文章核心观点 - 制造业正处于从数字化迈向智能化的关键节点，但AI落地面临“业务用不起来、结果不敢用、IT管不住”的普遍困境 [1] - 美云智数发布新一代工业AI平台“美擎AIGC 3.1平台”暨智能体工厂解决方案，旨在通过打造“统一底座”破解AI落地难题 [1] - 该平台不参与通用大模型研发，而是聚焦工业场景的模型工程化和智能体落地，将AI能力转化为制造业可规模化应用的价值 [6] 美擎AIGC平台定位与设计理念 - 平台定位为“统一底座”，而非新的业务系统或单一模型，旨在连接企业内部ERP、PLM、MES等现有系统的数据和流程 [2] - 平台对外开放算力、算法模型及生态支持，为企业未来发展预留空间 [2] - 平台设计旨在解决缺乏平台支撑的智能体三大困境：业务端开发门槛高难以应用、AI结果不可追溯解释、IT部门无法有效管控 [2] 智能体工厂解决方案与工程化交付 - 提出“智能体工厂”概念，核心挑战在于解决智能体的可复制性、可评估性及上线后治理问题 [2] - 通过三个标准化维度实现工程化交付：构建标准化（50多个智能体模板和500多个企业连接器）、评测标准化（20多个评价指标）、运营标准化（发布、监控、持续优化） [3] - 工程化交付使智能体从“定制开发”转变为“可复制资产”，从而实现AI的规模化落地 [3] 知识治理与数据决策闭环 - 将知识视为“工程能力”打造，强调从采集、加工、应用到治理的全过程，以控制“幻觉”并建立业务信任 [4] - 平台精准语义混合检索准确率比业界主流开源方案高出20%以上，并提供知识纠错、质量评估和来源可追溯功能 [4] - 平台致力于实现从数据分析到决策再到执行跟踪的闭环，让业务人员通过自然语言直接发起问题并获得关键结论 [5] 聚焦制造业的战略路径与商业化进展 - 公司战略不参与通用大模型研发，坚定聚焦工业场景的模型工程化和智能体落地 [6] - 其场景理解能力源于母公司美的集团长期的制造实践和工业方法论沉淀，构成竞争壁垒 [6] - 2025年，美的集团通过AI技术应用直接实现的效率提升价值超6亿元，部分场景成本节约幅度高达90% [6] - 美的集团内部已自主搭建超过13000个智能体，美云智数正从中筛选高价值场景进行对外商业化 [6]

文章核心观点 - 中国制造业人工智能应用重点正从通用办公场景转向生产一线 旨在通过深度嵌入制造流程实现效率和成本改善 [3][4] - 美的集团计划在2026年前通过AI应用实现约9亿元的成本节约 并已在158个核心业务场景中规模化应用工业智能体 [3] - 工业智能体在制造业的推广仍面临数据质量 AI人才和场景选择等挑战 企业需先补数字化短板 [11][12] 美的集团AI应用进展与规划 - 美云智数发布工业智能体矩阵及美擎AIGC 3.1平台 对外发布的40多个智能体是从内部上万个中筛选而来 [3] - AI应用带来的成本节约效益逐年显著增长 2023年约4000万元 2024年约1.8亿元 2025年预计约6亿元 2026年预计达9亿元 [8] - 在制造环节 智能体用于产线损失分析 可将每日损失拆解至具体工序和岗位并提供改善建议 替代过去数小时一次的人工盘点 [7] - 在供应链环节 智能体可快速评估突发情况（如台风）的影响范围并提供替代供应方案 [7] - 在人力资源和法务等领域 智能体参与简历筛选 面试及合同审核 在部分领域应用AI可减少90%的成本 [8] 行业应用与政策动态 - 海尔集团旗下卡奥斯工业互联网平台的工业大模型已在石油化工 能源 家电等领域落地40多个场景 在部分石化工艺优化场景中帮助企业人工和能源成本下降约10% [9] - 创维集团围绕智能电视系统布局影音 健康 创作 教育等多个智能体应用 强调关键不在智能体数量而在用户使用量 [9] - 工业和信息化部等八部门联合发布《"人工智能+制造"专项行动实施意见》 提出到2027年推动3—5个通用大模型在制造业深度应用 并培育1000个高水平工业智能体 [9] 工业智能体应用挑战与未来形态 - 挑战一：AI应用效果高度依赖业务参与程度和基础数据质量 企业数字化基础薄弱或数据不完整会影响效果 [11] - 挑战二：AI人才成本高 招聘难度大 更现实的路径是推动原有数字化团队向AI方向转型 [11] - 挑战三：需选择清晰的应用场景 否则即使投入算力设备和团队也未必能取得实际效果 [11] - 未来应用形态方向是智能体融入传统工业软件（AI-INSIDE） 而非作为独立工具存在 例如在销量预测 生产计划等业务中由AI提供后台决策支持 [13]

公司动态：美的集团AI应用进展 - 美的集团旗下美云智数发布工业智能体矩阵及美擎AIGC 3.1平台 计划在2026年前通过AI应用实现约9亿元的成本节约 [3] - 公司对外发布的40多个工业智能体是从内部上万个智能体中筛选而来 已在158个核心业务场景中实现规模化应用 [3] - 在制造环节 智能体用于产线管理 如TPM、DMS、LOSS等智能体可将每日损失拆解到具体工序和岗位并给出改善建议 [6] - 在供应链环节 智能体可快速评估突发情况（如台风）的影响范围并提供替代供应方案 [7] - 在人力资源和法务领域 智能体参与简历筛选、校园招聘面试及合同审核等流程 [8] - 公司AI应用带来的成本节约效益逐年扩大 2023年约为4000万元 2024年约1.8亿元 2025年预计约6亿元 2026年预计达9亿元 [8] - 在部分领域 应用AI甚至可减少90%的成本 [8] - 公司认为未来方向是智能体融入传统工业软件（AI-INSIDE） 而非作为独立工具存在 [12] 行业趋势：制造业AI应用深化 - 中国制造业正将AI应用重点从通用办公场景推向生产一线 [3] - 过去两年AI在企业内部最先落地于翻译、文档、人力资源等通用场景 当前重点转向对制造流程的深度嵌入以影响成本结构和生产效率 [4] - 行业关注点从智能体数量转向能真正带来效率和成本改善的场景 [5] - 海尔集团旗下卡奥斯工业互联网平台的工业大模型已在石油化工、能源、家电等领域落地40多个场景 在部分石化工艺优化场景中使企业人工和能源成本下降约10% [9] - 创维集团围绕智能电视系统布局影音、健康、创作、教育等多个智能体应用 强调关键不在智能体数量而在用户使用量 [9] - 政策层面加快推动 工信部等八部门提出到2027年推动3—5个通用大模型在制造业深度应用 并培育1000个高水平工业智能体 [9] 行业挑战：工业智能体推广障碍 - 工业智能体在更多企业尤其是中小企业中落地面临挑战 [10] - 挑战一：AI应用效果高度依赖业务参与程度和基础数据质量 企业数字化基础薄弱、数据不完整会导致应用效果打折扣 [10] - 挑战二：AI人才成本高、招聘难度大 更现实的路径是推动原有数字化团队向AI方向转型 [10] - 挑战三：需明确具体应用场景 若场景选择不清晰 即使投入算力设备和团队也未必能取得实际效果 [10] - 企业需要先补数字化短板 再谈AI的规模化应用 [11]