洪朴总裁陶青：基于 AIGC 的制造业知识管理 天天新动态

5 月 23 日，36 氪举办「颠覆 · AIGC」产业发展峰会。本次峰会汇聚产业力量，共同探讨企业、行业在面临变革时的应对策略，分享思考，探索和发现产业中最具潜力的企业与最具价值的技术，在激荡的环境中探寻前行的方向。

大会上，洪朴总裁陶青发表了题为《基于 AIGC 的制造业知识管理》的主题演讲。基于洪朴利用 AI 大模型赋能制造业企业的三个具体案例，陶青分享了 AIGC 为制造业创造价值的三种途径：一是，基于 AIGC，制造企业可以全面继承在行业内长期积累的知识，将行业 know-how 快速转化成企业自身能力；二是，制造企业可以对分散在各个系统、文档、数据库、流程制度中的、各个专业领域的知识，进行综合分析和理解，突破人工经验局限，形成新能力；三是，制造企业可以将有价值的数据、经验留存在企业内部，而不是 " 随人而动 "，可以提升对知识的保护力度。

(资料图)

制造业场景繁多，不同行业又涉及不同细分场景。陶青指出，洪朴过去的做法是针对性解决不同场景、行业分别面临的智能数据分析问题，但在 AI 大模型出现后，正在探索如何基于新的技术糅合多场景数据，实现制造企业的全局知识管理。

以下为陶青演讲实录（经 36 氪整理编辑）：

大家好！

站在时代面前我们会有非常多的机会，接下来我分享一下我们的观点和故事，我是陶青，来自洪朴，我们致力于让 AI 惠及中国制造。

我不是做技术出身，我从行业起步，在半导体从业了 10 余年，接下来我将分享三个故事，与大家一起探讨 AIGC 技术能为制造业带来什么价值。

第一个故事，我想称之为 " 后发优势 " 的故事。这个故事是关于半导体行业中的一类常见设备，其国产化的时间已经不短了。客户告诉我们这类设备国产化后故障率相对较高，控制精度也不是很好。我们是做制造业数据分析服务的，设备控制和设备诊断是我们的主要场景，我们发现这可能是中国制造业设备国产化的一个重要话题。中国开始有越来越多的国产化设备，特别是在高端制造，譬如半导体行业中，我们已经有了很多国产化的高端设备。但可能设备是国产的，控制参数是海外引进的，我们还没有足够的时间完全掌握这些设备。这也是我们中国在制造业发展过程中必须要经历的过程。

那这样的情况给我们客户带来了什么样的具体问题呢？我们看到客户的设备工程师在一边研究材料学的论文，一边研究如何调试设备参数；他们缺乏此类设备的使用经验，所以这些控制参数到底为什么要这样设置？这项参数为何是 30，而不是 50？那项参数为何是 35.5，而不是 35.4？这些经验，我们本土工程师是不具备的；但这个设备却有多达 854 个变量，复杂程度已经远超人的能力，客户工程师不可能筛选出最优的变量组合。

于是我们从客户手里拿到了这类型设备的各类数据，比如参数、指标、日志信息、生产过程中操作数据等，我们还拿到一些客户手上的海外同类型设备文件资料。经过学习、分析和模型的适配后，我们为客户提供了一套参数优化系统，图片上隐去了一些敏感推荐参数（图 1），系统会分析客户每次生产的变化，原材料变化、生产环境变化、设备 PM 变化，对每一次变化都进行生产参数推荐。

从第一次拿到数据，到最后形成参数推荐，大约用了两个月的时间，根据每一次参数推荐我们都会做一次实验，直到发现这样一个变化（图 2）：蓝色柱状图是经过优化之后明显提升的生产数据，这个数据已经达到国外同类型设备的品质，我们对于数据的优化情况感到非常惊喜。从这个小故事中，我们学到了第一个认知：基于 AIGC，制造企业可以将行业长期积累的知识，全面的继承和学习，快速转化成企业自身能力。这是我们认知到第一个点。

第二个故事，我称之为 " 智能拐点 "，这也是我们的真实故事，关于我们的一个半导体客户。该客户的一个生产基地有 4 个工厂，几百道生产工序，几千台设备，几十类产品，这意味着在中国，这个基地可能是该行业中最先进的。这个工厂的领导在和我们交流的过程中，向他们自己的工程师进行了提问：你们分析数据的时候，大概有多少数据量？工程师计算后表示，大约有几百道工序，一个电性能参数可能会有十几万个控制变量，一个产品有几十个电性能参数，数据量庞大。而且我们有几十类产品，如果这几十类产品同时生产，大约有几十亿、甚至上百亿的控制变量需要交叉控制和分析。领导提出了第二个问题：人工能做到吗？工程师表示这是不可能的。他们只能去抓取一些关键的指标，做一些定性的分析，远不能做到定量，并且只能是今天抓取数据，明天做好分析，后天再来看报告。这就是国内该行业最领先企业的现状。

我说洪朴或许可以尝试着来解决这个问题，于是我们基于 AIGC 技术给这个企业提供了 IDA 系统（智能数据分析系统），结论非常明确：数据分析效率提升 11 倍，发现生产线问题或者故障的周期缩短了 95%。各位看到这个表现会觉得其实还行，这也是大数据时代的常规表现。这个故事名字大家还记得吗？我称之为 " 智能拐点 "，拐点在什么时候出现呢？

有一次和这个领导开会，我们分享了一个发现，如图 3 所示，不难看出有一项参数对于某款产品的最终性能有直接负面影响，这位领导问了一个负责人：这个说法准确吗？这个负责人说：这是我们没有考虑到的，我们不知道有这样一项影响因素。于是我们做了几次实验，证实这个影响确实存在。

这个领导又问技术负责人：你们原先的企业是这么做的吗？这个负责人说：不是，当时我们也不知道有这个问题存在。听完工程师的答案后，领导表示他此时已经相信 IDA 系统的智能性了。所以我们说这一天是智能拐点的节点。

这个故事让我们又得到了一个新的认知：基于 AIGC，制造企业可以将分散在各个系统、文档、数据库、流程制度等各个专业领域的知识进行综合分析和理解，突破人工经验局限，形成新能力。

第三个故事更有意思。光伏是近几年的热词，我们在光伏行业有很多客户和成绩。光伏的某主要设备大约每三年会有一次重大更新，所以这个设备的工程师炙手可热，对于各个大厂而言都很抢手，这也导致这个设备的工程师跳槽频繁，薪资涨幅高达 50% 之多，因此导致光伏企业不敢深入培养工程师，企业担心把主要知识和工艺经验告诉工程师后，虽然设备维修的问题解决了，但万一跳槽该如何是好？所以这是一个很矛盾的问题，我称之为 " 熊掌和鱼 " 的故事。

一方面是企业缺少成熟工程师，另一方面企业又不敢给他们培训。我们提供一套系统，整合企业在这套设备上的各类数据：生产数据、质量图像数据、设备的日志信息、mes 数据等等，我们将这些数据综合起来训练，并通过洪朴的 " 设备哨兵系统 " 对设备实时管理，一段时间后我们看到：良品率、物料损耗、维护时长、人员效率等各方面指标都有明显的提升，从而实现降本增质。当然更为显著的益处在于客户的数据将被留存在企业内，同时帮助更多的产线员工具备专家级别的设备维护能力，这也是 AIGC 为制造业带来的价值。

做一个总结：洪朴对于 AIGC 在制造业知识管理上面能为行业带来什么价值？我们能带来以下三点价值。

第一，知识继承，不管知识是海内外的，还是留存百年的，只要有数据或是一些能够被阅读的内容，技术和模型能够将它转化为企业的能力；

第二，经验突破，我们能挖掘出一些人工无法发现的问题，这些问题处在经验盲区。当所谓多模态、多交叉学科的知识汇聚时，一定会有有不一样的发现，这是通过人工无法实现的。

第三，知识保护，我们能把数据留存在企业内部，我们称之为数据不出厂，知识不出厂。

制造业还有很多很多场景，刚才说到设备故障诊断，工艺参数优化，还包括 APS、EHS 管理、生产流程整合、质量分析等等，不同行业中也有很多不同细分场景，比如半导体、光伏、汽车钢铁等。

我们在不同场景和不同行业研发、落地、完善我们的产品，但是 AIGC 的概念和技术出现之后，我们在思考，如果打通各类场景的所有数据会怎样？AIGC 是不是可以在这样一个十分垂直的行业中，甚至在对于数据安全很敏感的制造企业中，能很好的管理这个制造企业的全局知识，让问题从一边输入的同时，好的解决办法就能从另一边输出呢？我们很期待。最后，让我借用上午韦青总的话来结束今天的分享：让我们把一些难的、复杂的或者是不想做的事情，交给算法，让我们人类继续进化。

谢谢大家，我是陶青，我来自洪朴。

整理｜沈筱