对AI表现出积极态度，期望其带来工艺优化和生产效率提升 [3] 面临的挑战 - 超九成制造业企业面对AI技术出现“无处下手”的状态，人才短缺是首要挑战，既懂AI技术又懂行业逻辑的复合型人才非常缺乏 [5] - 数据治理是核心挑战，工业数据多为异构数据，种类繁多、格式不一，且包含大量“领域知识”，业界尚未形成被广泛认可的工业数据治理方法论 [5][6] - 工业AI应用需要实现存量系统的AI重构及跨部门、跨系统的流程打通，同时模型与应用缺乏有效的评测手段，导致无法持续改善 [6] 发展路径与生态建设 - 加快“标杆场景”的打造对“AI+制造”应用突破具有重要意义，典型场景的难点攻克后可快速复制到相似行业与场景 [7] - 工业AI应用的效益会随着应用深入与积累，加速形成正向循环，带来几何级效益增长，需通过生态建设推进更多应用落地 [7] - 上海正加强供需务实匹配，以企业真实需求为牵引，推动服务商技术、产品和解决方案的精准匹配，促进政策、技术、资本、人才等要素高效流动 [8]