中国工业报 耿鹏飞

编者按：人工智能（AI）与制造业的深度融合已成为产业升级的关键推动力量。然而，关于人工智能+制造的切口、应用场景，看法多元、路径不一，这虽然体现了行业探索的活跃度，却也让制造业主体在智能化升级中面临选择困惑与实施难题。《中国工业报》“人工智能+制造‘核心主线’”大型策划报道旨在通过深入采访，剖析人工智能+制造的发展现状，通过梳理政策重点、挖掘实践案例、比较产品方案，探寻人工智能+制造主要路径、典型场景，提炼“核心主线”。同时，推动理论研究、企业需求与产业供给的有效对接，促进人工智能+制造高效落地，加快推进新型工业化。

杉数科技观点：制造企业分三步推进AI融合。第一步，“小切口切入”，优先选择ROI高、数据成熟的场景（如排产优化、物料补货预测），快速验证AI价值，建立信任；第二步，“小团队协同”，组建“生产负责人+IT工程师+算法专家”的三人小组，业务定义问题、算法实现模型、IT负责系统嵌入，避免跨部门低效沟通；第三步，“建闭环评估”，明确量化指标（如设备稼动率、库存周转天数、交付准确率），持续监控AI运行效果，形成“数据-算法-业务”的正向循环。

在新型工业化加速推进的浪潮中，制造业正站在“提质增效”的关键关口。随着国务院“人工智能+”行动明确将制造业列为核心应用领域，“AI如何真正嵌入制造场景”“如何从‘单点试点’走向‘系统赋能’”，已成为行业亟待破解的核心命题。

作为以运筹优化技术为核心的企业，杉数科技正以自主研发的求解器、AI决策系统在电子制造、汽车生产、化工钢铁等细分领域打破传统决策壁垒，用可量化的落地效果证明：AI不是制造场景的“附加项”，而是重构生产效率、优化供应链协同的“核心引擎”。《中国工业报》通过对话杉数科技联合创始人兼首席产品官（CPO）王曦，拆解其如何让AI在制造领域从“能用”走向“好用”。

杉数科技的探索：“痛点、技术、价值”三者精准契合

《中国工业报》：杉数科技在制造业落地的核心技术产品是什么？为何优先选择在制造领域布局？

王曦：杉数科技在制造业的核心技术支柱，是自主研发的高性能数学规划求解器COPT——它能支持线性规划、混合整数规划、二次规划等多类优化模型，已深度嵌入国内外制造企业的生产计划、物料排程、物流优化等核心系统。相较于开源或国外同类求解器，COPT的优势集中在三点：大规模整数规划求解速度更快、复杂场景下稳定性更强、支持本地化部署满足企业数据安全需求，恰好匹配制造企业“高维度变量、高实时性响应”的优化需求。

优先布局制造领域，本质是“痛点、技术、价值”三者的精准契合：一是制造业天然是“优化问题密集区”，生产排程、供应链协同、库存管控等环节均有可量化、可建模的决策需求；二是运筹优化与预测分析在制造业有长期技术积累，企业数据结构化程度较高，能快速搭建可落地的优化模型；三是商业价值可直接量化——通过算法优化，企业能清晰看到成本下降、产能提升、交期缩短的实际收益，ROI明确，投入意愿更强。

《中国工业报》：杉数的AI技术落地是需求主导还是技术驱动？这种“技术-场景”融合的创新点在哪里？

王曦：杉数的AI技术在制造领域的落地，是“客户需求牵引”与“技术战略迭代”的双向驱动——客户的痛点定义了技术落地的方向，而技术的突破又拓展了场景的边界。

以制造企业最头疼的“生产计划优化”为例，传统APS（高级计划与排程）系统依赖人工经验固化规则，遇到工艺流程复杂、多约束耦合的场景时，往往出现“排程僵化”问题：一旦设备故障、订单变更，系统无法快速调整，只能靠人工重新测算，严重影响交付效率。杉数的解决方案，是将机器学习与运筹优化深度融合，构建“动态决策模型”——系统能实时捕捉生产扰动（如设备停机、物料延迟），自动调整排程方案，同时兼顾资源利用率、交付周期、能耗成本等多目标平衡，让生产计划从“经验驱动”转向“算法驱动”。

这种融合的创新点，恰好击中传统方案的短板：一是突破“固化逻辑”，能应对动态、非线性的生产环境，而传统工业软件仅能处理确定性规则；二是实现“实时自适应”，通过历史数据学习与实时反馈，模型能持续自我修正，成为企业的“数字决策大脑”；三是具备“开放扩展性”，平台化架构支持跨工厂、跨业务协同，而非局限于单点优化的工具类软件。

实践成效：用算法帮助企业“看懂自己的生产系统”

《中国工业报》：杉数的“AI+制造”解决方案覆盖哪些细分行业？不同行业的适配逻辑有何差异？

王曦：目前杉数的“AI+制造”解决方案已覆盖电子制造（PCB、半导体）、汽车制造、化工与钢铁制造、消费品制造四大核心领域。虽然底层的算法平台具备通用性，但基于不同行业的生产特性，杉数形成了“差异化适配”的核心逻辑，可概括为“三化”。

一是数据建模差异化。离散制造（如电子、汽车）更侧重设备信号、生产节拍等动态数据建模；流程制造（如化工、钢铁）则聚焦物料配比、能耗曲线、工艺参数等连续型数据建模。

二是算法范式定制化。离散行业以“混合整数规划”为主，解决多工序排程、多工厂协同问题；流程行业则采用“非线性优化+物理约束建模”，应对能耗控制、原料配比等场景。

三是系统集成本地化。根据行业数字化成熟度灵活对接系统——电子制造对接MES（生产执行系统）实现高频调度，汽车制造对接ERP+SCM（供应链管理系统）实现产供销协同，化工制造则深度耦合DCS（集散控制系统）实现实时能耗优化。

电子制造领域聚焦“多工序协同优化”，解决PCB生产中“几十道工序衔接慢”的问题；汽车制造侧重“产能规划+物流一体化”，平衡装配线效率与供应链库存；化工与钢铁制造聚焦“能耗控制+安全预警”，在保证生产稳定的同时降低能耗；消费品制造则通过“AI预测+排产优化”，应对SKU多、换线频繁的需求波动。

《中国工业报》：能否分享两个代表性项目，说明技术如何解决痛点并创造量化价值？

王曦：第一个案例是服务国内ICT行业龙头企业。该企业的痛点极具代表性：生产体系覆盖200多家工厂、数百个供应商，传统系统生成全集团生产计划需10+小时，甚至延误订单响应。杉数的解决方案，是将所有工厂的生产能力、库存限制、供应链层级抽象为“全局优化模型”，用COPT求解器处理上亿个决策变量，最终实现“几小时内生成全局最优计划”。落地后，企业订单满足率提升约20%，产能损失降低30%，彻底摆脱了“人工算计划”的低效模式。

第二个案例是服务国内PCB行业龙头企业。随着AI热潮带动半导体需求激增，该企业面临“爆单但交付慢”的困境——PCB生产从投料到成品需30+天，涉及上百道工序，某一步排程不合理就会拉长整体周期。杉数研发“多工序协同排产算法”，通过模型刻画工序衔接规律，自动规划每个订单的最优生产路径（如“哪个订单优先走哪条产线”“某道工序何时启动”）。落地后，企业整体生产周期缩短15%以上，产能相当于“虚拟扩建2-3条产线”，年经济收益超千万元。

这两个案例的共性在于：杉数不是用AI“替代人工”，而是用算法帮助企业“看懂自己的生产系统”，从“局部优化”走向“全局最优”——这正是AI+制造的核心价值。

重要观点：最小成本实现“从0到1”的突破

《中国工业报》：当前制造企业对AI的核心需求是什么？AI与制造业务的融合路径该如何设计？

王曦：从杉数服务的企业来看，当前制造企业对AI的需求已从“尝鲜”转向“实用”——核心是“能否形成决策闭环、持续创造收益”，具体集中在三类场景。

一是实时动态调度，应对产线多样化、订单个性化的趋势，企业需要AI实时调整计划。例如电子制造企业要求“每30分钟重算一次工序计划”，实现跨产线协同；二是多目标优化，不再局限于“降成本”或“提产量”，而是在交付周期、库存水平、设备利用率、能耗之间找平衡，比如汽车制造中需同时满足“订单交付率”和“设备稼动率”；三是风险预测与应对，针对供应链不确定性，提前预警风险，比如半导体企业需“提前7天识别物料短缺”，主动调整生产计划。

基于这些需求，AI与制造业务的融合路径可概括为“双跃迁、三闭环”：“双跃迁”即从“单点优化”到“全链路协同”（打通生产、仓储、供应，实现产供销一体化）、从“事后分析”到“事前决策”（通过数字孪生模拟决策结果，主动规划）；“三闭环”则是搭建“数据闭环”（统一数据底座，确保算法能读取、反馈业务数据）、“算法闭环”（实现预测-优化-执行-反馈的自学习）、“业务闭环”（将AI决策嵌入MES、APS等系统，直接驱动生产）。

《中国工业报》：制约制造企业深化AI应用的核心障碍是什么？对企业尤其是中小企业有何建议？

王曦：结合实践，制约制造企业深化AI应用的核心障碍有三点：一是“认知与信任鸿沟”，制造业依赖经验决策，AI算法逻辑不透明，导致现场人员“算得对但不敢用”；二是“体系与机制缺失”，缺乏明确的AI效果评估体系，试点成功后难推广，且数据治理、系统接口等基础机制不完善，AI成“孤岛”；三是“协同与资源不足”，算法团队不懂生产、业务团队不懂数据，跨部门沟通低效，中小企业更面临人力、预算双重约束。

针对这些问题，建议制造企业分三步推进：第一步，“小切口切入”，优先选择ROI高、数据成熟的场景（如排产优化、物料补货预测），快速验证AI价值，建立信任；第二步，“小团队协同”，组建“生产负责人+IT工程师+算法专家”的三人小组，业务定义问题、算法实现模型、IT负责系统嵌入，避免跨部门低效沟通；第三步，“建闭环评估”，明确量化指标（如设备稼动率、库存周转天数、交付准确率），持续监控AI运行效果，形成“数据-算法-业务”的正向循环。

对中小企业而言，无需追求“大而全”的AI方案，而是聚焦“一个痛点、一个模型、一个团队”，用最小成本实现“从0到1”的突破——这才是AI+制造落地的务实路径。