工业AI的下一个规模化场景

安全生产和工序SOP分析是工厂管理中长期存在的高频场景。过去这类工作更多依赖人工巡检和事后追溯。随着大模型和智能体进入工业现场AI实时识别、告警纠错和闭环管理正加速从试点验证走向规模化复制。在本次与爱分析的深度访谈中安生智联联合创始人兼CTO南阳围绕工业AI落地阶段的判断、AI在安全生产和工序SOP质量管理中的落地方式以及工业客户衡量AI项目价值的逻辑等话题进行了系统分享。核心观点1、AI在安全生产和工序SOP领域正从技术验证走向规模化复制。工业场景对稳定性、准确性和数据可获得性要求很高。安全生产和工序SOP场景中AI技术成熟度较高、企业刚需性强、数据也相对容易获得该领域正处于从试点验证到效益显现、进而走向规模化复制的关键窗口。2、在AI安全生产场景中大模型的价值在于降低误报率提升告警可用性。小模型适合数据充足、边界清晰的场景但在烟火识别等少样本场景中容易产生误报。大模型通过二次研判可以有效过滤因光线变化、飞虫等因素导致的无效告警让系统真正具备上线使用价值。3、工序SOP AI分析的落地难点在于把静态标准变成动态执行闭环。大多数工厂都有SOP文件但文件无法实时判断人员是否按规范执行。AI系统需要把工位操作过程转化为采集、分析、告警、纠错和追溯链路才能解决事后倒查、责任追溯和执行一致性问题。4、工厂对AI项目的付费意愿与收益回报周期高度相关。工业客户更关注AI项目能否带来明确收益。收益回报周期在1年内的AI项目更容易推动落地超过2年则较难立项。01大模型能提高安全生产场景的准确性A你们目前主要从安全生产和SOP合规两个方向切入工业AI。你们是如何判断这两个方向的市场机会的哪些场景更适合工业AI落地南阳我们主要面向企业安全领域工业场景是我们目前重点在深挖投入的板块。工业场景本身涵盖范围较广有40多个大类、200多个中类。从工序维度来看又包括物料准备、加工、装配、检测、包装等环节每个环节下面又有很多细分场景。因此工业与AI的结合存在诸多切入点比如AI质检、预测性维护、智能排产、能耗管理、安全生产以及SOP合规分析等。我们在选择具体方向时主要看三个因素第一技术是否成熟。工业场景比较特殊对稳定性和准确性要求很高所以我们首先会看算法和系统能否稳定运行是否具备批量化复制的基础条件。第二是否刚性需求。我们会评估工业企业在这个场景里的需求是否为刚性需求以及场景是否具备规模化复制的基础第三数据是否易采集。工业AI落地的核心要素是数据要看数据是否易于采集。有些场景数据特别少就很难批量复制。安全生产和工序SOP合规这两个赛道随着2018年深度学习的发展到现在技术成熟度已相对较高企业对安全的刚性需求持续存在数据也相对容易采集。我们接触到的企业中目前多数正处于试点验证阶段少数已经试点成功正在进入批量落地复制的关键阶段。A你们同时切入安全生产和工序SOP合规这两个场景之间有什么关联南阳这两个场景看起来一个偏安全一个偏质量但底层逻辑是相通的核心都是围绕人的不安全作业行为进行管理分析。在工业现场一类违规行为会造成安全事故比如吊装作业违规、人员闯入、脱岗离岗等另一类违规行为会造成产品质量问题比如螺丝漏装、工序遗漏、操作顺序错误等。所以我们理解的安全生产和工序SOP合规并不是两个完全割裂的方向。安全生产更多关注人的不安全行为SOP合规更多关注人的不规范操作但底层都是对人的行为进行识别、分析、告警和处置。从技术架构上看两类场景底层很多能力都可以复用包括AI视觉、行为分析、时序模型以及大模型、小模型的协同分析等因此我们才能同时在安全生产和工序SOP合规两个方向上做长期持续积累。A沿着这个判断往下看到2026年这个时间点你认为AI工业是否已经进入规模化落地阶段南阳工业AI的规模落地可以分为三个阶段第一阶段试点验证第二阶段产生经济效益少量复制。第三阶段批量化、规模化复制。安全生产和工序SOP目前正处于从试点验证到效益显现的关键阶段尚未完全进入批量化复制阶段有几个主要的原因。第一客户对价值的评估方式较为复杂尤其是安全生产的价值未必能直接转化为可量化的财务收益。第二技术工程化能力要求较高涉及端侧、边缘侧和中心侧的协同部署。第三部分客户对安全价值的认知仍在提升过程中逐步把安全融入成本核算。现在很多大型上市公司包括一些行业头部企业例如TCL华星、健鼎电子等也是从去年开始立项今年推进安全生产和工序SOP项目。这些企业普遍希望在试点验证经济效益后再在工厂内部批量复制。当然也有一些工厂已经处于批量复制阶段。A具体到安全生产场景你们做的AI安全生产和传统安防摄像头做的视频分析本质差异在哪里南阳市面上也有很多AI算法公司在基于场景做视频分析。但我们现在做的AI安全生产不只是单点检测而是针对场景最核心的痛点形成一整套深度的AI分析和处置方案。这两种逻辑的出发点完全不同。传统安防是通用逻辑“有个摄像头能识别一些现象然后报警”。但我们每进入一个场景都是先问这个场景最核心的痛点是什么比如铝加工深井铸造客户最担心的就是漏铝一旦漏铝没及时发现发生爆炸后果不堪设想。那我们就围绕漏铝做全套分析漏铝特征AI声纹识别、热成像AI监测温度异常、铸造期间人员AI在离岗分析整套系统在几秒内完成判断和处置。再比如吊装作业客户最怕的是吊物移动过程中人员闯入危险区。传统方案画个固定围栏人进入就报警但我们做的是动态电子围栏吊物的AI自动识别、监测区域的旋转自动设定人员作业的AI自动分析等同时联动投影灯等设备相互制动。所以本质差异很明显一个是从功能出发一个是从痛点出发。传统方案是“装个摄像头能看就报”。而我们是“找到这个场景最痛的风险点然后用一整套AI技术手段把它管控住”。A如果从技术实现上展开你们和传统视频分析方案的差异主要体现在哪里南阳传统视频方案主要通过AI视觉算法做分析是一个相对单点的技术路径。我们的一整套系统会结合大模型、智能体做综合研判。它已经超出单纯视频算法的范畴是小模型、大模型、智能体和规则引擎共同协作的系统。展开来讲这套系统的分工逻辑是小模型负责快大模型负责准规则引擎负责联动智能体负责调度。小模型部署在边缘侧毫秒级响应解决“看到了”的问题。大模型在中心侧做二次研判过滤误报解决“看对了”的问题。规则引擎负责联动处置比如触发停机、推送工单。智能体负责把这几层串起来形成完整的闭环。举个例子在深井铸造场景中小模型实时识别漏铝声纹大模型对告警做二次确认确认后规则引擎触发PLC停机同时智能体通知责任人并记录处置结果。整个过程在几秒内完成但每一层各司其职。A在实际落地中大模型和传统视频分析小模型是怎么结合的结合之后效果提升主要体现在哪些方面南阳我们可以分两个方向来看安全生产和工序SOP。在安全生产中客户最关注的是准确性。传统深度学习通常是用小模型做实时分析我们在此基础上通过大模型做二次研判。而在工序SOP场景里我们会让大模型和小模型综合分析。SOP关注的是人员行为纠错和工时统计。对于实时性要求比较高的环节我们会用小模型做分析对于实时性要求没有那么高的场景则更多使用大模型和RAG数据库。因为有些行为小模型很难准确定义和识别大模型更适合做综合研判。A你刚才提到在安全生产场景里可以用大模型做二次确认。但一般理解是精度要求高的场景用小模型会更好大模型可能有泛化和幻觉问题。你们怎么理解这个问题南阳这里要分场景看。如果某些场景的数据量较为充足小模型就可以解决。比如人员闯入、区域越界这类场景本身有大量数据可以做标注训练检测准确率可以做到比较好的程度。但有些场景样本很少比如烟火识别、通道拥堵识别。以烟火为例本身样本就比较少。如果完全通过传统小模型做检测容易出现大量误报。这时对检测告警信息再用大模型做确认分析能够显著改善效果。我们有一个典型案例在浙江客户现场原有300多个摄像头用的是安防大厂的智能IP相机主要功能是识别人员越界闯入。按理说这个功能已经比较成熟了但现场300多个摄像头每天晚上会产生800到1000条告警。这些告警里大量是因为光线变化或者飞虫飞过造成的误报。由于告警太多客户整个系统很难真正上线。所以我们通过大模型对告警做二次研判判断现场是否有人有效过滤了因光线变化、飞虫等因素产生的误报。02SOP规则无法被AI直接使用A你之前提到SOP的核心问题不只是有没有标准而是能不能有效执行并形成闭环。这个怎么理解很多工厂其实都有明确的SOP手册。南阳大部分规范化企业每个工位都有SOP文件但从“有标准”到“能执行”中间有很大差距。这里主要有三个问题。第一SOP标准本身通常是一个静态文件但人的执行动作是动态的。操作过程没有办法被实时监测。第二很多工厂会安排组长做巡检但巡检是间歇性的不是实时的所以大量行为问题没办法及时发现。第三很多工厂现在新人和临时工流动性比较大不同工人对标准的执行一致性很难保证。再往后看从执行到形成闭环也很难。很多问题如果靠人发现往往已经是事后了比如在后端发现不良品之后再倒查这个时候事情已经发生了。追责时也很难记录到底是哪一步、哪个工人、哪一道工序出了错。整体上也缺少24小时实时监测和系统性跟踪验证的方法。A如果上了你们这套系统这些问题都可以解决吗南阳我们希望通过整套方案把每个工位从采集、分析、告警、纠错到最终反馈追溯形成全流程闭环。前面提到的三个问题静态文件无法实时监测、巡检间歇性、执行一致性难保证都可以通过系统得到解决。具体来说原来写在纸上的SOP标准现在变成系统里可执行的规则每个工位的操作过程被实时监测。原来靠组长间歇性巡检现在系统7×24小时不间断监督一旦出现错序、漏序或动作偏差毫秒级告警并纠错。原来新员工和临时工的执行一致性难以保证现在系统实时比对标准动作确保每个人、每一次操作都符合规范。事后追溯时也能精准定位到具体是哪一步、哪个工人、哪一道工序出了问题。A从标准到执行闭环中间肯定会涉及很多落地细节。SOP系统实际落地时主要会遇到哪些问题南阳实际落地时主要涉及两个方面的问题。第一从工序执行流程转化成AI可以落地执行的方案中间会存在差异。有些SOP规则AI不一定能直接实现所以从理论规则转化成实践方案需要和客户不断研讨确定。第二很多工序场景会频繁切换品类。换产过程中AI系统能不能适应快速换产也是很大的难点。这个难点不能只靠项目化手段来解决而要依靠更标准的工程化方式比如通过低代码能力实现快速换产。A你刚才提到有些SOP规则AI不一定能直接识别或实现能举个例子吗南阳举一个典型例子。有些SOP场景会要求工人“目视工件”但通过摄像头看操作过程很难判断工人眼睛有没有真正看工件。这种问题没有办法直接通过技术方式解决我们就要和客户探讨能否把它转化为另一种可识别的方式。比如电力行业某个工件要求“目视5秒钟”我们会把它转化成技术语言人员是否拿着工件是否在摄像头下对工件做了上下翻转整个动作持续了多少秒。我们会把业务要求结构化成这样的业务逻辑再用技术方式解决。A这种把SOP规则转化为技术语言的问题在SOP管理场景里多吗南阳确实挺多。把SOP转化成可以落地的AI方案是非常关键的阶段。客户也需要有相关认知并且愿意配合比如SOP文件本身能不能调整能不能转化成可识别、可监测的动作。现在很多想做SOP监管的客户往往是之前已经遇到过产品供应链问题比如由于产品质量问题被客户投诉罚款。再比如像苹果、华为供应链企业为了保证产品质量也开始逐步部署SOP系统所以他们对这个板块有认知配合意愿也比较强。A除了规则转化换产也是你提到的另一个难点。你提到低代码能力是指在换产之后基于新场景快速帮客户重新搭建应用吗南阳是的。比如原来是A产品突然切换成B产品。按照传统项目开发方式开发一个适配A产品工序的项目功能可能需要两到三周。但快速换产阶段客户可能三四天就要切换产品。因此就要从AI开发本身来做降本增效而AI项目落地时一般分成三个阶段第一是算法模型训练比如识别新产品长什么样需要训练模型第二是算法模型和新产品、新工序、新业务逻辑的结合需要做算法功能开发第三则是已开发的算法功能的产线应用。如果要支持快速换产就要尽量减少这三个环节的开发工作量所以我们把整个流程转化成三类方面的工程化交付能力。第一在算法模型训练方面一些通用场景比如人体、人手我们会提供大量已经训练好的预训练模型基本不用重新训练。针对专业场景数据我们会通过大模型辅助标注和数据增强降低数据采集的成本以少样本的方式快速达到比较好的算法识别率。第二在算法模型和业务场景结合方面需要做算法编排。我们会提供一整套低代码编排平台提供各类已经开发积累的技能组件让用户通过低代码或者零代码拖拽的方式快速开发出适配新产品的工序应用。第三客户可以基于这些能力快速拓展应用原来一两个月的开发周期可以压缩到一周以内而且客户自己的工艺人员通过拖拽编排就能参与配置不再完全依赖供应商工程师的排期。A低代码平台对工厂端能力有要求。很多工厂未必有能力自己搭建这部分是不是仍然需要你们提供服务南阳工厂客户一般分为两类。一类工厂是中大型客户本身有IT信息化团队。我们会提供一整套平台并为他们提供培训支撑他们自己做交付另一类工厂客户如果没有相关IT团队我们会通过软件服务的方式帮他们解决。03多数客户只愿为1年内产生效益的AI项目付费A回到企业决策层面目前你们做安全生产和SOP项目时一般怎么量化项目价值和收益南阳这是很多客户都会遇到的问题。我们通常会帮客户做一整套ROI测算让他们内部能看到相关收益。这几年合作下来我们一般有四种ROI计算方式。第一种是人力成本节约法。直接看能节省多少人人力成本乘以人数得到年度节省费用。第二种是节省物料法。比如有些工序如果没有按要求操作就会造成物料损耗或返修上系统之后可以节省这部分物料。第三种是提升良率法。原来的良率是多少提升到多少再乘以产量、单价和毛利。第四种是运营利润法把物料、良率等各方面收益加起来再减去运维成本。总体而言我们会根据客户工位的特殊性帮客户做ROI测算。当然有了ROI数值后针对在不同回报周期客户的决策意愿也会有很大差别。6个月以内客户决策较为迅速因为投入很快能产生效益。6-12个月在内部也算较为优质的项目经过充分论证后较容易获得立项批准。12-18个月大多数有AI改造需求的企业也愿意尝试。18-24个月就比较勉强除非有政策要求或相关补贴。而超过24个月AI项目的投入立项就会比较困难。当然安全项目还有一个特殊性有些时候不能立刻看到直接收益这个时候要换一种方式计算比如避免产生多少损失。像铝加工深井铸造爆炸风险监测方案本身风险性比较大一旦发生铝液泄漏爆炸整个厂区可能都会被炸掉这时损失不是几十万、几百万而可能是3000万、4000万、5000万。前几年全国发生了多起事故对于这种高危险场景领导层会从避免重大损失的角度来综合考虑。A当客户开始关注ROI和可复制性之后厂商自身也需要形成壁垒。从你们现在的实践来看你们在AI时代能够形成差异化壁垒的点是什么南阳我们对于安全的定位并不局限于单点产品或者AI解决方案。比如只做单个SOP工位、单个吊装场景。我们把安生定义为企业安全领域的AI健康管理中心理念上类似于“美年大健康”。但不是开线下门店而是通过平台化的AI产品和服务体系为企业提供系统化的安全能力。比如在工业领域针对3C、半导体、铝加工等行业我们会系统性分析整个行业的全流程、全工序从物料到加工、装配、质检、包装评估哪些地方存在安全问题和质量问题。针对不同行业我们会提供专家咨询也会通过平台化的AI安全产品解决特定问题。这里面的差异化壁垒主要有三个方面。第一在垂直领域不断积累行业垂直数据打造核心AI算法。第二针对工业领域痛点问题打造更多核心竞争力AI产品且通过工程化能力具备良好稳定性和低成本优势。第三构建安生安全大模型通过中心调度、行业大模型和垂直智能体结合的方式综合解决安全场景中的痛点问题。这是我们在产品开发、项目交付过程中不断聚焦打造的差异性壁垒。A如果再往未来看在安全生产和工序SOP这两个场景下哪些工作必须由人来做哪些可能被智能体或新的AI工具替代南阳安全生产场景本质是围绕人的不安全行为来解决问题涉及对人的状态和行为的深度理解加上安全事故后果严重最终决策权和责任主体仍然在人。AI能做的是帮人看得更准、反应更快但替代不了人的判断和责任。工序SOP场景则不同很多单工位操作是重复性、标准化的这类工作未来大概率会被具身智能替代。一些头部工厂已经在探索。但具身智能执行时它的动作是否合规、是否安全仍然需要一套监督系统这正是我们目前在积累的能力。综合而言安全生产中人是决策者AI是辅助工具。工序SOP中机器是执行者人是监督者。这不是替代是人机分工的重新定义。A如果SOP操作未来由具身智能替代会不会降低你们当前业务的价值南阳如果进入具身智能时代阶段安生的价值不会降低反而会更加重要。首先工业具身智能本身就是机器而机器本身就存在安全隐患特别是具身机器人采用大模型来思考执行处理问题而大模型本身存在幻觉问题因此“机器加幻觉”从安全角度来看会引入新的风险。安生现在构建的是一整套基于场景理解和行为分析的安全系统未来具身智能在执行操作时可以通过API调用我们的安全API产品获得关键性的安全辅助判断。我们现在做的很多产品和能力未来会变成具身智能背后的安全底座。此外具身智能对数据的需求量远远超过大语言模型。大语言模型的数据多来源于互联网中的泛化场景而工厂领域的数据则均为垂直行业数据。我们在多个场景中积累的行业Know-How未来会成为具身智能在行业内快速上线的重要燃料也会成为我们在数据层面的护城河。所以未来具身智能大量进入工厂时不管从安全还是数据维度看我们现在在做的事情都有很核心的价值基础。A从具身智能再往后看AI在工业领域下一步演进的最终形态会是什么会走向完全无人化工厂吗南阳你刚刚提到的是两个场景一个是完全无人工厂一个是工人自动化工厂有工人在现场管理和操作。无人工厂对应的其实类似通用工业AGI的概念它可以控制具身智能也可以调度机器人去做相关事情是一整套系统。但我们更倾向于另一个更可落地的路径让一部分工人具备专家能力。这个路径可以分成三层。上层是中心侧调度平台通过规则引擎和大模型进行统筹调度。依托多模态数据负责整个工厂的全局任务拆解与规则下发。中心层是垂直行业大模型。通过蒸馏得到的小参数大模型用来解决垂直领域里的具体问题。底层是垂直行业小模型聚焦产品本身的应用智能体。通过边缘侧设备解决感知分析、告警和响应等问题。所以综合而言我们更倾向于中心调度加上行业大模型以及垂直应用智能体的方式。目前来看在工业领域也是更便于落地的路径与方案。