以确保每个员工的时间被最有效地利用。对于大 型成熟企业，挑战可能在于流程冗余和效率低下， 需要通过流程再造和优化来提升效率。无论企业 规模大小，人效管理都应聚焦于企业当前的核心 业务价值流程，以及如何通过改进这些流程来提 升整体效率。然而在系统地提升人效之前，许多 企业需要解决如下难点： 面向未来的制造业：数字化与人效管理的融合 在面向未来的制造业中，数字化与人效管理的融合成为关键的发展 往分散在不同的系统中，且存在口径不一致、颗粒度粗、更新频率低等问题。 这导致数据整合和清洗过程耗时且低效，阻碍了数据的有效利用。 数据应用的局限性： 许多制造业企业虽然认识到数据的重要性，但在如何将数据应用于业务决策和流程中仍然缺乏经验和实践。特别是许多企业 的人力部门与业务脱节，无法将数据应用到业务流程、组织架构与岗位系统中。 数字化能力的不足： 企业员工在数字化能力上的差异较大，而 合日益加深，包括计算机科学、数据科学等领域在内的高 端人才也是企业落地智能制造的稀缺资源。“归根结底， 企业智能制造需要的是专业能力和综合能力都更强的高阶 人才，这将是企业未来发展的重要命脉。”朱德权表示。 观点 如何化解智能制造人才困境 要应对以上人才管理的“三连击”，i 人事 HR 系统人力资 源数字化业务专家李芳阳告诉 InfoQ，这需要政府政策、 基层教育和产业融合、以及企业人才培养的相辅相成，三

第九版年度智能制造现状报告 第九版年度 智能制造现状报告 全球制造商如何利用新兴技术来最大限度地 发挥劳动力潜力、降低风险、提高质量和实现 可持续增长 第九版年度智能制造现状报告 欢迎阅读罗克韦尔自动化的《2024 年智能制造现状报告》。 罗克韦尔自动化与我们的客户和合作伙伴一起，正在创造工业运营的未 来。120 年来，技术固然发生了变化，但我们的方法在世界各地和不同行业一再得 到验证。 今年的供应链中断率在排名上有所下降，但重要的是要对 战略规划方法保持警惕，以缓解未来的供应链不稳定。 第九版年度智能制造现状报告 技术投资增长 30% :: 09 问：贵组织如何缓解上一问题中提到的外部风险？ 选择所有适用项。 问：贵组织如何缓解前面问题中提到的内部风险？ 选择所有适用项。 在通货膨胀压力和能源成本不断上 涨的推动下，制造商正在加大技术投 资以应对风险。 制造商认为采用技术是降低外 部和内部风险的最好方法。 以推动明智的实时决策。 需要更好的数据管理来推动人工智能发展并增强团队能力 :: 12 只有 44% 的数据得到有效利用 人工智能/机器 学习和应用人 工智能/GenAI 问题： 您如何看待您所在行业的领导者正在使用从其当前采用的技术、过程、互联设备等收集的数据？ 选择所有适用项。基数：1567 过程优化 改善/监控产品质量 网络安全保护 能源管理 :: 智能制造的现状

极引入这些做法的先行者已平均斩获了8.3亿美元 的新增年度营收，而欠缺韧性的企业无法分享这份 成功。 如何成为高韧性企业，如何提高关键能力成熟 度，从而在供应和制造全价值链上构建更强大的韧 性，已经成为制造企业面对的最现实的问题。 围绕韧性部署关键能力 高韧性企业应该具备什么样的能力？为了充分考察 企业如何应对并管控工程、供应、生产和运营等领域所 受的冲击，埃森哲面向全球11个行业的1200多位高管开 线团队快速做出决策。这些团队应当有能力使用数 据驱动的新型预测工具，在遇到冲击时及时制定策 略并缩短恢复时间。不过，为了使这种更加敏捷的组 织模式发挥作用，员工需要具备有效利用这些先进功 能的技术能力。 例如，员工需要知晓如何使用预测工具和可视 化工具，并基于数据进行决策，以此驾驭现代供应链 的复杂性。单一职能团队很难厘清这些复杂局面，企 业需要能够跨部门工作的员工（参见图四）。 当企业因冲击事件面临人员和技能短缺时，技术 和仓库的工业自动化项目 当 前 未 来 三 年 图六 计划在未来三年对回流/搬迁、工业自动化和数字化进行重大投资的企业数量正持续增加 这将是一次持续的征程，而非一蹴而就的改 变。那么，企业如何才能开启征程，贯穿供应和制造 全价值链提升韧性？埃森哲建议企业应当着手： • 评估上述每个领域的当前韧性能力，识别出存在 的差距。 • 建立愿景，明确企业韧性的远景目标。通过开放 式协作工作坊讨论和分享愿景，并根据需要不断

这是供应链高管面临的一个重大挑战，他们 深知，需要投资新一代技术，提升运营的灵 活性和韧性，提前识别并解决如动态货物调 度、生产计划调整、瓶颈和潜在风险等问题， 以应对未来多变的环境。 生成式 AI 如何解决这些长期困扰供应链的 问题？为此，IBM IBV 与牛津经济学院携手 合作，对全球 2,000 多位的首席供应链官 (CSCO)、运营高管和自动化专家开展了一项 调研，其所在的组织正在积极推进 的角色，AI 助手不再仅仅是聊天机器人，而 是向全职员工转型。第二部分，分析了如何 加速供应链智能化，以便企业能以前所未有 的速度和效率，利用实时数据。第三部分， 探讨了生成式 AI 驱动的数字双胞胎（虚拟模 型）如何帮助企业在竞争中脱颖而出，提升 客户认知度。报告每一部分的最后都提供了 一个切实可行的行动指南。详细说明如何制 定计划、设定优先级并落实执行，确保每一 个行动都能达到预期效果。 采购、生产到分销。事实上，64% 的首席供 应链官认为，生成式 AI 正全方位革新工作流 程。首席供应链官和自动化高管们表示，生 成式 AI 将在未来两年内将数字助理的决策量 增加 21%。 这不仅仅是描述物料如何从一处运输到另一 处。还包括衡量每个商业决策带来的供应链 成本，并确保从一开始就充分考虑这些成本。 产品开发策略除了关注新 SKU 的销售额外， 还应考虑总拥有成本，预测交付新产品的费 用，并考虑滞销产品带来的损失。

新技术，需要逐步与各个工业场景紧密结合，在逐步提升技术渗透率的过程中，挖掘 可利用的场景，并根据行业特定需求提供定制化的解决方案。最后，工业领域自身的 数据分散且缺少高质量的工业数据集，同时在实际生产中如何确保工业数据的隐私和 安全也是企业关注的重点，这些现实问题也限制了大模型的推广应用。 2.3. 大模型与小模型将长期共存并相互融合 目前大模型在工业领域还未呈现出对小模型的替代趋势。尽管以生成式 Virtual Assistant 还可以学习 公司特定的信息，如机器人型号和参数、机器人应用和场景、机器人操作和故障排除 手册等，为用户提供即时的支持，回答特定的问题。例如，如何选择合适的机器人、 如何设置机器人工具和工件、如何解决机器人碰撞或奇异性问题等。 梅卡曼德23与汉堡大学张建伟院士实验室达成合作协议，共同致力于机器人多模态 大模型的研究与创新。双方正合作开发一款集成视觉、语音和语言处理功能的综合性 自然语言实现与人类的有效沟通。预期的研究成果将显著提高机器人的智能程度，促 进其与人类更加自然地协作与互动。 斯坦福大学教授李飞飞团队24发布了名为“VoxPoser”的项目，该项目用大模型指导 机器人如何与环境进行交互，通过将大模型接入机器人，可将复杂指令转化成具体行 动规划，人类可以很随意地用自然语言给机器人下达指令，机器人也无需额外数据和 训练。 4.3. 大模型基于助手模式提升经营管理水平

求是帮助 企业迅速打开海外市场，建立海外销售渠道，对人才的要求更多集中在销售经验丰富，有当 地渠道资源的销售人才。而随着企业海外市场竞争愈来愈激烈，企业的注意力更多集中在如 何做好本地化运营，如何帮助企业建立核心市场的销售终端和渠道搭建。企业岗位的本地化 比例也在提升，外派员工的数量在减少，企业更青睐本地人才或本地华人。 图11 四大行业海外销售岗位学历对比 数据来源：科锐国际2023-2024海外人才市场需求大数据 从热门职能方向来看，伴随越来越多的制造业企 业响应海外客户供应链本土化需求，在海外各地掀起 厂建热潮，针对海外业务的属地化人才团队搭建及运 营逐渐成为出海企业海外人力资源工作的重点，如何 处理日益庞大的海外属地化业务人员招募工作、如何 应对海外当地员工与外派员工的文化差异所带来的各 类冲突与挑战，是企业业务及战略得以顺利推进的关 键所在。现阶段，海外人力资源岗位的热招岗位方向 主要集中于招聘、薪酬管理和员工关系模块。 聘人员如何能确切通过一系列特质及能力测试工具评估人选的外派稳定性、外派适宜度等指 标，成为海外招聘的必修课。 薪酬管理岗位：主要工作内容包括海外薪酬框架的搭建，如针对外派员工，怎样制定外 派薪酬激励机制，根据外派国的生活成本、工作环境等因素，为外派员工设立阶梯式的外派 津贴；针对属地员工，如何依据当地文化背景与工作习惯，设立符合当地人才的薪酬待遇及 中长期规划；针对协同管理，如何保证面向

本书在实践积累与行业洞察基础上，试图对一系列关键问题做出解答：工 业大模型与通用大模型有何不同？工业大模型的技术体系与关键技术何在？工 业大模型赋能的重点领域和主要场景包括哪些？我国和全球工业大模型的产业 生态如何？ 针对上述问题，本书从多维度展开探讨： 聚焦创新：深度剖析工业大模型关键技术与产业机遇。 以案为鉴：解析高端装备、智能制造等领域的应用需求。 立足实践：详尽介绍工业大模型应用开发的实施路径。 工业基座模型训练 工业基座模型训练是工业大模型构建的重要阶段。在这个阶段，利用经过 制备的工业数据对模型进行训练。由于工业数据的特殊性以及工业应用对模型 11 的高要求，这个过程需要解决诸如如何让模型更好地理解工业数据的语义、如 何提高模型在工业任务中的准确性等问题。这一阶段的训练结果将影响到工业 大模型后续在工业任务/行业模型适配以及工业场景交互应用中的表现。 图 1.5 模型设计及使用反馈 户往往需要获取关于设备运行、工艺流程、故障诊断等方面的专业信息，智能 问答功能通过整合工业大模型的知识库与实时数据分析能力，为用户提供高效 28 的解答方案。例如，当用户咨询“当前设备的运行状态是否正常”或“如何处 理特定设备的故障”时，模型能够基于实时监测数据、历史记录及工业领域知 识生成专业化解答，从而帮助用户快速解决实际问题。这一功能不仅显著提升 了信息获取的效率，还有效降低了对人工经验的依赖，为工业现场的高效运作

www.iresearch.com.cn 供给市场-产业链情况 来源：艾瑞咨询研究院自主研究及绘制。 基础层支撑整个数字化转型的底层架构；平台层关注的是如何管理、利 用好数据，并提供开发应用的基础；应用层负责具体业务场景的数字化 应用，目标是赋能并解决实际业务问题 2025年中国制造业数字化转型升级产业链情况 工业互联网平台 研发设计及验证场景 数据。  模型挑战：大模型的可解释性需进一步提升。 Q2：如何理解工业智能体？  定义：当使用正确的数据进行AI模型训练后， 工业智能体可能能以类人的方式执行特定任务。 因此工业智能体能够智能地代表和管理工业企 业的功能和能力。  驱动方式：工业智能体可以用workflow驱动， 也可以用多Agent驱动。 Q3：如何理解大模型/智能体的能力？  短期来看，是工具而非主导者，是赋能者而非 （如立项申请），还有很庞大的可想象空间，因此 市场上几乎对各个核心环节都进行了探索。当前比 较热的场景探索主要聚焦于大模型的代码辅助、文 本生成、参数优化等能力，故在辅助设计、营销管 理、设备管理等场景的探索热度较高。 Q2：如何看待大模型对制造业数字化转型市场的影响？  短期来看，市场仍然以大模型的落地探索为主，市 场竞争格局不会发生较大变化。但大模型的出现有 可能会加速市场竞争格局的变化，加速点是大模型 是否能在企业运转的核心环节中发挥实质性作用。

倍以上的差距。目前国内 AI 芯片厂商在推 理芯片已有一定市占率，但受 CUDA 等软件影响，训练芯片上差距仍较大。 从 GPU 到 AI 工厂，AI 计算会为整个服务器产业链带来增长 这次会上，英伟达重点展示了如何从单颗 GPU 芯片 H100，通过 NVLINK Switch 形成一颗巨型 GPU，然后通过 Quantum InfiniBand 技术，搭建有上 百张 GPU 的 DGX 服务器，及把多台 DGX 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 5 电子 AI 计算如何推动训练芯片需求 NVIDIA 和 AMD 为 GPGPU 领域代表性厂商，二者占据市场绝大部分份额。其中 NVIDIA2022 年数据中心业务收入突破 150 亿美元，2015-2022 年复合增速达 免责声明和披露以及分析师声明是报告的一部分，请务必一起阅读。 9 电子 AI 计算如何推动推理芯片需求 AI 推理需要什么芯片：训练是计算密集型，模型需要大量的数据进行训练，通过反向传播 优化参数，从而让模型达到某种目的。而推理过程更多在场景下，需要对训练的模型进行 一定压缩、裁

正发挥重要作用，帮助制造企业提高效率并推动创新。 本指南深入分析了物联网对制造业的影响，议题涵 盖市场展望、机遇和挑战、当前趋势以及在工业4.0 时代采用网络连接的优势。指南还介绍了Telenor IoT如何通过全方位管理从产品硬件到云端后台的全 链条网络连接技术，帮助制造商以更快的速度、更 低的成本、更高的质量实现联网产品部署。 这些深度洞察旨在帮助全球制造企业利用物联网提 升运营效率和智能化水平。 3D打印技术的应用：3D打印技术的快速发展正在 改变传统的生产方式。通用电气等企业正在采用这 项技术生产复杂组件，大大减少了浪费，并提高了 生产效率。3D打印的影响横跨汽车、医疗健康等多 个行业，制造商面临的挑战是如何有效地整合并利 用这些新技术。物联网可帮助制造商将这些技术无 缝集成到现有的制造系统中，并基于数据提供深度 洞察，以实现进一步优化改进。 为网络升级做好准备 许多国家正在加快淘汰2G和3G网络，为更先进的