《施耐德電氣&IBM：2024年AI for GREEN以場景驅動AI應用實現企業價值跨越報告（23頁）.pdf》由會員分享，可在線閱讀，更多相關《施耐德電氣&IBM：2024年AI for GREEN以場景驅動AI應用實現企業價值跨越報告（23頁）.pdf（23頁珍藏版）》請在三個皮匠報告上搜索。

1、施耐德電氣商業價值研究院與 IBM 聯合出品https:/ 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袖、為企業掌舵的管理層，以及來自于通訊、信息安全、互聯網、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

2、企業咨詢服務中的積累，將深入探討企業戰略、研發管理、供應鏈管理、營銷、財務、人力資源、品牌推廣等話題，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。施耐德電氣 商業價值研究院介紹前言：核心發現與洞察1第一章：AI大小模型融合互補，加速推動產業全面轉型3第二章：AI for GREEN 由點到線，重構新型商業模式11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第四章：四大步驟，以場景為中心實施AI轉型30展望：成為AI驅動

3、型企業 38 核心發現與洞察1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生產力爆發生 成 式 AI（大 模 型）和 決 策 式 AI（小 模 型）的 結 合 應 用 是 A I 在 工 業

4、與 能 源 領 域 應 用新范式?，F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“AI for GREEN”的綠色智能價值主張，從增長（

5、Growth）、可靠性（Reliability）、效率（Efficiency）、環境友好（Environment）和新商業 模式（New Horizon）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?；瘧肁I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

6、企業的必經之路。前言：核心發現與洞察 AI大小模型融合互補，加速推動產業全面轉型41.1 不斷進化，生成式 不斷進化，生成式AI開啟 開啟 人工智能人工智能4.0時代時代人工智能（Artificial Intelligence,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

7、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。

8、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Attention is All You Need引入了Transformer

9、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Open AI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。AI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6 AI大小模型融合

10、互補，加速推動產業全面轉型5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？“現階段的AI更應被視為進化而非革命，因為其邏輯和規則依然由人類制定，諸如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?！笔┠偷码姎飧呒壐笨偛?，智能家居業務中國區負責人 高深“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?！盜BM 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1.2 大小模型深度融合，大小模型深度融合，是是AI在產業應用的必然趨勢在產業應用的必然趨勢1.2.1 定義：生成

11、式與決策式，大模型與小模型以ChatGPT、Stable Diffusion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”(Scaling Law)，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Open AI 2018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GP

12、T-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“

13、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

14、 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?？v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

15、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。AI大小模型融合互補，加速推動產業全面轉型8 AI大小模型融合互補，加速推動產業全面轉型7“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斷迭代，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?！笔┠偷码姎飧呒壐笨偛?，工業自動化中國中心負責人，中國研究院院長 胡曉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

16、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

17、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

18、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

19、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?；谀壳暗募夹g，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。

20、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

21、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

22、類的創造性思維?？煽啃?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。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

23、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。AI大小模型融合互補，加速推動產業全面轉型10 AI大小模型融合互補，加速推動產業全面轉型91.2.3 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

24、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

25、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

26、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，通過檢索增強技術（RAG）減少幻覺的發生，大模型在許多情況下可以替代小模型+知識圖譜的應用范式。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

27、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。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

28、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

29、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?！癆I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?！盜BM 咨詢大中華區人工智能業務負責人 黃

30、震豪注2:中國信息通信研究院工業智能白皮書（2022）2AI for GREEN由點到線，重構新型商業模式2.1 AI for GREEN：發掘：發掘AI五大核心 五大核心 價值，打造新型商業模式價值，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

31、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“AI for GREEN”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；Efficienc

32、y 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；New Horizon 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。(圖1)來源：施耐德電氣商業價值研究院 AI for GREEN 由點到線，重構新型商業模式12(圖2)來源：施耐德電氣商業價值研究院2.2 應用場景是應用場景是AI的“演習場”、的“演習場”、“數據源”和“創新地”“數據源”和“創新地”3要實現AI價值的全面落地，應用場景是

33、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“

34、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。第三，場景是人工智能再次發展和飛躍的“創新地”?，F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。2.3 以 以GREEN重構全價值鏈重構全價值鏈AI場景地圖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

35、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?！皩崿F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?！盤hilippe Rambach,施耐德電氣 CAIO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”AI for GREEN 由點到線，重構新型商業模式14 AI for GREEN 由點到線，重構新型商業模式13(圖4)來源：施耐德電氣商業價值研究院FMEA：全稱為Failure Mode and Effects Analysis，即失效模式及后果分析(圖3)來源：施耐德電氣商業價值研

36、究院 AI for GREEN 由點到線，重構新型商業模式16 AI for GREEN 由點到線，重構新型商業模式15(圖5)來源：施耐德電氣商業價值研究院3從降本增效到可持續發展，扎根場景全面引爆AI價值 AI for GREEN 由點到線，重構新型商業模式17(圖7)來源：施耐德電氣PMA設備預測性維護解決方案3.1.2 解決方案：AI在預測性維護中的應用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 案例1:智能便捷、降本增效:智能便捷、降本增效 工業設備預測性維護中的工業設備預測性維護中的A

37、I應用應用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 Predictive Maintenance Advisor（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

38、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(圖6)來源：施耐德電氣PMA設備預測性維護解決方案Predictive Maintenance Advisor 系統架構 從降本增效到可持續發展，扎根場景全面引爆AI價值20 從降本增效到可持續發展，扎根場景全面引爆AI價值19(圖9)來源：施耐德電氣PMA設備預測性維護解決方案1客戶收到系統AI告警推送，去到現場發現聯軸器橡膠墊

39、片存在磨損，隨即更換了橡膠墊片。2一天后，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。3客戶進行了檢修，更換了軸瓦，數據恢復正常，設備處于健康運行 狀態。(圖8)來源：施耐德電氣PMA設備預測性維護解決方案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。對象：水泥磨球磨機 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

40、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

41、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AI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：從降本增效到可持續發展，扎根場景全面引爆AI價值22 從降本增效到可持續發展，扎根場景全面引爆AI價值214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。(圖10)來源：施耐德電氣PMA設備預測性維護解決方案對象：均質機1系統識別出設備震動異常并第一時間發出告警。2AI診斷給出維修建議：異常能量主要來源于活塞曲柄

42、側。3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。(圖11)來源：施耐德電氣軟件研發中心AI創新實驗室3.2 案例案例2:節能降耗，減少碳排:節能降耗，減少碳排 大數據模型實現車間能源預測，大數據模型實現車間能源預測，助力能源管理系統優化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

43、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?；谙嚓PAI模塊對本項目相關功能提供決策支持

44、，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：（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。從降本增效到可持續發展，扎根場景全面引爆AI價值24

45、從降本增效到可持續發展，扎根場景全面引爆AI價值23 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

46、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。3.3 案例案例3:提升效率、降低成本:提升效率、降低成本 AI優化食品飲料工藝優化食品飲料工藝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

47、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?？蛻粝Ｍㄟ^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基礎上，結合硅藻土過濾的工藝邏輯，構建以

48、數據驅動的AI控制模型，通過以下幾個關鍵特性優化過濾工藝：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

49、、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26 從降本增效到可持續發展，扎根場景全面引爆AI價值253.4 案例案例4:改進質量、節約成本:改進質量、節約成本基于基于AI技

50、術的視覺質量檢測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?；贔MEA5RPN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

51、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

52、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

53、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Failure Modeand Ef

54、fects Analysis，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。3.5 案例案例5:以:以AI會友，共創制造業會友，共創制造業智能化未來智能化未來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

55、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

56、斯冪與IBM合作根據源卓微納的業務需求，選擇了 watsonx Assistant 做為智能助手提供前端入口和語義理解的能力，Watson Discovery 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IBM AI 驅動的應用集成方案 Cloud Pakfor Integration(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。watsonx Assistant 提

57、供面向業務的更智能的對話式AI平臺。Watson Discovery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IBM watsonx Assistant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Watson Discovery知識庫中進行檢索返回到watsonx Assistant；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wa

58、tsonx Assistant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28 從降本增效到可持續發展，扎根場景全面引爆AI價值274四大步驟，以場景為中心實施AI轉型3.6 案例案例6:推動更智能的可持續運營，:推動更智能的可持續運營，引領時尚風潮引領時尚風潮3.6.1 企業痛點Bestseller India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

59、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Bestseller India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AI賦 能 的 工 具 來 訪 問 實 時 數 據 與 洞 察，從 而 更 智 能 地 開 展 工 作。經 過 數 月 的 工 作 和迭代，Bestseller India與IBM車庫創新團隊為

60、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，Bestseller India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 IBM Watson AI 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

61、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、Vero Moda等其他品牌 從降本增效到可持續發展，扎根場景全面引爆AI價值29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

62、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。(圖12)來源：施耐德電氣商業價值研究院4.1 統一共識、規劃全圖 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

63、務等相關支持部門的成員參與?？萍紙F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

64、（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性。Efficiency（效率）:評估各流程在優化資源利用、降低成本和提高生產效率方面的潛力。優先選擇那些能夠顯著提升運營效率的場景。同時，考慮如何通過大模型技術將專家經驗 轉化為可執行的交互，也是提高整體流程效率不可或缺的一環。Environment（環境）:評估各流程在降低能源消耗、減少排放和實現可持續發展方面的 潛力。選擇那些能夠通過AI技術實現可持續發展的場景。New Horizon（新視野）):評估各流程在顛覆傳統商業模式、引入新技術和開辟新市場方面的潛力。優先選擇

65、那些能夠通過AI實現業務模式創新的場景。同時考慮長期戰略：確定哪些流程能夠通過AI技術支持企業的長期戰略發展和創新目標。四大步驟，以場景為中心實施AI轉型32 四大步驟，以場景為中心實施AI轉型31通過“GREEN”價值框架與實際場景相結合來發散思維，企業可以繪制出一張清晰的AI 場景全圖。這張全圖不僅展示了企業當前的AI應用現狀，還描繪了未來AI賦能的藍圖愿景。越早開始行動，越清晰地梳理業務流程和痛點，制定全面的AI場景全圖，智能化轉型的試錯成本就越低，成功的概率也越高。4.2 聚焦場景、小步快跑聚焦場景、小步快跑4.2.1 聚焦場景：運用場景篩選鉆石模型基于場景全圖，企業需要進一步討論落地

66、的聚焦場景，這一步需要從技術可行性、資源投入、和風險的角度來進行收斂性思考。項目投入:除了顯性的硬件投入，軟件開發投入，在大模型時代，我們不能忽略的是數據和知識的投入以及組織變革上的投入，這一點我們會在后續章節展開敘述。技術成熟度:一方面要考慮技術成熟度，市場是否已經有成熟的標準應用，是否有必要“重新發明輪胎”；另一方面要考慮實施難度，評估每個流程應用AI技術的難度，包括技術復雜性和時間框架。風險評估:除了技術實施過程的風險和合規風險外，我們也需要考慮管理風險，尤其是技術團隊和業務團隊是否能對場景的業務價值、實際業務流程和AI能力范圍達成一致至關重要，這個過程除了我們前文所述的統一共識之外，還

67、需要在項目中反復多輪討論和進行概念驗證。此外，如果使用大模型，我們也應該充分評估其生成內容有可能帶來的輿論風險，尤其是在模型需要對接外部用戶的時候。(圖13)來源：施耐德電氣商業價值研究院洞察觀點：經 過 先 發 散，后 收 斂 的 思 考，企 業 可 以 更 加 客 觀 理 性 地 看 待 自 己 的 場 景地 圖，通 過 場 景 聚 焦 從 中 選 出 第 一 個 或 者 前 幾 個 旗 幟 項 目。在 這 個 過 程 里，我 們 要 避 免 陷 入“明 星 項 目”陷 阱 初 期 的 旗 幟 項 目 不 會 是 解 決 一 個 流 程 所 有 問 題 的 萬 能 明 星，而 應 該 是

68、解 決 流 程 中 部 分 問 題 的 細 分 專 家。我 們 要盡 量 用 流 程 圖 的 形 式 進 行 細 節 拆 分，例 如 電 子 產 品 工 廠 來 料 檢 驗 的 流 程 里，數 量、外 觀、規 格 等 都 可 能 使 用 視 覺 模 型 來 進 行 自 動 化，這 時 我 們 需 要 根據每一步實現的功能進行細分，評估是否需要拆分成幾個小項目，而不是簡單地一口氣規劃為“來料視覺檢驗項目”。4.2.2 小步快跑：打造高效落地的AI項目工作組在確立初期旗幟項目后，團隊要小步快跑，專心獲得首勝。工業和能源領域的AI項目是一項復雜的系統工程，跨界協作至關重要。在確立初期旗幟項目后，應組

69、建一支多技能的項目團隊，成員來自技術和業務部門，形成多元技能矩陣，如典型的AI項目組包含AI項目經理+業務專家+數據科學家等。團隊應快速推進概念驗證和原型開發，并及時納入業務反饋，小步快跑、靈活 調整方向。AI項目團隊高效運轉的三大原則是專注投入、跨部門協作和靈活應變。通過這樣的安排，項目團隊不僅能快速推進項目，還能確保解決方案符合實際業務需求，實現高效落地和持續改進。(圖14)來源：施耐德電氣商業價值研究院 四大步驟，以場景為中心實施AI轉型34 四大步驟，以場景為中心實施AI轉型334.3 數據沉淀、構建壁壘 數據沉淀、構建壁壘4.3.1 數據沉淀基礎高質量的數據是AI項目成功的基礎。數據

70、質量問題，如數據缺失、不準確和不完整，將直接影響AI模型的訓練和預測效果。在許多應用場景中，實時數據的獲取和處理對AI模型的性能至關重要。然而，實時數據處理需要強大的計算能力和高效的數據管道，許多企業在這方面的基礎設施還不夠完善。在團隊瞄準首勝的同時，企業也應該開始著手于數據的沉淀。一方面，企業需要構建高效的數據處理管道，以支持實時數據的采集和分析。另一方面，為了讓AI技術充分發揮作用，形成高效甚至達到極致效率，企業需要建立嚴格的數據治理機制，確保數據的準確性、完整性和一致性，打破各個“數據源”的邊界，讓不同組織的數據貫通起來，才能實現韌性、效率的均衡，兼顧可持續目標，探索新商業模式。在這個過

71、程中，企業同樣需要做到小步快跑我們不需要花上好幾年時間等待“完美”的數據倉庫建設完畢，而是取得一定的數據成果后，就可以與AI團隊討論具體項目，并且在項目中更加立體地了解企業未來需要積累哪些數據。4.3.2 知識構建壁壘在生成式AI時代，企業內部的知識將成為新時代“石油”的一部分。頭部企業多年來積累的文檔、流程和人才的頭腦中，都深藏著非結構化的行業成功經驗和知識。相比于用于通用大模型的訓練語料庫，這些非公開、獨特的行業知識和經驗才是未來頭部企業的核心競爭力。因此，能否有效地治理和應用這些獨特的產業知識，將決定企業AI智能化的成敗。數字化團隊需要作為知識的治理者，深入業務一線，挖掘隱藏在員工頭腦、

72、業務流程和決策過程中的關鍵知識，并將其提煉為可記錄的形式。這需要團隊通力協作，具備全局視角和業務洞察力，能夠判斷哪些知識對企業的核心競爭力至關重要，并據此確定知識治理的優先級和路線圖?！霸谑┠偷码姎?，設備維修人員可以直接通過與基于大語言模型的AI維修知識專家對話，來迅速獲取解決方案建議，避免過去反復查找多份維修知識手冊來進行故障排查。此外，FMEA報告生成器也是一個典型應用。利用基于大語言模型的報告生成器，FMEA報告的編寫時間大幅縮短。用戶只需填寫少量提示詞，生成器就能生成完整的FMEA報告，包括失效模式、潛在原因、預防措施和嚴重度打分等內容?！睌祿畔⒅R定義原始的、未經過處理的事實和數字

73、，是信息和知識的基礎對數據進行處理、整理和解釋后得到的有意義的內容基于信息的理解和認知，通過 經驗、學習和分析積累而成特點原始性離散性量化性有意義相關性組織性深度性經驗性指導性例子vz一個溫度傳感器記錄的數值（如28C）一次銷售記錄（如某產品售出10件）報告中的溫度變化趨勢圖，顯示一天中溫度的升降變化銷售報告，顯示某產品的銷售總量和趨勢通過分析溫度變化數據，得出如何調整溫控系統以節約能源的最佳策略基于銷售數據制定的銷售策略和市場推廣計劃4.4 民主賦能、全民創新 民主賦能、全民創新成功的人工智能不應只局限于少數一群人，而應實現規?；馁x能。我們了解到，許多企業在初期旗幟項目成功后，依然難以在整

74、體運營中將人工智能的價值完全發揮。在AI規?；牡缆飞?，我們要從組織和工具兩個角度來激活組織創新力，打造“AI創新飛輪”：4.4.1 組織AI轉型過程中，業務與科技的脫節往往是AI規?；淖畲笳系K之一。一方面，業務團隊對AI科技的能力、局限性以及與傳統IT系統的區別缺乏了解，限制了他們提出有效需求的能力。這種知識盲區導致業務團隊難以與科技團隊有效合作，共同制定可行的AI應用場景。另一方面，許多AI項目的初始需求和設計主要由科技團隊主導，而業務團隊的參與度較低。這導致AI解決方案在落地時，難以真正貼合實際業務需求。因此，即使在初期有了一定的戰略共識后，我們仍要持續不斷地彌補知識落差。這需要從知識

75、豐富的一端主動開始?？萍紙F隊需要幫助業務團隊整理AI的能力范圍，尤其是在生成式人工智能爆發式發展的如今，知識更新的頻率從年度、季度、到了月度，甚至更短。(圖15)來源：施耐德電氣商業價值研究院 四大步驟，以場景為中心實施AI轉型36 四大步驟，以場景為中心實施AI轉型35“在施耐德電氣，我們通過創建 HUB&SPOKE 模式 來運用人工智能。我們有一個人工智能專業知識、資源和管理的AI-HUB團隊，它賦能所有業務線、職能部門和地理區域（SPOKES），以充分利用 AI 這項全新的生產力。HUB為 SPOKES提供技術支持，SPOKES 帶來業務案例和領域專業知識，通過緊密的配合，不僅為我們內部

76、流程優化增加巨大價值，也讓我們能夠為客戶提供更多的價值。同時施耐德電氣中國區為了響應技術興起帶來的變化，成立中國AI社群以充分整合各部門資源，系統性地推進AI的場景設計和落地，AI社群主要工作包含以下三個方向：1.為目標客戶（能源 和工業）提供基于真實場景的AI解決方案；2.將數字化產品和AI技術相結合實現組合創新提高流程效率和降低業務成本；3.協同內外部AI合作伙伴共創共贏推動AI解決方案和創新的 實現與落地。此外，HR部門還通過Buy（外部招聘）、Build（內部培養）、Bind（人才保留）和 Borrow（短期支援）四位一體方式不斷建設完善內部AI人才體系?！薄霸诮M織向AI轉型的過程中，

77、必須意識到人是關鍵，AI對人的賦能大于替代才能激發員工創造力。同時，轉型全程強化變革管理的實施至關重要，因為眾多AI項目的擱淺，根源往往在于未能有效實施變革管理，確保轉型過程中的平穩過渡和持續進步?！笔┠偷码姎庵袊鴧^人才招聘總監 Sissi QIU“要實現AI技術的規?；瘧?，需要“技術創新”和“生態創新”兩大核心驅動。施耐德電氣中國區一方面會深耕內部，注重人才培養和技術創新；另一方面也將積極拓展外部合作，加強與本土合作伙伴的共研共創，不斷拓寬AI技術的應用邊界，共同打造一個開放、共贏的AI生態環境。施耐德電氣副總裁，數字化創新業務中國區負責人、施耐德電氣（中國）軟件研發中心負責人 張磊4.4

78、.2 工具引進高效的開發工具是一項“授人以漁”的重要舉措。在傳統的AI軟件開發過程中，復雜的數學和編程知識對非專業員工來說門檻過高，導致他們難以參與。開發環境和工具操作繁瑣，需要長時間的培訓和實踐，嚴重依賴少數專家。通過引進高效的開發工具，企業可以簡化AI開發流程，降低技術門檻，使更多非AI專業的員工也能參與到AI項目中來。這些工具通常具備用戶友好的界面和自動化功能，幫助員工快速上手并高效完成復雜的AI任務?？梢暬幊毯妥詣幽Ｐ蜕墒沟瞄_發過程更加直觀和便捷，進一步激發員工的參與熱情和創造力?！笆┠偷码姎獗?AI for All 的理念，內部引入了自行開發的EcoStruxureTMAI引擎

79、。解決了 內外部在AI應用推廣時面臨的諸多挑戰，如：海量數據如何產生價值，缺乏豐富的開箱即用模型，AI落地環節多、難變現，AI人才稀缺等。EcoStruxureTMAI引擎能提供融合專業知識（OT），作為數智化轉型的催化劑，是一站式覆蓋和面向所有人的企業級一站式AI模型生產與運維平臺?！闭雇撼蔀锳I驅動型企業 四大步驟，以場景為中心實施AI轉型37(圖16)來源：施耐德電氣商業價值研究院在當前AI發展和應用的熱潮中，許多領導者和決策者仍然對于AI能為企業做些什么，以及 如何打造AI驅動型組織存有疑問?；卮疬@些問題，需要實踐，更需要想象力。因此，施耐德電氣商業價值研究院立足當下、放眼未來，提出

80、工業與能源領域的AI成熟度框架，該框架從組織人才、數據知識、技術能力、場景應用、價值影響五個維度來進行評 估，并 按 A I 應 用 成 熟 度 從低到高將企業總結為四類：AI初探企業、AI發展企業、AI領先企業和AI驅動型企業，供眾多企業評估自身現狀、制定符合自身情況的AI發展路線。我國高度重視AI產業的發展，國務院明確提出，到2030年，中國的AI理論、技術與應用要達到世界領先水平，成為全球主要的AI創新中心7。這一目標與我國經濟從高速發展轉向高質發展的新局面緊密相連。作為經濟高質量發展的重要引擎，工業與能源領域企業肩負著重塑經濟發展動力的歷史使命。在這雙重背景下，只有緊跟技術的發展潮流，

81、不斷提升自身的技術能力和應用水平的企業，才能在日益激烈的市場競爭中脫穎而出。我們建議企業管理者應該從現在開始行動起來，評估自身發展現狀，并向著AI驅動型企業的目標邁進。施耐德電氣將繼續站在技術前沿，致力于提供全球領先的AI解決方案和服務，幫助客戶在智能化綠色轉型的道路上不斷前行。我們將秉持創新驅動的理念，與客戶共同探索和開發適應未來 需求的AI應用場景。通過踐行“AI for GREEN”的價值主張，攜手客戶和生態伙伴，實現可持續增長（Growth），增強供應鏈和運營的可靠性和韌性（Reliability），提升整體效率（Efficiency），減少環境影響（Environment），并開辟新

82、的市場和商業機會（New Horizon）。我們堅信，通過“AI for GREEN”的踐行，企業將獲得前所未有的競爭優勢，在未來的市場中穩步前行，引領行業的智能化革命！注7:國務院新一代人工智能發展規劃撰寫人：特別指導：施耐德電氣(中國)有限公司IBM姚雪琴占亞劉鶴楠 劉仁慧 周慧 陳姝龔逸琦張恬張毅冒飛飛黃震豪毛春景熊宜(施耐德電氣高級副總裁，戰略與業務發展中國區負責人，商業價值研究院院長)古月(施耐德電氣副總裁，中國及東亞區市場部負責人，商業價值研究院聯席院長)林嵐(IBM咨詢合伙人，大中華區大數據與人工智能事業部總經理)我們忠心感謝參與此次報告調研的企業高管們的洞察分享，Rolling

83、 AI的大力支持，以及施耐德電氣同事們的付出和努力！專家組：40 展望：成為AI驅動型企業39施耐德電氣（中國）有限公司 Schneider Electric(China)Co.,Ltd.北京市朝陽區望京東路6號 施耐德電氣大廈郵編：100102電話：(010)8434 6699 傳真：(010)8450 11302024施耐德電氣保留所有權。文中出現的施耐德電氣產品商標為施耐德電氣及其子公司和附屬公司財產。文中出現的其他企業或品牌商標為其所有者財產。未經施耐德電氣書面授權，不得以任何方式復制、抄襲、影印、翻譯本文檔的任何內容。凡轉載或引用本文任何觀點、數據等信息，請注明“來源：施耐德電氣”。Schneider Electric Building,No.6,East WangJing Rd.,Chaoyang District Beijing 100102 P.R.C.Tel:(010)8434 6699 Fax:(010)8450 11302024年10月掃碼查看更多相關信息