法打破彼此之间的壁垒 生产过程人工操作，效率相对较低 产品质量和生产过程难以进行实时监控和优化 设备维护人工巡检，难以进行预测性维护 生产过程缺乏全面数据分析和监控，难以优化和改进 能源利用率相对较低 需要较多的人力成本和时间投入 运作模式是产品、服务相互结合 生产单元之间没有明确界限，各生产加工环节并行进行且充分参与， 具有强大的协调能力 自动化和智能化水平较高，生产效率大幅提高 生产过程能够实时监控和优化，提高产品质量 数据底座就是全量全要素的连接和实时反馈系统。抓住 5 个要素：人、机、料、法、环，工厂里生产产品的人、 机器、物料、工艺流程和环境，都可被计算机识别。没必要所有环节都用 5G 、 WiFi ，物料运输不需要高级网 络，但机器精密制造环节，网络时延需要到毫秒级。数据底座的基础是设备互联，常用以下方法： 如何开始 - 数据采集 人 机 交 互 设 备 例如工业级智能手机、平板电脑、触摸屏等可以记 录员工操作、生产过程和设备状态等数据。 集设备或生产线的状态数据。 自 动 识 别 技 术 利用条形码、二维码、 RFID 等技术实现对物料、 半成品、成品等的追踪和管理，同时也可以采集物 料的进出库、移动等数据。 将传统工厂升级为智能工厂需要实现数据采集，以下是一些常用的数据采集方法： 如何开始 - 生产流程优 化 传统工厂升级为智能工厂，要进行生产流程优化，可以采取以下步骤： 分 析 现 状 对生产过程进行详细的调研和分析，收集数据并建

根据项目前期的沟通的内容，本项目的建设应至少从以下三个方面进行： l l l 数据的采集：数据是项目中最根本的元素，所有的功能都需要有数据作为支撑， 所以应充分借助软硬件的配合，将数据进行采集和统一的存储，为后续的功能建 设奠定基础； 数据的展示：当数据被采集且存储后，就需要着手建设数据展示的相关功能。这 里可以借助于上位机软件的图像数据处理功能将相关内容呈现出来，如图表等一 些更容易被使用者所接受的方式； 些更容易被使用者所接受的方式； 数据的意义：一些数据或是数据与数据之间往往还存在着一些更深层次的意义， 那么简单的展示无疑是不能充分利用这些数据的深层意义的。所以就需要对数据 的意义进行挖掘，这就需要借助一些专业的工具和模块对数据进行进一步的处 理。 基于以上三方面内容的提议以及对于项目前期功能、需求的整理归纳，项目平台宜 选用 XX 科技的 KingSCADA 软件平台，该平台足以直接实现数据的采集及其相关的展 基础条件不具 备，则应进行相应的硬件改造工作，如：更换控制器设备，添加额外的通讯模块等，使 其具备基础条件后再进行数据采集。 7 织染生产线过程控制系统数据采集与集控平台，过程控制系统需要完成对生产线所 有生产设备的运行数据、能耗数据采集和监视管理任务，将整个数据进行处理、分析、 存档并向各自动化设备发送调度及控制指令。 采集生产线各自动化设备数据，通过科学的优化设计能够稳定高效将数据传输至集

销策略，并指导 新车型定义和设计。 8 汽车企业的研发组织将从过去的人海战术转向技术精英组成的小团队模式，这将对汽车行业的组织管理 和企业文化带来全新的挑战。 9 AIGC赋能汽车行业，需要制定相关的数据标准和规范，进行数据治理，包括真实数据与合成数据格式的 标准化、数据隐私保护等。为专业大模型、数据集等公共技术资源的流通交易提供制度保障，形成知识 市场，促进行业健康发展。 10 AIGC开发模式提供标准化的生成结果参考，为AIGC提供生成模版和调优的对比依据。当企业的数智 化转型完成上述任务后，就为AIGC开发模式奠定了基础，可进一步通过AIGC大幅度提升研发效能。 汽车设计AIGC使得一部分原先需要投入很大人力和周期的工作可由AI机器快速完成，汽车开发效率 显著提升。开发人员从重复性劳动中解脱出来后，将主要进行知识完备性升级维护、任务标准化梳理、 用户需求研究、创新任务策划等。因此开发工具 流程是促进数据在AIGC中发挥作用的工具载体，也是汽车开发AI Agent实现的基础。流程数智化就 是通过数字化的手段对业务流程进行实时、在线的管理。汽车本身是一个复杂的装备系统，其开发过 程涉及多个专业领域，需要上下游部门之间的高度协同，而传统的管理方式往往因为沟通不畅、信息 传递不及时而导致开发效率低下、质量问题频发。流程的数智化恰恰解决了这一问题。 通过数智化平台，不同部门、不同专业领域的人员可以实时共享数据、交流信息，这不仅提高了协同

系统正面临前所未有的考验。 传统业务模式下的 "烟囱式" 系统架构，在多渠道融合的冲击下逐渐显露短板。门店库存与线上 订单不同步、会员数据分散在多个平台、促销活动难以跨渠道协同 —— 这些痛点的本质，是企 业需要一套更灵活、更敏捷的信息系统，用极简架构支撑复杂业务。对于有一定体量的企业，" 简单即高效" ：技术栈越简洁，运维成本越低，业务响应速度越快。 随着业务复杂度指数级上升，我们对 IT 架构提出了 本失控为代价。零售业的微薄利润，要求每一分 IT 投入都必须产生可见价值。传统架构中，为 支撑高并发需堆叠服务器、为实现实时分析需部署多套数据库，这种 "以资源换性能" 的模式早 已难以为继。我们需要的是能精打细算的技术底座，用一体化设计降低总拥有成本，让有限的 IT 预算创造更大价值。 当下，AI 技术正从概念走向实战，成为重构商业模式的核心引擎。从智能选款、动态定价到个 性化导购，AI 来巨大的变 革。随着 AI 的兴起，下一代的“ERP”很有可能是颠覆现有传统流程和思路 AI-ERP。每一次 ERP 的升级都会把原先的数据底座铲掉升级，产生大量的历史数据迁移成本。我们眼下迫切需要一代 既能兼容目前数据架构，又能支持 AI-ERP 架构的数据底座来支撑我们从这个时代，过渡到 AI 时代。这是很多有远见和未来意识的 CIO/CTO 的共识。 在此背景下，一体化云数据库的诞

................................................................................... 12 2.1 MES 系统需要具备的基本性能 ....................................................................................... 12 .................................................................................... 13 2.3 MES 系统需要实现的核心功能 ....................................................................................... 13 给出的 ERP 原始定义的广度和 深度。很多企业用 MES 完成 ERP“未尽的事业”。 2. 行业法规的追溯要求促进了 MES 系统的广泛应用。 3. 制造企业广泛采取两级计划体制。车间需要制定详细的作业计划，并付诸实施。 4. 流程行业信息化的五级模型，确立了 MES 的地位。 5. 制造企业精细化管理的需求，管理的粒度更细。 MES 系统具有很强的行业特性。不同行业、不同生产模式的企业，对于

型。本文 主要讨论大语言模型的影响，因此若上下文中无特殊说明，本文中的 “AI”、“大模型” 均指代大语言模型。 2 人工智能时代的社会科学家 5 对于需要大规模文本分析的应用，则需要通过 API 访问；如果有进一步的保密需求，则需要考虑本地部署。 随着相关计算框架的成熟，本地部署大模型、微调大模型已经不是高科技公司的专利，而是每一个社会科学研 究者都能运用的工具。 在介绍完这些技术基 在进入对于生成式人工智能原理和应用的具体讨论之前，我们首先要思考一个元问题：在人工智能时代 成为一名社会科学家意味着什么？在计算机普及之前的年代，计算员（Computer）曾经是一个重要、受尊敬， 甚至需要较高教育水平的职业，而如今他们早已被电子计算机完全取代。人工智能时代的社会科学家与计算 机时代的计算员相比要幸运得多，因为我们承担着更加复合的任务：我们怀揣着好奇心提出问题，带着问题 2 人工智能时代的社会科学家 专家预先写入，然后让机器根据由数理逻辑确定的算法进行机械式的推理。专家知识的范围，构成了机器智能 水平的硬约束。这种人工智能尽管在规则明确的下棋、辅助数学证明和医疗决策方面发挥了一定的作用，但对 于需要从现实世界提取抽象概念、机制相对多样、定量结果相对不精确的社会科学而言，起到的作用十分有 限。 进入统计机器学习阶段以后，人工智能对社会科学才首次产生了实质性的影响，以高维、非线性统计模型 的面目出现在社会科学家

台等形成了网状生态，催生了十万亿级新型产业聚合体。 汽车行业与人工智能、大数据、云计算等技术的结合，推动了智能网联 汽车的发展，拓展了汽车产业的边界和发展空间。例如，智能网联汽车需要高 性能的芯片来支持其智能功能，这促进了芯片产业的发展；车联网服务需要强 大的云计算平台来处理和存储数据，带动了云计算产业的增长。同时，产业融 合也促进了技术创新和人才流动，提高了整个产业的竞争力和创新能力。 09 技术还可以应用于汽车金融、保险等领域，为用户提供更加便捷、 高效的金融服务和保险方案。例如，通过对用户的信用数据和驾驶行为进行分 析，为用户提供个性化的保险费率和贷款方案。 产业协同加深 汽车行业的智能化转型需要产业链上下游企业的协同合作。整车企业、 零部件供应商、科技公司等将加强合作，共同推动 AI 技术在汽车行业的应用 和发展。车企与芯片制造商合作开发高性能的车规级芯片， 以满足智能网联 汽车企业智能化转型的技术架构示意 Agent 智能体评测与度量 Agent 开发已经逐渐成为汽车行业 AI 开发赋能的主要途径，但 Agent 开 发并非一蹴而就，企业在开发 Agent 时需要不断调试和迭代升级对其完 善。 通过引入 Agent 评测和度量，这些工具提供了一个客观的、系统的评估 框架， 通过实际数据和标准化的测试方法，对 Agent 的能力和表现进行评 估，指导 后续改进工作，使其逐步达到最优状态。

实现人、产品、设备完全基于 IT 系统的交互将是革命性的。 让我们设想一下 CPS 系统的一些主要场景：智能对象通过基于因特网的无线技术将嵌入系统联网， 接受感应器数据，用来控制物流、产品和信息；智能材料告诉机器它们需要如何处理；维护和服务 由智能工厂的部件自动启动；固定的庞大生产线转变成模块化、高效节能的系统；产品的整个生命 周期的信息得到完整记录；人们可以利用智慧的培训和辅助系统。 作为世界最大的工业技术公司 始将这一概念引入其工业软件开发和生产控制 系统。 提高生产力、缩短产品上市时间、采取 更灵活的生产模式以及提高资源和能源利用效 率，是全球工业面临的挑战，也是“工业 4.0” 提出的未来制造业的目标。为了实现这种先进 的生产模式，需要融合现实生产和虚拟生产的 技术，基于大数据、互联网、人，通过数字化 工程、数字化制造等各种信息技术实现柔性制 造，经济高效地满足客户个性化的定制需求。 未来工厂的智能化程度将很高，这种智能将通 过使用微型化处理器、存储装置、传感器和发 础。 西门子工业软件平台是实现工业 4.0 的载 体。它可以实现包括产品设计、生产规划、生 产工程，到生产执行和服务的全生命周期的高 效运行，以最小的资源消耗获取最高的生产效 率。该平台的实现需要企业以数字化技术为基 础，在物联网、云计算、大数据、工业以太网 等技术的强力支持下，集成目前最先进的生产 管理系统及生产过程软件和硬件，如产品生命 周期管理（PLM）软件和制造执行系统（MES） 图

生产这段时间内发生改变，制造环境也可能发生变化，设备的突然故障或者更换以及不合 格品率不符合要求都会导致计划的混乱。那么需要计划排程来规避这些问题的发生，有机 的将计划，资源，生产串联起来，做到实时化，智能化，集成化的更新。 现公司为了更好的管控车间现场，需要对生产车间内生产设备进行监控管理，并由设 备管理延伸到整个车间的生产管控。故需要一套适合机修厂自身的生产管理软件结合设备 监控系统来提高工厂对生产现场的管控能力，优化生产。 等条件，将生产计划与用户订单转化为具体的生产作业计划，排出高效率的日（班、线、 台等）的作业顺序，并将设备的调整降低到最小程度。 在系统设计过程中主要由以下需求： 1) 总厂计划（系统集成）：在系统设计过程中需要考虑与整厂对各类订单的加工产 线计划导入以及和交货期进行控制管理，并在在 MES 中进行车间现场详细排产工 作。 2) 手动排产：该功能模块主要是根据从总厂中读取的主计划进行分解，企业工作人 员 审批管理：当系统中工艺流程或工艺版本变更时需进行审批，审批流程可自定义。 2.3设备管理 设备管理是一套对生产设备、操作规程、管理制度、运行监控、故障诊断、维修维护、 运行统计等进行全面管理的模块。该模块需要和设备联网系统集成，一起完成该功能。 主要需求如下： 1) 设备台账管理； 2) 实时运行监控（设备联网 PLCC 系统）； 3) 设备故障报警（设备联网 PLCC 系统） 4) 设备运行统计分析（设备联网

等驾驶操作 驾驶者与 系统 部分 行驶任务 2 部分自动化 • 系统能够完成某项驾驶任务 • 驾驶者需要监控驾驶环境 • 其余驾驶操作由驾驶者完成 驾驶者与 系统 3 条件自动化 • 系统负责某些情况下环境感知 • 驾驶员需要时刻准备取回驾驶控制权 系统 系统 4 高度自动化 • 系统能够进行环境感知 • 驾驶员不需重新取得驾驶控制权 • 系统只能在特定环境条件下运行 J3016- 2018 100 亿公里 马斯克曾在推特点赞了这样的观点： 实现超越人类的自动驾驶能力至少 需要 100 亿公里驾驶数据。 1000 亿公里 自动驾驶初创公司 MOMENTA 在其 公众号上提出： 要实现 L4 级驾驶，至少需要千亿公 里驾驶数据。 我国 2022 年公里旅客运输周转 量 道路交通具有场景复杂、参与者多、场景异质性强等特点 智能汽车头部公司 NOA 系统发展概况 AI 大模型将从根本上改变自动驾驶产业的发展 资料来源：中信证券 硬件配置方面 ，需要车辆使用满足 L3 级自动驾驶功能的智能化传感器 ，如摄像头、激光雷达、毫米波雷达等， 能实时感知各类路面情况；还需要车辆的自动驾驶芯片有足够高的算力 ，能在毫秒之内识别信息 ，并提出应 对策略。 应用智能传感器是实现