EctruuMInnovationAtEveryLevelAlforGREEN以場景驅動AI應用，實現企業價值跨越施耐德電氣商業價值研究院成立于2021年5月。遵循嚴格的方法和為社會做貢獻的使命，我們通過對中國經濟、產業和商業進行嚴謹、實用和創造性的研究，為公眾和商界提供融合全球智慧的專業洞見，致力于成為推動中國經濟、社會和企業可持續發展的領先智庫。我們的研究團隊匯集了綠色智能制造、綠色能源管理領域的一線專家、深耕前沿技術的研發工程師、參與行業政策和標準制定的專家學者，也聚集了來自業界各科研院所的學術界領管理咨詢、市場研究等領域的生態伙伴專家。我們的研究內容涵蓋行業、技術、宏觀等方面，同時基于自身發展以及所提供的企業咨詢服務中的積累，將深入探討企推廣等話題，并與社會積極分享研究成果。我們的研究方法結合定性和定量分析，通過一線調研，以數據驅動分析，實現深層價值提煉，進而幫助企業中高管理層把脈宏觀，見微知著，助力企業探索可持續發展之道，把握時代機遇，加速變革轉型。第三章：從降本增效到可持續發展，扎根場景全面引爆AI價值18展望：成為AI驅動型企業38Lifelson施耐德電氣。核心發現與洞察在當前全球數字化轉型的浪潮中，人工智能（AI）已成為推動各行各業變革的核心力量。作為21世紀最具革命性的技術之一，AI不僅在互聯網、金融、醫療等領域展現了巨大的潛力，在工業和能源領域的應用也日益廣泛和深入。近年來，隨著深度學習和大模型技術的突破，AI的能力和影響力不斷提升，為工業和能源行業帶來了前所未有的變革機會。施耐德電氣作為工業與能源領域AI技術的實踐者和賦能者，在本洞察報告中，將與讀者分享AI轉型中的核心發現與洞察：大小模型深度融合，驅動AI生產力爆發新范式。現階段大小模型各有所長。目前企業主要運用大模型作為內容生成，如代碼、文本、圖片、音視頻的工具，以及串聯知識與數據的自然語言接口；小模型則在精確的專業識別與分類、預測優化領域更能發揮優勢。企業也在積極探索在同一個場景中大小模型融合使用來提升生產力。我們需要從業務場景和價值出發，以需求拉動AI生產力的發展。如何全面思考AI帶給企業的價值是關鍵的第一步。從點到線，AI正在重塑新型的商業模式施耐德電氣商業價值研究院在近年的跟蹤調研中發現，企業對于AI價值的期待隨著AI技術及實際應用的進展變得愈加立體。本報告提出了“AIforGREEN”的綠色智能價值主張，從增長（Growth）、可靠性（Reliability）、效率（Efficiency）、環境友好（Environment）和新商業模式（NewHorizon）五個維度，系統性地展現了AI在工業和能源領域的全面應用和巨大潛力。我們認為應該以實際業務場景驅動AI應用，才能實現企業在新時代的價值跨越。以場景為中心，繪制企業AI轉型全景圖企業AI轉型是一項系統化的長期建設。企業從0到1，再到規模化應用AI可以概括為以下四個階段：從統一共識、規劃全圖，到聚焦場景、小步快跑，再到數據沉淀、構建壁壘，最終實現民主賦能、全民創新。以場景為中心軸，并逐步完善技術基礎建設、數據與知識建設、組織文化建設是成為AI驅動型企業的必經之路。1oAI大小模型融合互補，加速推動產業全面轉型AI大小模型融合互補，加速推動產業全面轉型1.1不斷進化，生成式AI開啟人工智能4.0時代人工智能（ArtificialIntelligence,AI）作為21世紀最具革命性的技術之一，已經在各個領域展示了其巨大潛力。從早期的理論研究到今天的廣泛應用，AI的發展經歷了多個階段，每一個階段都標志著技術的重大突破和應用的不斷拓展:?AI的發展起源于20世紀50年代，以達特茅斯會議為標志，AI作為一個獨立學科正式誕生。這個時期的研究集中在邏輯推理、定理證明和簡單游戲等方面，嘗試模擬人類的智能行為。艾倫·圖靈提出了著名的圖靈測試，用以判斷機器是否具備智能。然而，由于計算能力和數據資源的限制，這一階段的AI研究主要停留在理論層面，實際應用相對有限。?進入80年代，AI研究的重心轉向知識表示和專家系統。專家系統通過編碼專家知識來進行推理和決策，廣泛應用于醫學診斷、地質勘探等領域。盡管專家系統在特定領域展示了巨大的潛力，但其知識獲取和更新的困難限制了其進一步發展。此外，這一階段的AI系統缺乏自我學習和適應能力，無法應對動態變化的環境。?隨著計算能力的提升和互聯網的發展，AI在20世紀90年代到21世紀初進入了以統計學習為核心的階段。機器學習算法，如支持向量機（SVM）、決策樹和貝葉斯網絡，在數據驅動的應用中取得了顯著成效。大數據的興起為AI模型提供了豐富的數據資源，推動了AI在模式識別、數據挖掘和自然語言處理等領域的應用。這個時期的AI開始在商業領域展現出實際價值，如推薦系統、欺詐檢測和客戶關系管理等。?2010年代，深度學習的崛起標志著AI進入了一個全新的發展階段。深度神經網絡（DNN）,尤其是卷積神經網絡（CNN）和循環神經網絡（RNN），在圖像識別、語音識別和自然語言處理等領域取得了突破性進展。2016年，AlphaGo擊敗圍棋世界冠軍李世石，展示了深度學習在復雜決策和博弈問題上的強大能力。2017年，Vaswani等人發表的論文《AttentionisAllYouNeed》引入了Transformer模型，這種模型不依賴于傳統的循環神經網絡（RNN）結構，極大地提升了自然語言處理任務的性能。Transformers為大規模預訓練語言模型（如BERT和GPT）奠定了基礎。自從生成式AI技術進入公眾視野以來，由OpenAI開發的ChatGPT無疑成為了這一領域的代表性成果。其不僅展示了強大的自然語言生成能力，還在智能對話、內容創作、翻譯服務等多個應用場景中發揮了重要作用。隨著多模態生成、模型可控性和透明性的進一步提升，生成式AI將繼續引領人工智能技術的發展，為各行各業帶來更多創新和變革。4oAI大小模型融合互補，加速推動產業全面轉型縱觀歷史，AI技術的演進不僅僅體現在算法的優化和模型的復雜化，還包括計算能力的提升、數據資源的豐富以及跨學科的融合與應用創新。從早期的單核處理器到今天的多核GPU和專用AI加速器（如TPU），計算能力的飛速提升為復雜AI模型的訓練和推理提供了堅實基礎。分布式計算和云計算的發展，大大降低了AI應用的成本，提高了其可擴展性。未來，量子計算有望進一步突破計算瓶頸，為AI算法的優化和應用拓展提供新的可能。AlphaGo也是基于人類設計的圍棋規則運作。真正的革命將是AI具備自我意識，能夠自主創造新規則。”——施耐德電氣高級副總裁，智能家居業務中國區負責人““AI已經作為新質生產力在企業發揮著積極作用，構建企業級AI平臺、落地高優先級業務場景，AI已來，未來無限。”——IBM咨詢合伙人，大中華區大數據與人工智能事業部總經理林嵐oAI大小模型融合互補，加速推動產業全面轉型1.2大小模型深度融合，是AI在產業應用的必然趨勢1.2.1定義：生成式與決策式，大模型與小模型以ChatGPT、StableDiffusion等為代表的生成式AI是一種通過學習和模仿大量現有數據來創造新內容的人工智能技術。它通過復雜的算法和神經網絡模型，如生成對抗網絡、大型預訓練模型等，生成文本、圖像、音頻、視頻等多種形式的新數據。隨著新算法架構的更新迭代和算力資源的日益強大，以及業界提出“規模定律”(ScalingLaw)，即模型性能隨著模型大小、訓練數據集大小和計算量大小的增加而增加，模型本身的參數量在近年成倍上升，如OpenAI2018年中發布的GPT-1模型約有1.2億個參數，2022年發布的GPT-3達到1750億個參數，2023年發布的GPT-4官方雖未公布參數量大小，據外界推測其參數量約達到1.8萬億。與生成式AI對應，決策式AI，也被稱為判別式AI，通常專注于分類和預測，通過分析和處理大量標注數據、學習特征和模式以區分不同類別。決策式AI模型，如邏輯回歸、支持向量機和神經網絡等，旨在從輸入數據中學習決策邊界，以便在面對新數據時進行準確分類和預測。例如，圖像識別、預測性維護、個性化推薦等都是決策式AI的常見應用。與目前主流的生成式大模型相比，決策式AI的參數量相對較小，在工業與能源領域的主流應用中，決策式小模型的參數通常在幾千到幾萬之間，具有更簡單的結構，存儲和計算資源的需求較低，能夠快速訓練和推理。目前，業界對“大模型”和“小模型”的區分沒有明確的定義。從字面上理解，大與小主要指的是模型的參數量和訓練數據的規模。所謂“大”，尚未有絕對的標準，而是一個相對的概念，通常大模型的參數量往往在億級以上。嚴格意義上講，大模型不能等同于生成式AI，小模型也不能等同于決策式AI，如前文所述的BERT及其衍生模型就屬于決策式的大語言模型，其-large版本參數量達到3.4億。它的優勢在于為問答系統和分類任務提供支持，而非開放式的文本生成。在目前工業與能源領域的應用語境里，通常小模型是決策式AI，大模型一般是生成式AI，為了方便理解，后文中我們用大、小模型來作為區分。1.2.2效率提升明顯，大模型在工業與能源領域的應用飛速增長1近年來，大模型，尤其是大語言模型在工業與能源領域的應用范圍不斷擴大。比如大模型能理解并生成人類語言，進而幫助大幅提升工業流程效率，保守估計，大模型可以幫助原始設備制造商（OEM）在構建機器PLC應用程序時節省20%的工作量。大模型最重要的能力之一在于基于自然語言的推理和生成能力。在工業與能源領域中，這些能力可以用來處理兩種重要的任務：1)代碼生成、文檔編寫、重構和測試；2)自然語言接口。注[1]:內容摘自施耐德電氣文章《大語言模型將如何賦能工業自動化？》oAI大小模型融合互補，加速推動產業全面轉型1）代碼生成、文檔編寫、重構和測試大語言模型可以為PLC等工業控制系統生成代碼，或者允許人類使用自然語言輸入內容生成人機交互（HMI）頁面，進而簡化應用程序的工程設計過程，減少開發控制應用程序所需的時間和工作量。此外，大語言模型還有望提高生成代碼的質量和一致性，從而減少錯誤并縮短調試時間。保守估計，大語言模型生成的代碼，對于編寫機器類PLC程序而言，大約70%是可用的，編程效率大幅提升。大語言模型的另一個應用是自動生成配方代碼，在更改參數、更換供應商或更改配料時，能夠節省時間。創建配方并觸發生產線變更所花的時間會直接影響生產時間，因此任何可能的時間節省都有助于提高效率。更進一步，大語言模型還可用于自動生成與其生成的代碼相關的文檔，如自動測試腳本，而測試腳本對于自動化工程師來說一直是一項非常耗時的任務。2）自然語言接口?大語言模型還可為工業自動化系統創建自然語言接口，由此操作員只需要使用人類語言，而無需專門的編程語言，就可以與這些系統進行交互。自然語言接口的關鍵應用之一就是使用自然語言命令訪問現有文檔，如技術產品信息。在許多行業中，操作人員和維護人員必須手動搜索產品文檔中的信息。有些甚至還是紙質文件！然而，隨著文檔逐步數字化，并傳輸至安全的特定大語言模型中，這些工具可用來快捷地提出問題，并迅速找到答案。例如，“錯誤代碼8975的含義是什么？該如何解決？”這種問題可以輕松得到解答。其關鍵是使用安全的特定大語言模型。這些模型應該僅從經審核以及官方提供的手冊、技術說明和源代碼中提取答案。?用于技術支持的虛擬助手是另一個應用場景，其中帶有大語言模型的自然語言接口，可以為工業帶來價值。通過電話為客戶提供高度專業化和定制支持的工業公司（例如與工業最終用戶合作的機器制造商），可以掌握這些隱形的知識，并將知識和信息提供給特定的大語言模型，虛擬助手就可以利用這些模型從而提升客戶體驗并有效縮短解決問題的時間。同樣，這也適用于機器、自動化產品和系統的用戶手冊與文檔的創建。使用大語言模型創建這些重要文檔可以為應用工程師節省時間，讓他們可以將知識和技能用于開發更好的機器、產品和系統，從而提升質量并縮短上市時間。另一個例子是通過大語言模型加速自動化系統設計與開發，在過程工業的大型項目中，自動化系統的設計和開發都需要眾多供應商、用戶、合作伙伴以及監管機構等第三方伙伴進行通力協作。從項目發起到項目實施，再到項目運營階段，都可以用大語言模型對來自各方的需求和參數等進行標準化處理，從而顯著節省時間，幫助所有參與方提升競爭力。這是因為，從客戶和合作伙伴的需求出發進行系統開發之初，就會面臨關于解決方案架構、物料清單、安全計劃、風險管理計劃等各方面的多種要求。基于目前的技術，這需要耗費數月、甚至數年的嚴謹工作、整理澄清以及來自多個職能部門的專家的協作，才能確保最終質量和可行性。如果借助大語言模型對各方需求和資料進行快速梳理，則可以加快整個過程，同時滿足各層級的合規要求。oAI大小模型融合互補，加速推動產業全面轉型大語言模型的道德考慮和限制因素不可忽視我們也需要考慮到大語言模型中可能普遍存在的局限性與風險，以及在大語言模型產業化之前如何應對由這些局限因素帶來的影響。在工業自動化中使用大語言模型可能會帶來一些道德考慮和風險，必須要認真對待，以確保這項技術的使用是負責任的，并且符合道德規范。?系統安全:當討論AI模型執行工業自動化操作的可能性時，首先必須制定明確的安全措施。?數據安全:大語言模型需要大量的訓練數據。這些數據可能包括個人敏感信息或有關特定流程的保密信息，因此確保數據安全，遵守保密原則、尊重個人隱私權至關重要。?偏見:大語言模型可能會將訓練數據中存在的社會偏見一直延續下去，并持續放大這些偏見的影響。這可能導致不公平和歧視性后果。因此，識別偏見并減輕偏見的影響很重要，它有助于確保結果的公平公正。?信息安全:大語言模型容易遭到模型竊取或對抗性攻擊等惡意攻擊。必須確保這些模型的安全，幫助其抵御威脅。?解讀:大語言模型很難解釋和理解，因此對于它做出的響應也可能會難以解釋。在決策過程中使用這些模型時，這可能會成為問題，因為很難理解這些決策的基礎是什么，也就很難確保其公平性和合理性。?以人為本:通過前文，我們已經看到了大語言模型在工業自動化領域的一些積極的應用前景。然而，任何輸出仍需要人類的審查。這些模型只能用作人類能力的補充。例如，機器可以執行任務，但任務完成后必須有人來進行檢查；或者機器可以改進或挑戰人類的創造性?可靠性:由于大模型特有的“幻覺”（Hallucination）現象，大語言模型的結果可能并不一定真實，即使模型微調、RAG等技術可以大量減少“幻覺”現象的出現，其輸出結果用于重要場景時始終應該由人類專家來進行審查。““AI技術的發展是一個漸進的過程，既需要數據分析、建模和安全技術的不也依賴于政策和社會準則的匹配與協調。政策規則可以根據需要進行調整，而社會準則往往需要更長的時間來改變。”發揮大語言模型的潛在優勢，重在產業化部署如上所述，要想利用大語言模型的優勢，就必須對其進行恰當部署，并充分考慮其限制因素。此外，還需要重點考慮的是，大語言模型的潛在規模，以及哪些地方可以或者需要部署這些大語言模型。特定領域的數據對大語言模型進行預訓練可以提高其性能并簡化其部署。不同行業應評估如何創建這些基礎模型，以及何時需要大模型，何時需要更小的、更具體的解決方案。例如，特定領域的大語言模型——如制造行業GPT、醫療行業GPT、旅游行業GPT等——意味著可以創建更小且更聚焦特定領域的模型，然后在此基礎上進行構建。這也有助于解決因非相關背景疊加而產生的錯誤輸出。也可以由同一行業中的各個組織來協作，共同創建適用于其領域中普適性用途的GPT。oAI大小模型融合互補，加速推動產業全面轉型1.2.3更精準可靠，小模型在工業與能源領域的應用仍具優勢我們觀察到在一些使用場景，如精確度要求不高的預測與推理任務中，大模型已經有取代小模型之勢，但與大模型相比，小模型在工業與能源領域的應用仍有其獨特的優勢。第一，小模型在數據量受限的環境中表現更出色，比如企業生產環節里的數據量有限時，通過小樣本學習技術大量減少訓練樣本所需數量。第二，小模型通常沒有“大模型”中常見的“幻覺”現象，具備更高的精準度和可靠性，這使得小模型在工業場景中能夠提供更為可信和穩定的結果，進一步提升了其應用價值。第三，小模型在定制化投入的時間與財務成本都較低，面對工業能源領域碎片化、精專的使用場景，大模型技術尚未成熟和廣泛應用時，小模型能夠更快速地進行迭代和部署，適應不斷變化的工業需求。在工業與能源領域，小模型通常應用于以下三種任務:識別分類、預測優化、知識推理2?識別分類:小模型在識別與分類任務中表現出色，特別是在圖像和聲音識別方面。盡管其規模較小，但通過精細的訓練和優化，小模型能夠在許多工業應用中實現高精度的識別。在該類任務中，視覺識別是最為主要的使用場景。例如，在質量檢測過程中，小模型可以快速識別產品缺陷，確保生產線上的產品符合質量標準。此外，在安全監控系統中，小模型可以實時分析監控視頻，識別潛在的安全威脅，提高現場安全性。?預測優化:小模型在預測優化方面同樣具備強大的能力。它們可以通過分析大量的生產數據和歷史數據，建立高效的數據模型，優化生產流程和資源配置以及針對設備預測性維護等。例如，在能源管理中，通過建立決策式小模型，根據用電數據和生產需求，優化能源分配，減少能源消耗和成本。通過結合實際生產在線數據和歷史離線產品質量評價數據建模，決策式小模型還可以實現工藝控制算法的高精度優化，提升產品質量的同時降低生產成本。?知識推理:通過專家系統或知識圖譜，小模型能夠在知識推理和決策支持方面提供有力的輔助。通過集成各種數據源和知識庫，小模型可以在復雜的決策過程中提供實時的分析和建議。例如，在設備維護中，通過專家系統技術，小模型可以根據設備的運行數據和歷史故障記錄，推理出潛在的故障原因，并提供維護建議。盡管隨著大語言模型的快速發展，通過檢索但兩者的結合在對知識可信度和可解釋性要求高的場景下仍有其獨特的優勢。例如，大模型可以處理和理解大規模的非結構化數據，而小模型可以提供高精度和高可靠性的推理結果。規模部署受限，小模型對投入產出要求更高小模型的專業性和精準可靠對于它在工業能源領域推廣是一把雙刃劍。盡管訓練與調優成本遠低于大模型，但由于缺乏通用性，使得其應用范圍十分局限，如工藝的流程優化往往需要針對一個產線、甚至一個環節來進行訓練。因此在技術想要大規模推廣時，邊際成本仍然較高，這一點導致了企業做投資決策時，小模型的導入對價值回報有著較高要求。注[2]:中國信息通信研究院《工業智能白皮書（2022）》oAI大小模型融合互補，加速推動產業全面轉型1.2.4大小模型融合互補，推動工業與能源領域全面轉型在AI應用的發展中，生成式大模型與決策式小模型的融合應用正逐漸成為一種新的嘗試。這種融合不僅能夠發揮大模型和小模型各自的優勢，還能克服單一模型應用中的局限性。以下是一些典型的融合應用方式：?大模型生成負樣本幫助小模型訓練。比如說在工業質量檢測場景中，大模型可以通過圖生圖，快速生成大量負樣本，增強模型訓練中的圖片驗證過程。?大模型作為AI智能體的大腦，調用小模型執行特定任務。例如發現質量缺陷和產量異常時，需要及時知道是否是工藝問題引起，避免進一步損失。此時大模型可以作為人機交互的調度中樞，通過分析總結能力告知管理者出現了何種異常，并且調用根因分析的小模型進行專業的根因分析，并根據小模型的分析結果進行自然語言輸出。綜上所述，如今人工智能技術的迭代日新月異，然而無論是生成式大模型還是決策式小模型，要想大規模落地仍有其各自的限制。正如同電力、互聯網技術等通用技術的發展，需要不斷完善基礎設施以及創造價值落地的使用場景。關于AI大規模應用，我們仍處于場景和價值探索的早期，因此需要從業務場景和價值出發，以需求拉動AI生產力的發展，而不能只站在技術的角度來進行推動。在本報告的第二到第四章，我們將分別與讀者探討新時代AI在工業與能源領域的價值主張、AI場景落地實踐、以及以場景為中心的企業AI轉型實施路徑。““AI為企業帶來降本增效的巨大機會，但同時，各企業也逐步認識到AI落地的困難性。這是因為AI為企業創造價值依賴管理、業務、技術的合力。也就是說，企業的AI轉型不只是技術的轉型，而是基于AI的企業全面轉型生成式。”——IBM咨詢大中華區人工智能業務負責人黃震豪oAIforGREEN–由點到線，重構新型商業模式2AI2AIforGREEN2.1AIforGREEN：發掘AI五大核心價值，打造新型商業模式施耐德電氣商業價值研究院自成立以來，以低碳可持續和智能制造為主軸，跟蹤調研了工業與能源領域的眾多企業高管。我們發現，隨著科技的進展，企業對AI價值的期待愈發立體，主要體現在以下三個趨勢：首先，從僅重視AI的商業收益，拓展到越來越注重社會環境價值；其次，價值取向從宏觀決策到微觀個體，更加關注AI如何影響并優化每一個用戶的體驗；最后，從追求AI帶來短期的快速增長，到更重視長期的價值跨越。在AI飛速發展的新時代，大小模型的技術更迭賦予了AI更強大的價值潛力。在工業與能源領域，我們認為應該以實際業務場景驅動AI應用，才能實現企業在新時代的價值跨越。因此，我們提出“AIforGREEN”的綠色智能價值主張，其中“GREEN”每個字母分別代表應用AI五個維度的核心價值，本章將以此價值主張為起點，與讀者共同探討AI在工業與能源領域全價值鏈的場景地圖。?Growth代表業務價值增長:AI技術推動業務價值的飛速增長，為企業創造前所未有的機會和回報；?Reliability代表可靠性和韌性:AI技術提升工業制造及能源管理的可靠性和韌性，把穩定的自動化達到全新的高度；?Efficiency代表高效和滿意度:AI凝練行業經驗，卓越運營，帶來前所未有的高效和滿意度；?Environment代表環境友好和可持續發展:AI技術提升能源和資源的利用效率，減少浪費和排放，幫助企業實現可持續發展；?NewHorizon代表全新商業模式:AI不僅能夠簡化現有產品研發過程，并可顛覆傳統商業模式，開創全新的商業運作方式。GGREEN以場景驅動AI應用,實現企業價值跨越簡化研發顛覆商業模式可靠性和韌性業務價值增長可持續發展高效滿意oAIforGREEN–由點到線，重構新型商業模式oAIforGREEN–由點到線，重構新型商業模式2.2應用場景是AI的“演習場”、“數據源”和“創新地”3要實現AI價值的全面落地，應用場景是爆發的關鍵。我們不應該從科技本身入手，而是要明確適合的應用場景。正確的應用場景能夠最大化AI的潛力，助力企業實現智能化轉型和長期戰略目標。場景對于人工智能爆發的意義可以從三個方面來看：?首先，場景是人工智能技術的“演習場”。機器學習算法和大語言模型只有在實際場景中接受“檢驗”，才能發現技術落地的價值與發展空間，比如可靠性、成熟度、成本等。同時，場景應用也為技術優化和迭代指引了方向。?第二，場景是反哺人工智能技術不斷迭代的“數據源”。千行百業的應用場景中蘊藏著AI技術進化所需要的數據“營養”。工廠里的每條產線，樓宇中的每臺空調，曠野中的每座風機，以及企業多年來生產經營活動的日志文件等……都是珍貴的數據“原礦”，需要進一步挖掘、清洗、標注、預處理、推理和驗證。從場景中來，到場景中去，這一過程“哺育”了正在茁壯成長的人工智能技術。GREEN?第三，場景是人工智能再次發展和飛躍的“創新地”。現今火爆的通用大模型雖然能夠應對廣泛、多樣化的任務，但一旦深入具體產業，就需要與行業經驗相融合，獲取場景中蘊藏的專精知識。而構建垂直行業大模型，則為解決復雜的專業問題提供了新解法。GREEN“實現大規模“實現大規模AI的應用，首先要從業務場景出發，從業務價值出發，而不能只從技術出發。”——PhilippeRambach,施耐德電氣CAIO2.3以GREEN重構全價值鏈AI場景地圖因此施耐德電氣商業價值研究院認為，企業應以場景驅動AI應用，實現企業價值跨越。并在此以場景地圖的形式列舉了AI在工業與能源領域的企業全價值鏈（研發設計、供應鏈、生產與運營，營銷及售后）部分應用場景，并針對重點應用場景在第三章中展開具體案例介紹，與讀者共同探討。注[3]:內容摘自21世紀經濟報道《施耐德電氣尹正：讓技術深入場景，人工智能價值迸發“關鍵一躍”》由GREEN重新構筑的企業Al全價值鏈場景地圖-研發與設計GrowthReliabilityEffciencyEnvironmentNewHorizonGREEN知識問答機器人西基于大模型語意理解和生成能力,使得知識查詢更加精準和高效。GREEN專家知識服務GREEN基于領域知識,開放對外專基于領域知識,開放對外專家機器人,開啟第二賽道。通過大模型分析用戶與市場需求,通過大模型分析用戶與市場需求,提升產品上市速度代碼COPILOT基于大模型輔助生產代碼,代碼COPILOT基于大模型輔助生產代碼,加速開發進度。GREEN專利助手基于大模型快速總結對比專利信息、降低專利違規風險。GREEN專利助手基于大模型快速總結對比專利信息、降低專利違規風險。繪圖助手使用AI驅動的CAD工具,幫助設計師快速生成草圖,并提供及時的設計反物理仿真建模GREEN基于AI模型降階,加速少實際實驗材料使用。打造企業A中臺,賦能全員加速GREENGREENA繪圖助手使用AI驅動的CAD工具,幫助設計師快速生成草圖,并提供及時的設計反物理仿真建模GREEN基于AI模型降階,加速少實際實驗材料使用。打造企業A中臺,賦能全員加速GREENGREENADAl場景應用開發DAl禽GREEN圖紙合規助手禽GREENGREEN可持續材料決策A在價值鏈前端支持可持續材料的決策與推薦,從而最大限度地減少生產材料與創意過程的浪費。基于大模型快速識別圖紙是否符合國家GREEN可持續材料決策A在價值鏈前端支持可持續材料的決策與推薦,從而最大限度地減少生產材料與創意過程的浪費。oAIforGREEN–由點到線，重構新型商業模式oAIforGREEN–由點到線，重構新型商業模式由GREEN重新構筑的企業Ai全價值鏈場景地圖-供應鏈GrowthReliabilityEffciencyEnvironmentNewHorizonGREEN智能來料檢驗庫存優化庫存優化管理以及成品跨區域調貨合理分配庫存,減少庫存水平,優化供應鏈網絡。GREEN利用圖像識別、模式匹配等算法庫存優化庫存優化管理以及成品跨區域調貨合理分配庫存,減少庫存水平,優化供應鏈網絡。GREENGREEN需求預測GREEN智能預測需求Al并且減少過量生產帶來的浪費。智能預測需求Al并且減少過量生產帶來的浪費。應敏捷性與韌性、GREEN基于大模型審核采購合同/質保書,減少人為錯誤、加快審核速度、加強溯源性。GREEN路徑優化GREEN優化物流路徑、減少物流風優化物流路徑、減少物流風GREEN基于生產計劃、基礎能耗、天氣等因素輸出最優排產計劃,實現節能減排。GREEN供應商管理助手GREEN基于大模型審核與管理供應商資質文檔,加快審核速度、增強溯源性。由GREEN重新構筑的企業AIl全價值鏈場景地圖-生產與運營GrowthReliabilityEffciencyEnvironmentNewHorizonGREENESG智能助手GREEN利用A技術自動收集、整理和分析ESG相關數據,幫助企業發現ESG改進的機會,提出優化建議。GREEN視覺檢測GREEN基于視覺模型進行表面缺陷檢測,GREEN工藝優化GREEN設備預測性維護GREEN基于生產工藝數據通過Al實時控制添加物流量,實現質量與效率同時提升。設備預測性維護GREEN基于智能感知技術,以設備機理+數理模型為驅動,對設備進行故障預測判斷。GREENFMEA智能助手GREEN通過基于大語言模型的報告生成器,FMEA報告編寫時間可以大幅縮短,包括失效模式、潛在原因、預防措施、嚴重度打分等。GREEN智慧能源管理GREEN智慧工廠安全通過AI視覺保障生產安全,智慧工廠安全通過AI視覺保障生產安全,如叉車防撞檢測、防護設備穿戴檢測等。GREENoAIforGREEN–由點到線，重構新型商業模式由GREEN重新構筑的企業AIl全價值鏈場景地圖-營銷及售后GrowthReliabilityEffciencyEnvironmentNewHorizon3從降本增效到可持續發展，扎根場景全面引爆AI價值GREEN輿情分析GREEN檢測社交媒體上對品牌的輿情,通過大模型快速總結,及時洞察市場需求和情緒。洞察GREEN客戶數據治理和洞察GREENGREEN銷售線索評分基于生成式Al,分析客戶個性化數據,得出用戶洞察,輔助市場與研發決策。通過AI分析客戶數據GREEN銷售線索評分基于生成式Al,分析客戶個性化數據,得出用戶洞察,輔助市場與研發決策。GREEN營銷內容生產GREEN營銷內容生產基于生成式Al,輔助生成個性化營銷文案、海報等,大幅增加營銷效率。N售后助手通過基于大語言模型的維修知識庫,設備維修人員可以通過與Al維修知識專家詢問,迅速獲取解決方案建議。GREE基于生成式Al,輔助生成個性化營銷文案、海報等,大幅增加營銷效率。N售后助手通過基于大語言模型的維修知識庫,設備維修人員可以通過與Al維修知識專家詢問,迅速獲取解決方案建議。GREEGREEN數字人虛擬主播GREEN通過A通過A數字人技術,提供個性化主播、培訓等服務。GREEN基于大模型提供實時客戶服務解答,自動處理常見問題和投訴,提高響應速度和客戶滿意度,減輕人工客服壓力。。從降本增效到可持續發展，扎根場景全面引爆AI價值本節精選了施耐德電氣與合作伙伴IBM作為AI賦能者與踐行者的6大具體案例，以展示不同的AI技術在實際場景中GREEN價值的體現。3.1案例1:智能便捷、降本增效——工業設備預測性維護中的AI應用43.1.1企業痛點設備管理是工業生產中最重要的組成部分之一。針對設備智能運維，企業往往面臨幾大痛點問題：1.如何改善傳統運維方式導致的效率低、成本高問題？2.如何提前預測并準確定位設備故障？3.如何減少設備意外停機的損失？4.如何通過智能運維實現設備全生命周期管理？5.如何減少欠維修、過維修次數，延長設備的壽命周期？為了幫助企業解決痛點問題，切實提高設備管理、運營效率、產品質量和安全環保水平，施耐德電氣推出預測性維護顧問PredictiveMaintenanceAdvisor（簡稱PMA）。相比較傳統的響應式維護、預防性維護和基于狀態監測的維修，預測性維護改變了傳統的被動式維護、更加主動和精準，能夠在設備出現故障前進行干預，從而提高設備的可靠性和延長使用壽命。其核心是基于智能感知技術（包括大數據和AI技術），利用設備機理+數理模型驅動的一種智能故障預測診斷方案，對設備進行保養維護。注[4]:內容摘選自《施耐德電氣PMA設備預測性維護解決方案》。從降本增效到可持續發展，扎根場景全面引爆AI價值>PMA>>> > >3.1.2解決方案：AI在預測性維護中的應用Link150RS485公Modbus-TCPPIMS系統DCS系統SE-IOTLink150RS485公Modbus-TCPPIMS系統DCS系統SE-IOTCloudE大屏數據展示手機APP運維web平臺診斷分析故障預測模型機器學習算法故障預測模型風機、泵機、減速箱、風機、泵機、減速箱、空壓機等各類旋轉設備從降本增效到可持續發展，扎根場景全面引爆AI價值從降本增效到可持續發展，扎根場景全面引爆AI價值3.1.4應用案例3.1.4應用案例（一）水泥行業設備預測性維護案例水泥行業某世界五百強企業工廠的3條產線都部署了施耐德電氣的預測性維護系統，用于監測其關鍵設備(球磨機、風機、輥壓機等)的運行狀態和故障診斷，預測故障，降本增效，實現設備統一管理和智能運維。?基于振動機理+數理模型的設備故障預測與診斷:通過智能傳感器和邊緣計算網關獲取振動數據，利用設備的振動機理和數理模型（數據積累并學習優化模型），結合工藝數據，通過AI技術對設備運行數據進行頻譜分析和相關性分析，從中提取關鍵特征值。通過這些特征值，PMA系統可以智能地定位設備故障的位置和類型，幫助運維人員提前采取維護措施。?利用AI相關性分析技術，得出故障原因貢獻度，定位故障產生的原因:AI技術能夠通過分析找到設備發生故障時與故障最相關的特征值或工況參數，從而確定設備具體部件產生故障的原因及其貢獻度。通過這種方法，AI系統能夠積累故障原因庫，從源頭上避免同樣故障的再次發生。?利用AI技術提取設備壽命顯著特征值，實現剩余壽命預測:AI系統通過提取和分析設備的關鍵特征值，能夠對設備的剩余壽命進行預測。這種預測基于設備的歷史運行數據和當前狀態，結合機器學習模型，提供精確的壽命預測結果，幫助企業進行更有效的設備管理和維護計劃，最大化設備的使用壽命。3.1.3方案價值對對象：水泥磨球磨機2311客戶收到系統客戶收到系統AI告警推送，去到現場發現聯軸器橡膠墊片存在磨損，隨即更換了橡膠墊片。AIAI驅動的預測性維護解決方案能夠為不同類型的用戶帶來顯著的價值：一天后，又得到施耐一天后，又得到施耐德電氣團隊的反饋和報告。需對電機不對中問題進行排查。設備處于健康運行。從降本增效到可持續發展，扎根場景全面引爆AI價值。從降本增效到可持續發展，扎根場景全面引爆AI價值（二）食品飲料行業設備預測性維護案例某世界知名的啤酒品牌針對其工廠的關鍵設備如均質機、粉碎機、離心機等，部署了施耐德電氣預測性維護系統，從而實現設備故障預測和健康運維管理，并推動工廠及集團的數字化轉型。對象：均質機1系統識別出設備震動異常并第一時間發出對象：均質機1系統識別出設備震動異常并第一時間發出告警。>>>>>>>4檢修復位后，設備振動及峰值因素明顯下降。成功地幫助客戶提前發現一次故障，防止因油封變形移位導致的活塞桿表面拉傷。客戶停機檢查，調查結果證實：異物墜入均質機的活塞箱，與活塞桿發生碰撞，磁撞后活塞桿油封移位。AI診斷給出維修建議：異常能量主要來源于活塞曲柄側。2>>>>>33.2案例2:節能降耗，減少碳排——大數據模型實現車間能源預測，助力能源管理系統優化3.2.1企業痛點能源消耗是企業運營成本的重要組成部分。對能源管理系統進行整體規劃、部署能源管理系統實現能源的測量、分析、計算、監控和控制，通過優化能源使用，減少能源浪費，提高能源利用效率，實現節能環保已成為眾多企業的共識。本項目中，能源管理系統將貫穿全車間相關操作員、工程師和各級管理者，實現車間生產過程的能源供給和使用的信息透明化、加強能源信息可視化和可追溯能力，降低各非正常工作工況能耗，并提供基于WEB的監視、配置、查詢、分析等功能，供各相關部門查詢分析能源相關信息。為進一步對生產能源利用開展持續改善，提升管理水平創造必要條件。具體來講，需要實現以下兩個目標：?實現兩個層次的服務，即一方面為車間管理人員提供直觀、簡明、快捷的能源數據查詢、數據分析和相關決策支持服務；另一方面是為相關操作人員提供操作指導，降低生產準備時間、生產間歇時間以及停產時間的能耗。?利用數學模型、預測和數據挖掘等理論方法和技術手段對有關數據進行深入的加工處理及分析。基于相關AI模塊對本項目相關功能提供決策支持，并為集團其他類似項目提供相關數據基礎。3.2.2解決方案：包含大數據模型的能源管理系統結合施耐德電氣跨行業的能源管理系統成功經驗以及企業現實情況，并充分考慮未來的可擴展性，相關車間的能源管理系統規劃包含能源數據采集和監控、生產狀態感知、大數據模型、節能運行指導和推送、以及能源數據展示和分析五大模塊，其中大數據模型模塊涉及以下三大算法場景：。從降本增效到可持續發展，扎根場景全面引爆AI價值?算法場景一:排產及能耗預測排產是影響工廠生產成本、運營效率、履約水平和營銷效益的關鍵環節之一。系統根據用戶輸入的基礎能耗、生產計劃（產量、生產時間）、天氣等因素，輸出未來不同介質的能耗情況并給出最佳的排產計劃。?算法場景二:關鍵設備精準開關機針對烘房和工藝空調等關鍵用能場景，計算各工藝段首個產品到來的時間和末個產品離開各工藝段的時間，并基于AI/ML模型算法開發，輸出各工藝段最優、節能的設備啟停時間。?算法場景三:關鍵用能場景工藝參數優化通過企業產能計劃與歷史的設備運行情況，對于高能耗的重點區域，建立AI模型，給出在正常生產、計劃內停線、計劃外停線、停產等生產模式下設備參數調優的建議，在保證節能的境況下進行正產生產。3.2.3方案價值項目預計為企業實現以下收益:?實現對供配電、壓縮空氣，天然氣，冷水，熱水消耗等相關子系統的自動數據采集，自動監控相關重點參數狀態，實時報警；?能源可視化管理：以圖表、棒圖、曲線圖進行分析，并實現可視化管理；?實現了對能耗指標的評估、能源消耗結構分析及能源消耗成本分攤；?實現預設各場景下的節能控制；?提供定制化能源數據分析，為車間進一步發現節能機會提供可能。。從降本增效到可持續發展，扎根場景全面引爆AI價值3.3案例3:提升效率、降低成本——AI優化食品飲料工藝3.3.1企業痛點食品飲料的生產包括如混合、過濾、罐裝和包裝等多個關鍵工藝步驟，其中硅藻土廣泛應用于酒、果汁、植物油等產品生產環節的過濾環節，通過去除細微顆粒和懸浮物，提升產品的澄清度和穩定性。以某食品飲料工廠的過濾工藝為例，目前的自動化控制依賴預設規則、固定程序和人工經驗，存在效率低、耗時長、成本高、缺乏自動調整和預測維護能力等問題。客戶希望通過AI技術，實現從自動化到智能化的控制，在保證質量的同時，提高生產效率和降低成本。3.3.2解決方案根據客戶需求，施耐德電氣提供了一個集成數據分析、算法配置等功能的AI控制系統，系統共有三層網絡架構（從底層往上分別為OT層、基礎網絡層和IT層）。該解決方案在自動化理論優化過濾工藝：?數據驅動與個性化建模:AI系統從歷史數據中分析生產中多變量、非線性關系以及難以預測的因素，超越人工經驗以應對復雜的過濾工藝，同時針對不同產品和步驟單獨建模，確保每種產品都能獲得最佳過濾效果，適應復雜的工況變化；?智能的添加泵開度策略:硅藻土添加流量與添加泵的開度線性相關，AI系統通過實時數據分析動態調整泵的開度，確保添加量準確，減少操作誤差，提升過濾效率；?自適應學習與優化:通過機器學習和深度學習算法，從數據中學習和優化控制策略，自主適應不同工況和環境變化，提升生產效率和產品質量；?實時監測與智能決策:通過實時監測分析與優化算法，識別優化空間、提供最佳策略并智能調整，以降低能耗，減少資源浪費。3.3.3方案價值通過構建數據驅動的AI控制模型，企業在硅藻土過濾工藝中實現了顯著優化，提升過濾質量、生產效率，并顯著降低成本，為企業帶來實際經濟效益，為食品飲料行業的智能化升級提供了有力支持。主要指標改善如下：1)質量提升~25%：有效提升產品的澄清度和純凈度；2)效率提升~20%：減少過濾時間，縮短生產周期；3)成本節省~25%：有效減少硅藻土浪費，顯著降低生產成本。。從降本增效到可持續發展，扎根場景全面引爆AI價值3.4案例4:改進質量、節約成本——基于AI技術的視覺質量檢測3.4.1企業痛點在工業企業的供應鏈當中，質量檢測是至關重要的步驟，其需要在產品生產過程中，對產品的生產過程、外觀、特征以及生產最后的結果進行檢測，確保產品的質量和結果符合產品質量要求。施耐德電氣母線工廠于1997年在廣州經濟技術開發區成立，主要業務是生產面向中國和東南亞市場的I-LINE配電母線系統及Canalis配電/照明母線，承擔著較多的生產任務。從母線生產的流程看，粘防水膠條至關重要，該步驟如出現遺漏，將直接影響后續產品質量。基于FMEA5RPN分析，防水膠條工序從失效后果的嚴重度（S）、發生的頻度（O）和失效原因的可探測度（D）來看，被列為了重點改進環節。同時，傳統的粘防水膠條基本手動完成，并進行人工檢測，容易出現效率低下以及漏檢等情況。因此，工廠希望以自動化、智能化的技術與手段來有效把控質量。3.4.2解決方案為了更好地提高質量檢測的準確度，在項目初期，工廠實施團隊基于項目痛點，提出了多種不同的解決方案，然而由于廣州母線工廠歷史較長，自動化設備老舊，PLC的點位較少，改造難度及成本較大，因此，最終決定采用基于視頻流的AI解決方案。該方案將母線蓋板動作完成作為視頻拍攝觸發點，每隔6秒自動進行拍攝，最終選取最后5張照片發送至IoT平臺進行推理。該方式對于服務器的性能要求較高，同時需要高精度工業相機。在確定解決方案后，通過AI引擎的一站式應用搭建，快速形成了方案落地。具體來說，在施耐德電氣自研的AI引擎平臺上標記出30-50個樣本，以拖拉拽的方式將樣本圖片放入畫布式建模，通過模型訓練后，將模型發布至模型倉庫，開發完成的模型上傳至施耐德電氣IoT平臺的推理模塊，初步的模型一周即可上線。上線后，通過現場真實環境的驗證，檢查圖像并進行AI再訓練，利用KAPPA系數6比較模型預測的正負例與實際分類的正負例，歷時3個月的優化，更新了10+AI模型后，最終KAPPA系數從初期的70%提升至99.5%，完成模型迭代及精度的提升，滿足了工廠的質量要求。3.4.3方案價值通過AI視頻流解決方案，最直觀的結果是對于質量的改進，漏檢率為0，過檢率能夠控制在0.5%以下，工廠只需要隨機巡檢。從經濟效益看，僅防水膠檢測這一環節就為工廠每年節省了上百萬的成本。更值得一提的是，基于施耐德電氣AI引擎和IoT平臺的配合，為業務負責人、運營經理、數據分析師等用戶提供低代碼乃至零代碼的AI應用，幫助工廠快速進行場景的復制推廣。AI技術可以與視覺識別系統等技術相結合實現對產品的智能檢測和質量控制。目前，施耐德電氣在中國構建的基于AI技術的工業視覺質量檢測解決方案，已經在施耐德電氣中國15家工廠上線，能夠針對產品表面的缺陷進行檢測，實現了零漏檢率，大大提高產品質量，有效減少因產品瑕疵而浪費的資源和時間。注[5]:全稱為FailureModeandEffectsAnalysis，即失效模式及后果分析。注[6]:KAPPA系數是一種統計測量方法，用于評估兩個分類者（比如兩個人）在對一組項目進行分類時的一致性程度。例如，你和一個朋友一起給一些圖片分類（比如判斷是貓還是狗KAPPA系數就是衡量你們的分類是否“同步”，如果值接近1，表示你們的分類基本一致，如果有分歧，值會接近0或者負數。簡單來說，它就像一個度量你們分類默契度的指標。。從降本增效到可持續發展，扎根場景全面引爆AI價值3.5案例5:以AI會友，共創制造業智能化未來3.5.1企業痛點源卓微納科技（蘇州）股份有限公司是一家在業界處于領先地位的高科技公司，專注為高端電子電路、IC載板、先進封裝、微機電系統（MEMS）、泛半導體、太陽能和微納器件制造提供生產設備和工藝解決方案。艾科斯冪信息科技有限公司（X-POWER）是一家科技創新公司，為客戶定制化提供智能化數字化整體集成系統解決方案,2023年成為IBM金牌合作伙伴。在產品研發過程中，源卓微納面臨著做市場調研和市場評估，人力投入高、檢索效率低的挑戰，也不能保證技術調研的準確性、及時性和全面性。希望找到一種方式來幫助研發團隊提高工作效率。另外，為了贏得客戶的滿意度，源卓微納對客戶的承諾是7*24小時的技術支持和售后服務，遠程服務15分鐘內響應，駐點區域4小時內到達。源卓微納一直在尋找合適的智能手段來提升售后服務效率。3.5.2解決方案艾科斯冪與IBM合作根據源卓微納的業務需求，選擇了watsonxAssistant做為智能助手提供前端入口和語義理解的能力，WatsonDiscovery做為文檔存儲和檢索工具，并集成了IBM最新的AI開發平臺watsonx.ai，為源卓打造了企業級智能問答知識庫。這個體系還利用IBMAI驅動的應用集成方案CloudPakforIntegration(CP4I）進行應用集成。watsonx.ai為IBM企業級AI開發平臺，基于最新生成式AI功能，使數據科學家、開發人員和數據分析師能夠利用開放直觀的用戶界面來訓練、測試、調整和部署AI。watsonxAssistant提供面向業務的更智能的對話式AI平臺。WatsonDiscovery為AI支持的智能搜索和文本分析平臺。CP4I具備提升應用程序速度與質量的卓越優勢。3.5.3方案價值項目實施之后，全面提高了源卓微納的研發效率和售后滿意度：?研發售后人員登陸OA系統，根據登陸ID，系統會判斷登錄者有哪些權限。之后到達基于IBMwatsonxAssistant搭建的“智能問答界面”；?根據用戶的問題進行語義分析、同時基于關鍵字在WatsonDiscovery知識庫中進行檢索返回到watsonxAssistant；?透過watsonx.ai大語言模型進行深加工，使得答案更加準確和人性化，并將答案返回到watsonxAssistant智能問答界面上。從降本增效到可持續發展，扎根場景全面引爆AI價值3.6案例6:推動更智能的可持續運營，引領時尚風潮3.6.1企業痛點BestsellerIndia是Bestseller的子公司。Bestseller是總部位于丹麥的全球“快時尚”零售商。作為一種動態的商業模式，“快時尚”注重在數天或數周內快速上架新潮服裝款式。但這個過程會消耗大量的原材料、水和能源。如果新款設計未獲得消費者青睞，則會打折出售庫存，其中一部分服裝最終會進入垃圾填埋場。因此，Bestseller希望和IBM合作，通過AI來幫助設計師和采購部門做出更準確的預測，打造更緊密貼合消費者需求的設計和生產流程，從而提高利潤，同時支持環境可持續性戰略。3.6.2解決方案BestsellerIndia制定了一個宏大的目標：開發一個支持AI功能的全新定制化平臺，用于全方位支持季前設計、規劃、生產和預測。該項目側重于為關鍵業務流程建立智能工作流，讓員工能夠利用迭代，BestsellerIndia與IBM車庫創新團隊為這個名為Fabric.ai的平臺引入了61個獨有概念。該平臺最終成為印度服裝行業的第一款AI工具。借助專為設計師量身打造的Fabric.ai數字平臺，BestsellerIndia可以助力在價值鏈中及時做出更加可持續的材料決策。此外，Fabric.ai還可以為產品規劃人員提供數據驅動的見解，從而降低服裝制造環節的環境足跡。利用IBMWatsonAI工具預測最佳產品、為每家門店確定最優的產品組合，有效提升了供應鏈的效率。3.6.3方案價值?更精準的預測分析:AI保證更加準確的消費者需求預測與產品銷量預測，為產品規劃提供數據驅動的見解?更實時的數據洞察:AI支持在零售店層面具體產品的銷售業績分析?更智能的門店運營:AI幫助門店找到最合適的產品組合，從而為采購和銷售團隊提供幫助?更綠色的材料應用:AI在價值鏈前端支持可持續材料的決策與推薦，從而最大限度地減少生產材料與創意過程的浪費?可擴展的AI功能:Fabric.ai的一系列功能最初聚焦ONLY服裝系列，目前已擴展到Jack&Jones、VeroModa等其他品牌以場景為中心4四大步驟，以場景為中心實施AI轉型。四大步驟，以場景為中心實施AI轉型以大規模實現AI應用為目標，我們結合自身實踐以及賦能客戶的經驗，將企業AI轉型從0到1，以及從1到N（全民實踐）過程的實施路徑，總結為以下四個階段：01.統一共識、規劃全圖；02.聚焦場景、小步快跑；03.數據沉淀、構建壁壘；04.民主賦能、全民創新。在各個階段中，我們將以場景為中心出發，同時充分考慮企業價值與投入、數據與知識治理、以及組織和工具的變革。統一共識、規劃全圖通過跨團隊交流統一AI戰略共識,采用"GREEN"價值框架全面梳理業務流程,繪制企業AI場景全圖。明確AI賦能方向,降低試錯成本,提高成功概率。04·民主賦能、全民創新彌補業務與科技知識差距,持續提升業務團隊Al認知;引進高效開發工具,降低技術門檻,激發全員參與和創造力,實現AI規模化賦能。02.聚焦場景、小步快跑03.數據沉淀、構建壁壘通過技術可行性、資源投入和風險評估篩選落地場景,組建跨部門項目團隊,敏捷迭代,03.數據沉淀、構建壁壘建立高效數據處理管道和嚴格數據治理機制,沉淀高質量數據;團隊協作共同挖掘企業內部獨特知識,逐步建立企業知識。四大步驟，以場景為中心實施AI轉型4.1統一共識、規劃全圖在AI轉型的落地實踐中，企業“一鼓作氣、再而衰、三而竭”的情況經常發生。我們在實踐中發現，這往往是AI轉型開始之初企業急于尋求速贏，一方面沒有統一團隊間共識，另一方面缺乏對應用場景的全面規劃。4.1.1統一戰略共識在AI轉型實施之前，我們建議企業組織全面的跨團隊和跨層級交流活動。這些活動可以通過分享會、培訓課程或工作坊的形式進行，邀請業務部門、科技團隊以及法務、財務等相關支持部門的成員參與。科技團隊在分享時，需要使用通俗易懂的語言，以確保非專業人員也能清楚理解AI技術的基本概念及其對企業業務的潛在影響。我們的目標應該是讓各部門對于AI能夠做什么，無法做什么，以及實現某項技術大致需要何種量級的投入有一致的共識。4.1.2規劃場景全圖在統一共識之后，企業需要對現有的所有業務流程進行全面梳理，包括研發、供應鏈、生產與運營、營銷與售后等多個方面，并以價值為導向發散思維，如使用“GREEN”價值框架來全面思考機會點所在：?Growth（增長）:評估各業務流程在提升產能、增加收入和市場份額方面的潛力。優先選擇那些能夠顯著推動企業增長的場景。?Reliability（可靠）:選擇那些可以通過AI增強穩定性和可靠性的流程。確定哪些流程可以通過AI技術有效緩解風險，提高業務的持續性和可靠