 通过建立一 些定性或定 量的数据管 控评价考核 指标，去评 估及考核数 据相关责任 人职责履行 情况、数据 管控标准及 数据政策的 执行情况 等  规范了数据 管控过程 中，各个环 节日常任务 处理的运作 模式，例如 数据定义如 何变更、数 据冲突如何 协调等。  采用专门的 技术平台支 撑管控流程 的自动化， 发布管控组 织制定的一 些相关标准 和规范，及 时反映管控 过程中存在  梳理企业数字化转型 ETL 流程各环节的数据质量要求，指定数据质量检查规 则、评价指标、管控流程，并落地实施数据质量管理系统  梳理企业数字化转型包含的技术元数据，如：数据字典、 ETL 任务、 ETL 流 程、 BI 语义层等，制定相应的管控流程 并 落地实施元数据管理系统  同步企业数字化转型 ETL 建 设，实现了数据质量管理系统  收集并整合了消费企业所有技 术元数据，实现了数据生命周 集群实现了进出数据平台数据的暂存，业务数据交换组件实现了业务系统每日增量数据加载，数据区数据交换组件 实现了基础计算平台与管理分析平台间的数据交换  流程 调 度 平台：自主开发的流程 调 度 引擎实现整个数据平台的数据处理任务调 度 和运行  管理分析平台：由 X86 分析型数据库集群、 BI 软件 1J2EE 应用构成，实现了面向应用的数据加工、管理、分析服务  实时分析平台：由高档 X86 服务器组成的集群，实

学习模型的辅 助工具，功能局限于特定任务的自动化处理。而随着大模型与智能体 （Agent）技术的突破，智能应用正迈向更高阶形态一一它不再仅是 被动响应指令的执行单元，而是具备意图理解、自主规划、工具调用 与持续学习能力的主动服务主体，其主要应用技术为大模型与智能体 3沙丘社区，18个保险业大模型应用场景业务价值评估 自主决策 AI独立完成复杂任务，具 备推理与优化能力 AI辅助决策，但仍需人工 AI辅助决策，但仍需人工 04 主导 智能自治 AI能主动发现机会、提出 策略、持续进化 智能协同 功能集成 AI与人协作完成任务 嵌入AI能力（如OCR、语 音识别、机器学习模型） 图1AI原生应用发展阶段 值得注意的是，智能体虽为当前智能应用建设最具代表性的实践 形式，但引入智能体不意味着就实现了AI原生应用。仅以聊天界面 封装多个API的模式与具备自主感知-决策-执行闭环的智能体架构有 架构有 本质区别，更非以AI为核心驱动进行业务实现的AI原生应用。AI 原生的智能应用能够深度融入业务流程，在复杂、动态、多约束的真 实环境中，像人类专家一样思考、决策并协同完成端到端任务。其核 心价值不仅在于提升效率，更在于重构服务模式与业务逻辑。 金融作为国家经济命脉和风险高度敏感的行业，其对技术应用的 要求较其他行业更为严苛。真实意义的金融级智能应用，绝非简单地 将通用大模型接

货！ 营销 制造 采购 金融 财务 人力 协同 平台 WMS 是什么 WMS （执行层） PDA/WCS （操作层） 执行分配 基于仓储管理规范的 任务分解和任务分配 执行跟踪 任务执行过程 动态管控 执行反馈 任务执行结果 动态更新 ERP/OMS （计划层） 主数据 智能设备集成 营销 制造 采购 金融 财务 人力 协同 平台 仓库精细化管理的变革趋势 管理模式变革 通过收货、上架、拣货、补 货和发货等作业动线的合理 规划，通过 WMS 对整箱区 和拆零区严格区分管理，保 障仓库作业的流畅性。 提高效率 通过部署基于无线 RF 技术的 WMS ，实现现场作业任务 的实时调度，通过各类作业 策略的应用，提高人员的作 业效能。 提升员工绩效 记录仓库内部收货、质检、 上架、拣货、装箱、发货、 补货、移库、盘点等作业的 完整历史。建立对人员绩效 的完整记录，实现准确的人 委外管理 库存管理 WMS 管理端 ASRS （ WCS ） 输送系统 分拣系统 电子标签系统 自动货架 堆垛机 AGV 在线称重系统 取消操作 收货 上架 入库任务管理 出库管理 出库任务管理 预配 分配 拣货 发运 取消操作 库存管理 库存查询 库存冻结 库存转移 / 调整 仓库盘点 策略管理 批次规则 包装规则 上架规则 库存周转规则 拣货规则

最直接的收益，避免了通过单据进行 数据传递带来的延迟和数据错误。  作业流程衔接 通过使用条形码和 RF 的结合，可以将不同作业区 和不同作业段的任务高效地衔接在一起。例如入 库作业可以分为收货区收货、地面平移和货架上 架三段作业。  任务动态调度 仓库现场作业人员可以使用 RF 根据所在的作业区 动态获取作业指令，避免出现作业中断，提高订 单执行的效率。  绩效考核 使用 RF 库内管理 基于业务理解的解决方案：出库流程 拣货、出库作业（拣货→集货→装车→码头 / 轮船） ◦ 接单 ◦ 分配订单 ◦ 根据订单类型及特点，选择拣货方式（订单拣选 / 波次合拣） ◦ 分区、分任务拣货（生活食品（冷藏和冷冻）、备件（工业品）、耗材、 地堆 / 大型零件） ◦ 集货 / 二次分拣（波次合拣） ◦ 复核、包装、集拼（托盘） ◦ 集货区：等待装车 ◦ 配送出库，发往码头或者轮船 配送出库，发往码头或者轮船 出库流程描述 1. 订单拆分：轮船采购订单下达后，会根据不同船只的不同部门需求进行任 务的拆分。 2. 拣货：按订单的预计发货时间等规则创建波次，根据商品存放的不同区域， 类型，生成捡货任务单，并完成拣货。 3. 集货复核：根据商品类型指定集货区，不同商品可配置是否需要复核。 4. 集拚箱：完成集货后，根据子订单的信息即船舱各部门进行打托，并打印 托盘清单。 5. 装车发运

备自主决策与生成能 力的“自主化智能”演进，这一过程中实现了三个关键转变。一是从单 一场景的感知级应用走向更复杂的认知级决策。传统的智能模型通常 局限于视觉检测和参数预测等具体、规则明确的单一任务，生成式 AI 和大模型技术不仅具备了对复杂工业信息的深刻理解能力，还能够进 行逻辑推理与知识生成。二是从静态分析预测走向动态自主优化。传 统智能分析多依赖于历史数据进行离线或静态预测，在面对极端异常 境变化等不确定性的应对能力。 4.自主协同执行 区别于依赖固定规则和流程的执行方式，同时打破单设备、单产 工业智能创新发展报告（2026 年） 6 线、单环节的独立运行壁垒，面向统一的任务目标，将深度智能决策 输出的指令，无缝对接制造系统，完成自主调度、自主纠偏、自主应 急处置等，构建“感知－建模－决策－执行－反馈”的完整闭环。满足 主动高效的创新需求、敏捷柔性生产的动态调度需求以及自动优化自 要求，这种升级无法依靠传统架构或单一要素实现，需要系统具备能 理解海量多源异构工业数据、具备认知决策能力的“大脑”，还需具备 一个能精准刻画工业机理，提供可解释、高准确、高可靠分析能力的 “高保真镜像”，以及一套能将任务意图转化为复杂动作并执行的“执 行中枢”。因此，智能模型、数字孪生与智能体共同构成了未来 AI 驱 动制造系统的核心要素。 1.架构形态：三个核心引擎、一个基础底座实现综合赋 能 工业智能创新发展报告（2026

视 人机协 同 高效智能 • PEP 生产准备周期缩短 • 整车订单交付周期缩短 • 借助数字化、智能化手段，设备综合利用率 OEE 提升，设备停机故障率下降 • 智能识别感知订单任务并执行任务 • 控制单车制造成本在一个良好水平 质量卓越 • 实现从质量策划、执行到问题解决的闭环 • 实现产品质量 audit 综合评价持续向好 • 实现产品及关键零部件质量全程可追溯 • 提升生产质量一次通过率 数据采集 生产防错 质量过点 生产打印 （单据 \ 证 书） 作业指导 问题管理 软件版本控制 产线控制 现场管理 电子看板 变化点管理 工位界面 返修管理 返修车辆定位 返修任务 返修过程跟踪 返修知识库 返修工时 设备管理 设备台账 设备点检 维护保养 设备维修 人员管理 人员考勤 人员技能 培训管理 人员绩效 生产质量 法规证书管理 质量数据采集 数据采集 生产防错 质量过点 生产打印 （单据 \ 证 书） 作业指导 问题管理 软件版本控制 产线控制 现场管理 电子看板 变化点管理 工位界面 返修管理 返修车辆定位 返修任务 返修过程跟踪 返修知识库 返修工时 设备管理 设备台账 设备点检 维护保养 设备维修 人员管理 人员考勤 人员技能 培训管理 人员绩效 生产质量 法规证书管理 质量数据采集

资源能力 排产策略 排产结果 APS 可视化视图 核心算法 数据分析 现场管理 工序防漏防错 数字工艺指导 在制品跟踪 异常管理 安全管理 SFM 环境管理 工程图纸 工艺路线 生产任务 领料入库 信息采集 移动跟踪 业务定制 CMP 定制记录引擎 （ Custom Recording ） 标签 / 条码引擎 （ Identity Management ） 工业终端引擎 通过并行处理提高算法处理速度（云计 算） 历史排产方案最优解 + 经典配置方案 + 排产算法随机方案 设置生存度指标和随机变异模式 组批生产 优化排产 急单仿真 通过深度学习搜索查找历史最佳方案 任务派工 合理分配工作，提高 工人、设备使用率， 减少设备空闲期，避 免重复工作 作业计划 合理有效安排生产、 减少瓶颈问题，提高 整体生产效率 生产工单 实时工单监控、工单 控制与评估、无纸化 在制工单合并：支持同产品之间数量合并、不同任务间任务合并，自动生成新工 单号及合并数量。 改制 拆分 制造运营管理 MOM 解决方案 - 生产调度与执行  支持对工单（工序）级物料、设备、工艺文件进行检查。  对 BOM 结构下定义为关键件的物料做齐套检查，获取库存的可用数量、在途数量。  对工艺路线中作业用到的设备、工艺文件等资源进行检查 工单任务 产品型号 BOM 物料库存

产品，央国企愿意 投入极高预算。央国企应用RPA+AI面临两大挑战：行业特定需求变化和跨部门协调。此外，RPA结合AI语言大模型和智能体，形成新的自动化模式APA，实现从“规则化 任务处理”向“动态决策和复杂环境任务处理”的转型。 ◼ 央企数字化转型加速，数科公司成为RPA/APA产品的重要推广渠道，未来趋势中，数科公司在央企RPA采购链条中的占比将迅速提升至40%-50%，央企数科公司将迅速占 RPA；（4）按技术特性，分为执行式机器人、交互式机器人和协同式机器人。 5 控制台 设计器 机器人 运行自动化任务 机器人脚本设计、开发、调试 和部署的配套开发工具 完成自动化任务的执行操作， 可以是不同类型的机器人 RPA平台核心，负责管理机器人、 任务调度、监控运行状态等 按运行 模式 按部署 位置 按应用 领域 按技术 特性 有人值守 无人值守 桌面型RPA 完全自动化处理流程，适用于不需要人工干预的后台任务，如数据输入和系统维护 适用于没有特定行业属性的业务流程，如财务管理、人事管理、销售管理等 在通用RPA的基础上，针对特定行业或领域的需求进行定制和优化 最为基础的一种形式，主要执行预定义的工作流程，适用于重复性高的任务 增加了与人类用户的交互，可能需要人类用户提供某些信息或做出决策 允许人工干预和实时控制，适用于需要快速响应和人工审核的任务 运行在个人电脑上，适用于简单的自动化任务

ERP 系统用于统一基础数据源，生 产 主计划的排产，以及生产产品内 料配 方的管理。 称量系统主要用于管理各种物料 的称 量防差错。 配料系统主要用于管理内料半成 品的 工单任务，排产计划，称量计 划，配 料计划，物料数据追溯，报 产等。 备料称量流程 基础资料 原料仓库 配方管理 生产工单 生产任务单主要包含内容如下：生产工单号，生 产 指令单号，产品编号，产品名称，配方代号， 生产 车间，生产设备组，预计产量，称量时间， 配料时 间，实际产量。 生产任务单根据生产预计产量以及配方工艺，计 算 该批次所需的所有物料实际量，以及根据排产 的设 备计算称量物料进入的设备。 生产任务单状态分为：待生产，生产中，生产完 取消 四个状态，状态均可通 过 扫描作业来完成。 生产任务单开始生产之后可以对称量物料进行扫 描 投料。 生产管理 - 生产任务 生产管理 - 生产任务 每个排产任务单认定为一个生产批次，便于做生产数据追溯，同时每个排产任务单均有其生产状态，以及工单执行的结果。 所有的生产

文本生成、图像生成、视频生成、声音生成 … … 人类社会 中的问题 AI 定义： 一种先进的人工智能聊天机器人，能理解和生 成自然语言，用于回答问题、写作、翻译、编程、学习 辅助，甚至可以进行情感支持和角色扮演等多种任务。 母公司： OPENAI 创始人： Sam Altman 成立时间： 2015 年 里程碑： • 2022 年 11 月 30 日， ChatGPT 3.5 上线 • 2 用高级功能，而初学者可能更 依赖于易用性和指导。 • 这是基础且关键的因素， 因为 模型的性能直接决定了 AIGC 的质量和有效性。 • 一个强大的模型能够更准确、 更快速地处理复杂任务，生成 质量的内容 • 即使拥有高能力的模型，如 果用户无法有效地与之交点， 其潜力也难以充分发挥。 • 交互技术的优劣直接影响用 户体验，包括易用性、响应速 度和个性化等方面 度和个性化等方面 = 模型能力 × 交互技术 × 专业能力 生成 效果 Prompt 昵称：咒语 是用于引导或指示 AI 生成特定内容或执行特定任务 的 “ 关键词”、“短语”、“句子” 备注：这些“关键词”、“短语”、“句子”的质量 ，决定了 AI 给你的内容是不是相关、准确和高质量以及是不是符合你的预期。 什么是 AI 提示 词 让 AI 扮演一个角色