（图例一）

　　一、背景简述

　　在数字化和智能化快速发展的今天，AI技术已成为企业提升效率、优化决策和加速创新的重要动力。汉思深刻认识到，智能化不仅是未来的趋势，更是当前各行各业业务创新和升级的核心引擎。通过结合AI技术，我们正在积极构建面向未来的业务架构，推动企业的全面数字化转型，近期汉思与某著名新能源汽车制造商在质量管理、生产流程优化和人员培训等方面，进行AI场景优化深入探讨和尝试。

　　二、AI优化实践场景

　　描述性语句的结构化（如车辆选装信息）

　　在工艺制造过程中，经常存在大段连续性描述文字内容用于指导岗位操作或部件选装，这些只能由人工识别的内容不利于数字化管控、防呆控制。

　　例如：从以下（图例二）大段文字描述中摘取出符合数字化管控的结构化数据

（图例二）

　　传统代码开发方式将面临解析字符内容不固定、位置不固定、文本标识不固定等困难，且一旦描述发生哪怕标点符号上的细微变化，都可能面临修改代码重新发版的挑战。

　　利用AI大语言模型赋能，发挥其理解分析自然语言的优势，可通过提示词（图例三）的编写便能轻易输出结构化的关键数据（图例四）。且能自适应描述文字的部分变化调整，即使当变化无法自适应解析时，简单调整提示词即可，且不会对现有业务系统造成停服发版影响。

（图例三）

（图例四）

　　（1）轮胎尺寸信息识别

　　各国对汽车轮胎尺寸均有严格法规（如中国 CCC 认证、欧盟 ECE 认证），合格证数据需与实际装车轮胎完全一致。若存在偏差，车辆将无法通过出厂检验或市场准入审核，面临停产、召回或罚款风险。

　　利用AI图像文字识别手段，对生产车辆的轮胎标识尺寸（图例五）进行识别（图例六），识别数据再与该车辆合格证上轮胎尺寸数据进行对比，达到实际尺寸和证书尺寸强校验的目的。

（图例五）

（图例六）

　　（2）AI数字人之人员培训考核

　　在制造业 “存量竞争” 与 “技术颠覆” 并存的时代，员工培训已从 “可选项目” 变为 “生存刚需”。明智的企业会将培训视为 “人力资本增值引擎”——企业更需通过培训将员工从 “重复执行者” 升级为 “问题解决者”，这才是穿越周期的核心竞争力

　　而传统员工培训方式本身面临诸多挑战，利用AI+辅助培训执行方式，将打破传统培训方式的相关壁垒和难点。（图例七）

　　（图例七）

　　利用AI+方式，并非替代传统培训，而是解决其 “非个性化、低互动性、难量化” 的固有痛点，在制造业，AI + 培训正从 “效率工具” 升级为 “生产力要素”—— 通过精准匹配技能需求、模拟极限工况、量化能力成长，推动员工从 “被动接受知识” 转向 “主动构建能力”。

• 分层分类梳理针对不同角色、技能、岗位所需的培训材料， 将材料知识利用“切片模型”（Chunking Model）切片存入向量数据库中供知识库使用。
• 多维感知控制服务（业务系统数据变化监控 ）感知岗位人员变化信息，自驱动人员对象模型属性变化，下发业务指令。
• 人员相关管理系统接收相关指令自动生成培训、考核相关待办任务。
• AI数字人根据培训待办自动抽取知识库相关培训考核内容，对话式引导对应人员培训和考核。
• 关键岗位配置视觉识别系统或班组长巡查，跟踪人员培训执行动作效果。

　　三、AI优化探讨场景

　　（1）开收班点检AI助力

　　开收班点检是指在设备或产线启动（开班）和结束（收班）前，对关键部件、运行参数、安全状态等进行检查，确保生产安全、稳定运行。

　　核心目的：预防故障、降低停机风险、保障产品质量、记录设备状态。

　　传统方式：

• 依赖人工经验，漏检、误检率高
• 记录易丢失、难追溯，数据利用率低
• 异常响应慢，故障处理滞后

　　（图例八）

　　随着数字化的普及，开收班点检场景从传统作业记录方式V1.0升级到数据化V2.0（图例八）。然而该场景下数字化V2.0只是把线下填报表单搬到了线上，同时增加了多媒体信息的一些录入方式，该方式同样面临问题和挑战：

• 执行项目的勾选与实际存在偏差
• 录入耗时
• 传递信息简单的风险、以及问题

　　本次AI探讨，将该场景进行AI结合分析，通过AI相关的技术方式和手段，能大大简化信息识别录入过程、提高信息利用率（图例九）

（图例九） 

1. 整理提交不同岗位、不同产品开收班点检事项及图例资料，并将材料知识存入AI知识库。
2. 开收班执行：拍摄点检内容项目、口述交接班注意事项
3. AI分析比对知识库对应项目，判断点检执行效果及合规性。分析语音内容，识别注意事项和待办任务，推送信息至下班次对应岗位人员。

　　（2）ANDON管理AI助力

　　ANDON（安灯）管理起源于丰田生产系统，通过可视化信号（如灯光、看板）实时反馈产线异常（如设备故障、物料短缺、质量问题），实现 “问题即停、快速响应”。

　　核心目标：缩短异常处理周期、减少生产浪费、保障流水线连续性。

　　传统方式：

• 依赖人工触发，存在 “瞒报” 或 “延迟上报” 风险
• 异常定位模糊（仅能定位到产线区域）
• 数据碎片化，无法分析趋势（如高频故障点）
• 主要依赖广播和安灯显示，若工人未关注广播或安灯（如环境嘈杂、注意力分散），易错过信息，且难实现个性化、精准化通知到人

　　AI+ 方式：（图例十）

• 借助 AI 语音模型解析，能精准识别工位 ANDON 的语音交互内容（如物料求援具体缺啥、质量异常具体问题等）
• 除传统方式外，增加手环通知、看板推送等，可精准触达责任人，通过看板让相关区域人员知晓，可联动任务 / 通知 / 异常系统，实现信息多维度流转
• 从问题触发（工位 ANDON ）、解析（AI 模型 ）、通知（多渠道 ）到问题响应闭环，可跟踪问题处理进度、结果，利于企业沉淀数据，分析异常
• AI 自动解析、分配通知，减少人工识别、传达环节，提升异常处理响应速度，适配复杂生产场景下的多元需求

（图例十） 

　　（3）过程质量控制AI助力

　　过程质量控制指在生产过程中对物料、设备、工艺参数等环节进行监测与干预，确保产品符合质量标准。

　　核心目标：减少不良品率、追溯质量异常根源、优化工艺参数、降低质量成本。

　　传统方式：

• 除质量检测设备外，更多依赖人工巡检、抽检、全检
• 无法预判关键人工工序作业动作对质量的影响，仅能事后发现问题
• 问题闭环处理涉及跨部门情况下，通知/升级机制执行不严谨

　　AI+ 方式：（图例十一）

• 通过AI视觉识别手段动态监测关键工序人工作业，比对工序标准执行动作，预测质量问题
• 通过多渠道通知方式，确保异常第一时间推送至对应人员
• 处理问题响应闭环时间根据规则自动升级通知

（图例十一）

　　四、结语

　　汉思和该新能源汽车制造商对生产、质量过程、人员管理等多个方面进行了AI相关探讨和分析，双方对于AI在制造行业的场景助力方案构想和方向高度一致，目前也正在推动将讨论内容立项落地。

　　汉思致力于通过AI技术，打造更加智能化、高效化和人性化的业务环境，为客户提供卓越的服务和解决方案。我们深信，在AI的帮助下，未来的企业将更加敏捷、高效，能够迅速响应市场变化，赢得未来的竞争。