主题：工业互联网论坛——新质驱动 智造未来
时间：2024年9月5日（下午）
地点：中关村国际创新中心
主持人：各位嘉宾，各位与会代表，大家下午好。这里是京东方全球创新伙伴大会，工业互联网峰会论坛，我们齐聚一堂，共同探讨制造业高质量发展新方法、新路径。本次论坛的主题是“新质驱动、智造未来。”我是今天的主持人雷一鸣，非常荣幸能与大家相聚在这里，我谨代表北京中祥英科技有限公司向各位来宾和业界朋友表示衷心感谢，热烈欢迎。
创新是推动社会进步和经济发展的关键动力，通过不断引入新技术、新材料和新理念，我们能够实现智能制造的升级和突破，为社会发展和生活方式带来深远影响。这种创新驱动和智能制造的结合，不仅将推动产业的转型，也将引领我们走向一个更加高效持续的未来。在接下来时间里，我们将邀请各行业的专家、企业家，以不同的视角来分享新质驱动下的智能制造未来，首先让我们以热烈掌声欢迎京东方副总裁、中祥英总经理王洪博士进行欢迎致辞，掌声有请！
王洪：各位嘉宾大家下午好！中祥英在京东方IPC大会上第三次举办工业互联网论坛，所以我也是代表公司对参会的各位辛老朋友表示欢迎，欢迎大家！也非常高兴有机会就工业软件，包括京东方在工业软件的一些业务布局与大家做个交流。
“新质生产力”近期应该是热点词和高频词，2023年9月份习主席在黑龙江考察第一次提出“新质生产力”重要思想和理论，今年年中刚刚结束二十届三中全会进一步提出：“要健全因地制宜发展新质生产力体制机制，健全实体经济和数字经济的深度融合。”而智能制造是实体经济和数字经济深度融合的重要体现，一会儿北航王老师就智能制造主题与我们做精彩分享。
工业软件是实现智能制造最重要的工具和平台，工业软件是生产制造的神经和大脑，通过工业软件可以对生产中各个环节、整个生产流程进行优化，助力企业提升核心竞争力降本增效。
按照中国技术软件产业联盟的划分，工业软件目前分成四大类，研发设计类软件、生产控制类软件、信息管理类软件和嵌入式软件。
中国工业软件经过30多年的发展，取得了长足的进步，但是与先进的国家和地区相比，我们目前工业软件应该存在比较大的差距，在这里跟大家分享两个数据。
首先从整个公司的市值来看，大家都知道像阿里、腾讯、DP等中国消费互联网公司，2000年左右的时间，抓住了互联网技术兴起的浪潮，利用中国庞大的市场容量成为了全球消费互联网的领先企业，目前全球消费互联网公司市值超过千亿美金大概14家左右，中国公司占据半壁江山，七家来自于中国，市值超过百亿美金消费互联网公司大概60家，三分天下中国公司占其一，20家来自于中国。工业软件领域市值超过千亿美金的全球公司大概15家，非常遗憾没有一家来自中国，市值超过百亿美金工业软件公司130家，其中只有1/10来自中国。
从公司营收和利润做对比，美国前十大软件企业，和美国前十大上市公司销售额和利润对比，软件公司可以占到前十大公司的收入和利润的四成左右，而且利润会更高，达到42%，中国前10大软件公司与中国前十大上市公司对比营收和利润不到1%，利润更低，只有0.3%，大家知道中国是全球制造业门类最为齐全，体量最为庞大的国家和地区，显然目前中国工业软件发展现状和我们制造业地位是极其不匹配的，随着制造业对智能制造的重视，对想通过工业软件提升自身竞争力的重视，工业软件也面临着前所未有的发展的良机，据统计2027年中国整个工业软件的市场规模超过4000亿，年复合增长率14.1%，将近15%，大家知道目前我们国内的GDP增速大概是5%左右，所以整个工业软件的增速是GDP大概3倍，处在一个高速增长的这么一个态势。
而目前中国工业软件的发展也呈现了以下几个趋势。国产化助力绿色低碳和智能化，国产化的趋势从上个世纪70年代中国的工业软件的厂商就从信息管理类软件向生产控制类软件，生产管理类软件、研发设计类软件不断扩展，经过30多年发展在很多领域都积累了一定的技术，特别是2020年之后随着国家对自主可控的重视，出台了一系列的支持政策，无论从政策方面、资金投入方面、资源保证方面都为中国软件快速发展提供千载难逢的机遇，目前我们通过中国工业软件这个厂商努力，我们在很多核心行业、核心环节、核心领域都实现了突破，都实现自主可控。
工业软件也是助力我们制造业实现绿色低碳发展最重要的工具支持，大家知道2020年第七十五届联大上，习主席代表我们国家向全世界宣布2030年实现“碳达峰”，2060年实现“碳中和”，这就是大家耳熟能详的双碳目标，通过工业软件可以对企业碳排放、能源消耗的数据进行全面的采集、分析、优化，来助力企业实现降本增效。同时随着碳市场的开放，碳资产也是变成了企业很核心、很重要的无形资产，通过工业软件也可以对我们碳资产进行有效管理，对我们碳排放整个配额的分配、交易过程、履约过程等全过程进行管理，来使我们企业碳资产保值增值。
智能化发展趋势，工业软件本身实际上就是信息技术的重要应用场景，天然的就与信息技术最新的发展成果有紧密的结合，现在信息技术最热和最新成果都会提到大模型、生成式AI，但是相对人工智能也好，大模型也好，在消费领域应用，工业场景无论是对数据质量，整个响应及时性、结果的快速收敛性、准确性都有更多要求，我们中祥英也是在研发设计的仿真环节，生产过程中质量控制调度设备运营方面，对AI应用进行了一定的探索，目前也有一些初步的成果。
京东方工业软件业务，或者京东方工业互联网业务，基于京东方长期数字化建设运营发展起来，同时京东方数字化建设也支持了京东方业务和产能规模不断扩展，助力京东方成为一个两千亿营收的公司，半导体显示全球领导企业，我们不单是国内的领导企业，我们是全球半导体显示的领导企业，整个京东方数字化建设历程分五个阶段，导入阶段、发展阶段、整合阶段、平台化阶段、平台赋能阶段，目前处在平台赋能阶段，京东方内部积累，饱含京东方30年制造业行业具有自主产权、自主IP系统平台，除了在集团内部为我们数字化智能制造赋能之外，我们开始对外输出，为整个产业赋能。
在这里做个广告，很多尊贵的客户合作伙伴对我们中祥英比较熟悉的，我们中祥英是京东方集团下工业互联网业务运行的主体，我们也是国家的专精特新小巨人企业，北京市级企业技术中心和国家特色专业型的工业互联网平台企业，目前主要业务也是三个板块，面对泛半导体行业的工业软件，以工业质检为核心的工业AI，包括面向能源管理和双碳管理的智慧厂务的解决方案。
这个是我们BOE工业互联网平台整个平台架构，我们有四个基础的平台层，包括设备介入层、业务服务层、数据智能层和低碳使能层四个技术底层平台，帮助客户企业实现整个数字化、自动化、智能化和低碳化，同时面对我们专注的场景，专注的行业我们是三大解决方案，泛半导体工业软件解决方案，智慧厂务解决方案，工业AI解决方案，一会儿三个产品线负责人也会就三个解决方案一些详细的功能和大家做分享汇报。
在客户和合作伙伴的支持之下，我们2020年对外市场之后业务发展速度比较快，年复合增长率都是超过70%，我们每年研发投入都持续保持在12%以上，还有一点非常可贵，我们的盈利能力逐年在提升，毛利率每年都有所进展，到目前我们的客户已经覆盖了12个行业，规模以上的客户我们已经超过了300家。
中祥英业务的点滴进步离不开我们最珍贵客户的支持，离不开我们最紧密合作伙伴的配合，在此感谢大家一如既往的支持，在今后希望跟我们合作伙伴一同拓展，为我们最尊贵的客户就智能制造方面持续贡献价值，谢谢大家。
主持人：感谢王博，主要记了几个词，第一中国的国产化工业软件机会非常多；第二绿色低碳；还有人工智能。
智能制造是当今工业发展的重要方向，下面让我们热烈掌声有请北京航空航天大学自动化科学与电气工程学院副院长、教授、博士生导师王薇女士为我们带来《智能制造的控制科学视角-建模控制与决策》的分享。
王薇：尊敬的各位嘉宾大家下午好，我是来自北航自动化科学与电气工程学院的王薇，首先特别感谢中祥英邀请我来参加今年京东方IPC的大会，也给我机会跟在座同仁学习请教。今天我的报告是近两年我们科研团队在智能制造系统的优化与控制上面做的一点点的工作，所以也希望能够得到我们的同仁批评和指导。
众所周知因为制造系统的发展，刚刚王总介绍了，其实正在经历一个重要的转型期，主要是受到数字化、智能化还有网络化等等一系列趋势一些推动，我们这里有一个数据，国际的数据公司IDC他有个数据，全球的智能制造的市场规模在近五年他的一个年均的增长率会超过22%，到2025年的时候全球的智能制造规模达到5060亿美元，所以在这样一个蓬勃发展的态势下，我们是作为一个控制学科，我们控制的学者，我们控制人，所以一直在思考一个问题，就是我们能不能给制造系统，智能制造系统他的效能进一步提升，来注入新鲜的一个血液，所以有了我们今天题目。我们从控制科学的一个角度去探索制造系统的产能管控的一个问题。
说到控制我觉得可能在座部分的嘉宾并没有一些清晰的概念，所以我得花一点点时间跟各位嘉宾简单的聊一聊控制。
国际电气与电子工程学会，控制系统学会主席迈克麦斯坦教授曾经这么说过，任何一个可以被另一个对象或者系统所控制的对象或者系统，其实都可以从我们控制角度去理解它，去探索它，我们无法确定人类是从什么时候真正的开始思考用控制的这种思想去改变我们所生存的一个环境，因为控制思想来的特别自然。一般认为最早的控制系统就是公元前300年希腊人发明的水钟。
中国古代也有控制系统，指南车、都江堰的水利工程，被认为一个非常伟大的控制系统，已经有2000多年了，至今还在造福我们的成都平原。都江堰主体工程是多环节控制系统，被控量进入成都水量，可以想象如果枯水期水量不能少，如果是丰水期水量不能多，而且这个系统充满各种的扰动、不确定性因素，还有实践特征，他运行特别好，所以是非常伟大的，我们中国自己的古时候的控制系统。
到了近代第一次的工业革命的标志，就是瓦特的蒸汽机，这个标志我们从传统的手工业向现代的工业化的生产模式的一个转变，左边这个图是西班牙的马德里理工大学，在那边1859年瓦特蒸汽机样机，看到红色的小框框，这个小框框就是很典型的控制系统，就是飞球调速器，右边这个图展示基本工作原理。
控制理论真正意义上一个创立是以什么为标志，1948年维纳出版控制论Cybernetics以这个为标志，形成新型的学科，吸引众多领域广泛的关注。现在提到Cyber这个词，大家可能理解想象跟计算机相关，跟网络相关，比如说Cyber Security网络安全、Cyber Space网络空间，但实际上Cyber的来源叫做Cybernetics控制论，这个词又起源于什么，希腊语Governer，就是刚才的飞轮调速器，有掌舵者的意思，就是咱们控制，所以Cyber的起源是一个控制，很有意思。
到1954年咱们中国科学技术史上发展史上最具有影响力科学家之一，就是钱学森，以火箭控制与制导有关的实际问题为议论背景，在美国发表具有更多数学描述工程控制论Engineering Cybernetics。这本书是钱学森当时在美国，因为政治迫害被迫滞留在美国，失去自由情况下写一本书《工程控制论》，控制论创立代表性著作。
所以我们聊这么久的控制，控制到底是解决什么样的问题，什么是控制？柯林斯字典这么定义的，看上去有点像玄学，如果你能够控制某个人，或者某个事，你就能让他去做你想让他们做的事情，这就是控制的一个精粹。
我这里只是举了一个很简单的一个炉温的控制系统，比如现在系统就是要调节这个炉温，如果你就是一个Governer你会怎么处理，要有温度计测量炉子温度，目的炉温达到期望值，把测量炉温跟你期望值做比较，如果现在炉温比期望值更低你要做什么事，可能会调节进气量，把阀门开的更大，更多的进气量上去，这样炉温就能上升，直到理想的温度可以实现，这个就是控制的基本原理。控制的精粹是什么，就是反馈，这就是一个反馈的思想。反之毅然。
下面这个图就是我们控制系统里面，我们说的这个系统的框图，这个框图可以清晰看到系统的输入是什么，系统的输出是什么，被控对象是什么我的控制单元是什么，我的测量单元是什么，这个就是控制所有这些要素，这个系统运行的情况在实际的生产上，他实际的运用中一定不可避免受到外界扰动影响，比如这个例子混进去冷空气就是其中的扰动。
刚刚这个是一个控制系统，那有人为参与控制系统，我们说自动控制又是什么，自动控制就是想尽可能把人一个参与剥离开，想办法用一系列元器件，或者计算单元替代人的行为，达到我们控制的目标，形成我们自动控制系统。
比如说现在自动控制系统，他用热电偶、放大器、运算放大器、电位计、电机一系列元器件来代替咱们的控制的一个设计，代替一个人的行为，从而形成炉温自动控制。
控制的思想虽然很简单，但是对于控制系统一个设计过程，他是很严谨的，是一个很复杂的，他需要对控制一个目标进行严谨的描述，实现什么样控制任务，你要对你的控制对象进行建模对象输入和输出关系是什么样子，根据你的一个控制的任务还有对象的特点以及环境因素去考虑，设计我们的控制的方案，接着对整个系统进行严谨性能分析，再进行实验的验证，当然在不断的反复的实验中你进一步优化你控制系统，这个实际上就是我们的控制系统一个设计的全过程。
很明显被控对象的建模是很重要的环节，我们说被控对象是怎么建模的，这里又是很简单的例子告诉你就是这么简单。我这里只是一个机械运动系统中很典型的一个标称模型，我们把它叫做质量块弹簧阻力器的标称模型。如果我的输入就是我的拉力，就是质量块的位移就是系统的输出，输入和输出之间是呈现怎么样动态的关系，这里就是用了一个非常简单的牛顿第二定律，牛顿第二定律依据这个定律就能够建立起对于系统输入输出之间的动态关系。是用微分方程所刻划的，第一速度是位移的一个微分，我的质量乘上我的加速度，就会是我作用在质量块上静力，拉力减去地面带来阻力，以及弹簧带来的阻力，就是很简单就是牛顿第二定律形成微分方程，微分方程刻划的就是输入和输出的动态关系。
如果我的输入是一个阶跃信号，什么是阶跃信号，比如说你把质量块拉开，拉到一定位置，突然把它松开，你能想象这个质量块会呈现什么样运动，他会呈现一个在平衡点附近会有一个衰减振荡，大概率会是衰减振动的一个运动的模式。如果是一个极端情况，假设是没有摩擦，我的非常光滑的一个地面，那他的振荡会呈现什么形式？大概率是一个等符的振荡，持续的振荡，这就是高中学所的，对于系统的建模就是那么简单，是他刻划输入和输出之间的动态关系。
有了我们控制的基本概念，咱们接下来就是聚焦制造系统的控制学科的一个视角，我们关注的就恰恰是与京东方业务最息息相关的，以半导体制造为代表的可重入制造系统，是高度灵活，具有极高复杂性制造系统。
如果我们想以控制的手段去提高制造系统的效率，还有他的响应能力，并且以更优的方式去满足市场的一个需求，我们就想用刚刚动态系统的视角去理解制造系统，这个就需要从全局出发，涵盖产品制造的全过程以及全生命周期的动态的输入和输出之间的关系，我们都知道动态系统他输入和输出之间的关系是变化的，显然制造系统哪些是输入，比如毛坯、原材料、能源细细等等，输出不同完成度零部件、半成品和成品，制造系统输入输出也是随时间变化的，但是制造系统的一个状态和典型的刚刚提到那个运动系统的一个状态，他又有不同，他的不同会体现在制造系统的状态不仅和时间，随时间变化，而且会和产品的完成度，他是产品完成度的函数，这个是为什么，待会会仔细说，所以对于制造系统我们也可以用动态系统一个视角去理解它。
对于制造系统的描述，当然还需要考虑一些突发因素，我们称之为事件，这个事件有的是固定的，有的是可以预期的，有的是不可以预期，这是经常用到事件描述的方式。
左边这个图刻划制造流程基本任务，我们通常是根据市场订单需求，还有目前生产，还有设备的状态，我们由上层资源管理，还有排成系统，刚刚看到中祥英的系统APS、高级的排程系统，都是来确定，比如说我这个产线我要生产什么，生产多少，以什么样速率产出，这个是由上层的资源管理系统和排生系统给到产线的人物，在制造的过程中我们通过实时数据的监测，获得产品的质量还有设备的状态等等实施信息，更重要反馈整个产线上产品完成度实时时空分布，我们期望对制造流程不同的阶段去进行干预，比如说我们可以调节入料或者产线间或者工序间运量的速度，保证任务指标的实现，并且整个系统一个运行的安全。
可重入制造系统，一般的制造系统典型区别是什么，产品完成之前不同加工阶段会需要重复多次进入同一加工的单元，比如说像右图里面的外延、电机、光刻、离子注入都是可能会重复加入加工单元，这个就会导致可重入制造系统具有大规模复杂特征，这里大规模可不是咱们所理解空间上大规模，而是说的，可重入制造系统加工工序是复杂的，需要用到设备可能近百种，生产线可能同时加工多种产品，而且产品他工艺流程又可能不同的，而且这个同时会存在成批设备，单件加工并存，所以大大增加生产线调度算法的解空间，使得传统的Petri Net、排队网络刻划的离散事件的系统模型可能就不那么适用。
所以可重入制造系统作为当今最复杂的制造系统之一，探索高效可靠的控制技术，需要面临两个比较大的挑战：第一做局部的细粒度解析建模，因为可重入制造性有大规模的特点，可能会造成解空间很大，解不出来，这时候可以考虑融合系统全局的统计的一个行为；第二就是我们所说的个性化的快变的市场，你如何通过高效的产能管控，可以实现对于快变市场需求的敏捷的响应。
这两大挑战，催生出来我们面向可重入制造系统连续流模型描述方法。主要用于处理刚刚解释过的问题，前期我也跟技术人员我们有讨论过，现在的一个处理方式就是我们刚刚所说的，你现在的一个现场他是一个什么样子，他会用一个细颗粒度的方式，事件方式、离散的方式去给它刻划，刻划细粒度特别特别细，包括产线的各道工序的时序，设备、进料出料，各种动态事件都可以一一刻划，越细的颗粒度刻划精度越好，换言之可以把把现场发生的这些事情都是事无巨细刻划到仿真系统里，但是可重入制造系统典型特征就决定，如果你采用这样建模方法，导致做优化问题怎么办，做优化时候就会可能，你的调度问题的求解上会发生为维数灾难，就是求不出来，你的这个系统在做优化的时候解不出来，没有解。
连续流建模思想与这个不同，从宏观全局视角将生产线的产品的平均的流量看作一维的连续流，建立制造系统时空动态模型，基本规律跟我刚刚讲的小的弹簧质量块阻尼器的模型一样，也遵循物理的规律，这个规律特别简单，物质守恒定律，什么概念，我在连续流，就像管子里的水流，或者像我交通、车流，任意的连续流横节面砍一刀，横截面的进量量恒等于出量量，这个就是物质的守恒定律。
另一方面生产时间、产品完成度构成系统状态时空演化特征，产品完成度从0—1对应毛坯和成品，中间半成品状态，这种模型刻划优势就在于，系统其实规模越大越不担心，因为这样系统规模越大可能描述系统模型越精确，很好理解，系统规模越大，采集到数据越多，统计特征就会越明显，这样一个描述可能越精确，而且这个模型计算时间不会受到系统规模影响，始终建成一维连续流。
我刚刚讲的东西可能有点抽象，尝试用下面图解释，可重入制造系统和传统制造系统建模区别。传统制造系统的工序是按顺序进行的，从毛坯开始一道道工序，对应一个工作站点，下一个工作的站点，从毛坯到最后的成品，中间是他缓存区，顺序作业的工序，他的产品完成度，你在加工的一个单元上，你所对应的时间和你的这个产品的完成度，他是一个一一对应的关系，这一一对应的关系就决定了你对于这样系统的输入输出关系，动态关系的一个刻划，可以和刚刚弹簧质量块，阻尼器系统很类似，微分方程刻划可以，仅仅随着时间变化。
可重入制造系统区别是什么，因为会涉及到就是多个加工单元的重复多次的进入，这会很像上面的这个河道，河道里面本来从左往右流，比如有礁石，有障碍物，导致形成漩涡和湍流，水流到这个位置就有一个往复，对应可重入制造产线类似的情况，说明如果你在加工单元的位置，他的一个成品的完成度，还有他的时间，他不再是一个一一对应的关系，换言之他的产线上物料量不止跟时间相关，跟产品完成度相关，他的描述不能简简单单一维ODE描述，用到PDE偏微分方程，既考虑时间的影响，也考虑成品完成度影响。时间跨度从0到无穷，产品完成度从0—1，对应的就是很简单的物质守恒的定律，我的产品完成度为X的进量速度理论等于出量速度。
制造系统有个很有意思的特点，我们会有质检单元，会确认，我产品完成度，比如说x这个物料，他是不是满足我们质量要求，如果没有达到质量要求的话他会被定义成一个次品，他不能够被记入出料一个速率，为什么我们考虑他连续流的时候考虑产品完成度对应的次品的一个产出率，这就形成了我们一个连续流模型，这个基础上会形成可重入制造系统控制架构，这个架构从这个市场的需求会决定我的产品完成度为一的这个成品他的出量的量，我们利用可连续流的模型，对于产线输入输出的动态关系进行描述，对于涉及到的可重入的，我们刚刚讲是一个产线，比如说如果涉及到多个产线之间的耦合，多层级的，要建可重入制造系统的网络。
我们采集产线上物料量与时间和产品完成度相关时空的分布，调节制造系统干预强度，比如说调某一道工序，去调它的催化剂的浓度，调它的反应物，如果不调它的工艺，调工序和工序之间物料运输的速度都可能是干预地方，这样实现如果存在不确定性，或者存在故障情况下，依然能够及时响应市场需求。
对应刚刚讲了这个PDE的系统去建模，要做控制的话需要考虑初始条件，边界的条件，以及未知扰动等等不确定因素。进而可以给出鲁棒控制设计方案，因为接下来一部分就涉及比较细节控制设计和分析技术会比较快的带过。
这个就是我刚刚讲的很有意思的现象，就是实际上我们做控制，会有考虑跳变的系统，他什么概念，系统状态本身应该是连续的，他会突然之间有一个跳变，本身像这样跳变系统控制起来相对比较复杂，这种跳变系统往往物理世界不太容易找到完全匹配应用场景。特别欣喜的是制造系统跳变特别显而易见的，比如说工件工件加工单元如果出现故障导致缺陷，自然会有产品量物料量的跳变。
所以我们就可以建我们控制系统的模型，接下来的控制任务就包括你有故障以后怎么去处理，那样的检测，他的估计，他的系统状态，检测和估计确定什么时候发生故障，什么形式发生故障，他的一个状态，如果不可测怎么去形成状态的估计，以及鲁棒控制器的设计。
这个就是细节了，比如说我的故障诊断观测器的设计以及他的一个残差生成器，通过残差确定什么发生故障。我这个设计控制输入最终是希望我的制造系统的完成度的时空分布趋进于市场需求。
有一些Remarks，我们考虑的问题，因为市场需求变化，速率远低于制造系统控制区间，认为控制区间内，市场需求视为常数，市场都知道需求是变化的，这个没有关系，不同的控制区间里你的任务可以做一个变化的，我们依然能够实现这个市场需求的跟踪。
另外我的原始物料他的投递跟踪市场需求，并且保持，这个是什么概念，这个很好理解，比如说我原先是正常时间生产100件成品，我可能需要100件毛坯才能够实现目的，如果市场需求这么短的时间区间里生产200件成品，一定他的毛坯变成200件，如果没有控制的一个介入的话，你能不能实现，完成这样市场需求的任务，当然可以，制造系统本身就是一个耗散的，如果不加任何干预，慢慢也会均衡，向市场需求均衡，有了控制的话，通过我们的干预去调节，对于市场需求满足一个速率，可以用更优方式满足市场需求。
这个是具体控制器的设计，还有他相关的分析。我们可以看看数值的仿真例子，控制的行数。最后这个就是我们的最终的控制的效果，这是三维图，这边是一个时间的区间，这边是产品完成度的区间，最后可以看到产品完成度从0—1状态的物料量，最终都会向他市场需求给他实现一个均衡，达到我最终控制的任务。
这个就是以上我们近两年所探索的，从全局宏观的角度，从控制科学的以我们的视角来看待我们制造系统，如何来做产能管控。
接下来的工作我们也希望，这个东西相对来说太过于理论，接下来是不是有机会和中祥英等合作的伙伴，我们一块探讨是不是有机会能够把这些我们新的控制理念可以真正的去实现落地，后面未来以及部分现在在做的一些事情，刚刚讲到如果说涉及到大规模、多层级制造系统的话，可能用复杂网络视角建模，建耦合PDE或者混杂的动态模型，对他想办法以这种一致性思维去实现一个协同的控制，实现不同的产线，不同的车间，对于市场协同的均衡，以及包括网络不确定性的因素。
这就是我以上的报告，感谢各位。
主持人：感谢王院长。我在下面听到泛半导体的离散制造，包括重入制造讲的深入浅出，把实际和理论相结合，谢谢王院长！
工业软件作为智能智造的核心，其重要性不言而喻，是推动企业发展的重要力量，下面请中祥英制造执行系BU总经理吴建民先生为大家分享，打造半导体行业工业软件赋能企业发展新动力。
吴建民：尊敬的各位来宾大家下午好！非常高兴能给大家做一个分享，我今天分享的主题是打造泛半导体行业卓越工业软件，赋能企业发展新动力。
大家都知道现在国内的制造业应该是面临着很多压力，大家都在想办法找解决方案，我们需要找到企业转型升级的一个道路，刚才王总在报告里提到工业软件作为智能制造灵魂是企业转型升级的必然选择。拿泛半导体行业来说，现在越来越多的企业也开始重视我们工业软件的建设，大部分的企业在新工厂建设的时候就把工业软件作为一个必选项去同步建设，他们期望在工厂建成投产以后快速提升产能良率，降低成本，能够快速拿到定单，这些诉求都是需要我们工业软件去辅助去实现。
很多企业在建工业软件的时候也有很多的纠结，他们不知道选择什么样工业软件，先后的顺序如何，企业工业软件系统构架如何设计等等，这里我给大家展示了一个简要的我们工业软件建设的一个路径，主要分为四个方面。第一个就是我们自动化、数字化和网络化、智能化，通过这样路径可以一步步实现工业软件建设，把企业从自动化向智能化甚至无人化方向去建设。
我给大家展示了一个我们泛半导体行业一个比较全面也是一张比较理想的工业软件系统架构图。中祥英工业软件也是按照这个架构图一步步去研发的，目前我们的工业软件已经基本上可以支撑我们整个系统的架构，我们可以给客户提供整体的一个解决方案，给客户去做一个分步的实施。
这里简单给大家展示一下我们的一个系统的一个界面，可以看到我们系统基于同一套开发平台，对于客户的后期的运维也是非常方便，同时我们也给客户提供了统一的门户，对于客户来说他的整体感很好，对于所有的产品他可能感觉是在同一套系统里面进行操作。另外也有很好集成性，把所有产品能够集成在一起，用户体验非常好，非常方便。
产品很多，我不做一一介绍。我们给客户提供的时候也是不同的产品组合成不同的解决方案。这里我给大家分享几个解决方案和案例。王老师也提到自动化的层面是我们企业做转型升级首先要去解决的问题，这里面包括对设备的控制，王老师也讲到非常专业的控制理论，就是我们的数据采集。但是现实情况，我们企业在做这一步的时候，第一步的时候面临各种各样的困难，比如说我们的设备比较老旧，我们设备种类特别多，协议接口不尽一样，所以给企业做这一步带来很多困扰。
我们的解决方案的话满足半导体行业SECS/GEM标准协议的EAP产品，也包含满足我们半导体显示的依赖性的EAS产品，最主要的是针对客户比较头疼的非标设备的数采问题，给客户提供强大的数据采集平台，这个平台可以对设备数据、各种各样协议都能够兼容，包括不同的PRC，不同的传感器。另外一个也可以从设备PC甚至文件里面拿数据，通过这样一个解决方案，我们可以很轻松的很快周期的给客户把自动化以及数据采集的这一块的问题很快的解决掉。
这是我们相应的一个案例，这个案例也是先进封测案例，这个客户先买设备后上的系统，所以说存在大量的不满足SECS/GEM标准协议的设备，我们不仅给客户提供EAP产品，也提供IOT的产品，还有RMS产品，通过方案的上线，我们用了4个月把客户所有的设备进行上线，同时包括非标设备，通过在设备端的校验给客户良率提供很大帮助，提升OEE的水平。
下面分享一下我们生产运营管理的一个方案，对于制造性企业的话，最基础要去解决的问题，就是我们账时一致问题和数据可追溯的问题，听起来简单，但对企业也非常重要，想真正做到账时一致不容易。我们提供的方案包括MES、WMS等等各种各样的模块，可以完整的覆盖到这个企业的整个的产品生命周期，做到数据的可追溯性。我们的这个解决方案也融入了大量的行业的经验，可以给客户提供管理、生产效率的赋能。
这也是另外一个我们半导体封测行业的案例，这个企业在封测行业初具规模，随着竞争激烈以及客户要求，他们决定导入我们方案，以提高他们管理水平和生产的一个效率，导入我们的MES之前，他们所有生产数据都在线下记录，并且效率低而且经常出错，也不能很好进行监控，经常造成生产延误和生产材料浪费。上了MES系统之后，我们可以完整的追溯到他这个产品的整个生命周期，生产管理人员也可以实时的看到他的生产一个进度，生产中存在的问题也能及时去做一个处理，大大提升了他们生产效率。
WMS上线给他们仓库管理水平带来很大帮助，之前他们的仓库可能管理的相对数据也不是很准确，经常造成一些材料的断料或者库存质押等情况，通过WMS上线入库出库盘点做精细化管理，在库存的数据在系统上能够实时反映，避免他们材料的断料或者库存的挤压。
下面是一个全面质量管理的方案。质量管理作为我们工厂企业管理的一个重要部分，但是质量管理的这个数字化建设往往是容易被忽视的，这样造成我们企业在质量改善的时候缺乏数据的支持也把我们品质质量的体系不能够很好的做一个闭环落地，造成我们这个体系和具体的质量执行是两张皮一个现象。我们这个质量管理的一个解决方案包含了我们QMS产品和SPC过程质量监控的模块，通过我们的QMS的产品，我们在产品里面构建了可持续改进的质量管理模型，让客户从产品的研发、设计到生产、交付都能够按照既定的质量标准进行一个执行，另外也可以把质量改善作为闭环的管理。我们在系统那边也提供大量质量管理数据，给企业的决策提供数据的依据，能够不断的去推动他们质量管理的一个提升。
质量管理是一个不断迭代更新或者升级很快一个业务，所以说我们产品也实现一个低代码化，让用户可以通过拖拉拽方式可以满足他功能要求，所以说我们系统可以和业务能够做到很好持续的一个一致。这是我们在膜材行业案例，客户上线QMS之前，品质存在诸如此类很多这样一些问题。举一个例子，他们最好的产品的等级叫A+类，每天分布在不同部门大概几十个人做同样一件事情，统计他们A+类产品的入导率，以及未录A+类产品的原因，效率很低，每年不同维度大概几十张报表，通过QMS上线把所有数据进行梳理，不良原因进行分类逻辑整理，几秒钟时间实现他们之前的工作，对于不良原因分析也是更加准确和高效。
下面是一个王老师也提到一个方向，就是我们的计划排程和调度方案，这个方案应对我们现在越来越大的市场的竞争的压力，我们的产品生命周期也越来越短，所以说比起以往客户对于价格和质量的要求，现在我们交期应答时间和准确交货率的要求越来越高，之前通过人工排产满足不了客户的要求，而且人工排产严重依赖人的经验，效率低的同时也经常把我们的生产资源进行一个浪费，我们这个解决方案里面，包含了APS高级排产以及RTS自动排程，以及RTD自动调度，可以拉通产供销整个流程，加速流转。
ASP分为主生产计划模块和工厂生产计划模块，主生产计划模块只有在大型集团公司才能用到，他会涉及到一些集采集销的业务模式，主生产计划模块是把集团的需求量按照地域、产能，还有设备的工艺去统一分配到不同的基地或者车间，这个一般是大概要最长可以做到6个月一个排产。
主生产计划模块排完之后，我们会把结果输出到工厂计划模块里面，他所考虑的主要就是本工厂效率最大化，当然是要满足交期前提下，排产的颗粒度可能就更加细，到小时级别，排产的周期一般也是近30天的排产，这样的一些排产对于一个产品的要求也是非常高，我们的产品采用了启发式一个算法加上线性规划的算法，不仅排产效率高，而且排产结果能够达到资源利用最大化。
生产计划排完之后到了制造度去安排具体生产的时候也面临很多问题，比如说刚才王老师也讲到那个先做什么，后做什么，什么时候准备制具，什么时候准备物料等等需要人进行排程，对我们现在大量混线多批量小批次生产模式，对于人的压力非常大，我们这个产品能够很好的解决这个问题，通过离散仿真事件仿真，我们可以预测到工厂未来24小时一个生产状况，包括他的设备状况，我们来料状况等，因为我们预测未来在当下总是能够选择最优的方案交给设备去生产，也因为我们能预测到未来，我们也可以让人员提前准备下一段比如说PM等等减少浪费。RTS排完的结果交给RTD调度物料的运送，这样一个完整解决方案可以大大提升客户的一个满意度。
这个案例在我们京东方也已经就完全进行落地，京东方在之前也是一样，也经常受到客户的一些抱怨，为什么，他们提出需求之后，我们通过人工排产，以前大概要7天之后才能够给客户应答什么时候能交付，而且这个时间只是一个月排产计划，对客户希望三天内有应答，还有能排到六个月这样一个周期，他不能达到他的一个要求，所以说我们通过这样的APS上线，能够把这个问题很好解决。
RTS在我们工厂落地的效果也非常好，举个例子，B7工厂是我们成都做柔性屏的工厂，他现在订单量也越来越多，产能的压力是非常高，另外一个方面他们混线生产这个模式也非常的显著，他们人员去做排程已经不能满足他们要求，他们上了RTS之后，把整个切线率降低很多，这样对他们产能提升有一个很大的帮助，另外一个对人员排产的压力也是很大减轻，也有很多意外的收获，比如说我们整WIP降低、达到平衡等等，都可以得到相应改善。
最后给大家介绍一个，我们最近新研发的产品我们叫做Fully auto平台，这个大家有点好奇，因为我们建设了那么多系统之后，应该说自动化程度是非常高，但是这个里面仅限于正常的生产执行，但是工厂出现异常情况或者出现报警之后怎么处理，需要人员参与线下做很多工作，这样工作形不成闭环，没有记录，这样情况下研发FAP平台，这个平台自动监听异常情况，一旦出现异常，会自动触发一个流程，这个流程链接不同人、系统和设备，他产生一个待办或者一个Waring，人只是专注在解决他自己的问题，流行驱动下一步要么是系统，要么是人，很自动整个流程走完。
也是我们自己一个案例，以往如果说产线上发生了OACS报警，需要人去判断有没有品质风险，如果品质风险可能就要发起品质改善活动，如果没有品质风险，系统相应的产品进行放行，之前都是线下进行的，但是通过FAP我们可以监听OACS发生异常之后系统自动给他产生一个待办，给他提供相应的数据和相应的功能，他轻松的就把自己的事做完，剩下的事交给流程，交给系统不用管。
以上就是我分享的几个我们的方案和案例，最后给大家分享一下我们中祥英工业软件产品的优势，首先就是我们的最佳实践，我们产品经历很多的案例，经过充分的验证也吸收了很多的行业的经验，就拿我们刚才介绍的QMS产品一样，我看了一下，我们京东方整个品质体系大概有7000多人，这个里面把我们自己的一些很多的经验融入进去；技术先进，这块我们一直坚持用市场上主流的一个技术，同时也引入了很多的先进的算法模型，当前我们也跟AI技术在积极做一些结合；稳定可靠，自己造的降落伞自己跳，产品得到大量验证；最后灵活弹性。也是我们做产品理念，我们希望我们的产品能够充分的适应客户的现场适配，他们的具体的操作，能给他们进行一个赋能，而不是变成我们具体业务的一个束缚，这是我们产品一个优势。
已经在泛半导体积累大量客户和案例，包括封测、晶圆、光伏、半导体显示产业链上下游，未来希望在座各位嘉宾有更多更深入合作，谢谢大家。
主持人：感谢吴建民分享，从报告里第一我们知道京东方是面板，我们所有产品通过京东方自己的产品、自己的工厂经过历练。报告里主写的是封测膜材，打造的是泛半导体的工业软件。
先进封测技术是半导体行业的重要分支，对建立起企业核心竞争力至关重要，掌声欢迎成都万应微电子有限公司常务副总经理李克中先生分享，算力时代先进封装迎来高速发展，掌声欢迎。
李克中：各位来宾大家下午好！我受大会组委会委托，杨总邀请做一个算力时代先进封装迎来高速发展的分享。当时接到邀请的时候心里有点差距，我搞集成电路，你搞屏，我们有差距，杨总说我这个工业智能软件MES都要签合同了，不就是为你服务的吗，你来介绍介绍，我说听众是谁，他说京东方全球创新伙伴，我说这不得了，要准备。实际上他来了之后了解了一下，可能有点差距，在座受众半导体产业有点距离，也是分享一下按照我自己感受和经验跟大家交流交流。
封测行业集成电路重要一环，集成电路整个当中从设计晶元制造封装测试它是产业链条，但是我们到封测这一块当中，是个工厂需要工业智能软件，但是工业智能软件这块，你到底是在算力时代是什么状况，什么动态，也是给大家介绍一下，集成电路封测在国内来讲，这个规模在2022年是达到最高，大家看到我们整个那是最高，2023年开始下降，今年上半年有点增长，利润普遍下滑。这是受我们大环境整个GDP国家经济影响，客观说他先进封测达到了441亿，到2026年到482亿，国内在这块先进封测我们占比很低的。
这里面介绍一种趋势，国内在传统这块要占到国际市场50%，我们整个我们3000多亿，全球大概6000多亿，占50%多，但是高端我们真的很低的，这里面介绍刚才公司分析数据。
首先说AI芯片，强调先进封装，一定跟AI芯片、超算、CPU、GPU等要联系，这里面数据2023年达到534亿2027年大概1194亿，现在当中在集成电路这个地方把AI这块，人工智能第四次工业革命。第一次第二次中国错过，第三次我们也不是领头，但是我们赶上去了互联网时代，第四次我们也不是领头的，但是我们应用市场需求可能我们会后来要超越他们。
人工智能这个芯片现在这个服务器多数是台积电CoWos为主，产能英伟达、AMD等都在抢，但是CoWoS不在业界的可能不知道，而且和英特尔的Interface是互相是竞争的。我们要做CoWoS目前的能力，一个是技术能力，一个是资金能力不足，刚才说了集成电路一共分成三个设计、晶圆制造和封装测试，这个时候怎么台积电往下延伸，做到先进封装以后，晶圆的封装测试和晶圆制造已经就是互相的，大幅度互相覆盖、互相兼容。那我们在这个当中，虽然我们现在是落后的，我们自己也感觉到，人工智能时代的到来，第四次工业革命的到来，我们当时想的是一个开放包容的合作友好的大市场，这是任何大企业也不能忽视的，所以一定从应用端发力，未来20年之后，我们会赶上，可能又会超越，这是我们当时我们自己这个分析，这是大概介绍一下这个情况，先进封装的趋势。
再介绍一下万应微电子。成都万应微前身也是北京万应微，成立2015年，最早中关村创新产业园，领头人就是来自中科院微电子厂，现在是西安航天科技的微电子技术研究所，公司是西南地区集方案设计、仿真验证、系统集成、批量加工、一站式服务提供商，在成都高新西区，全国保税区隔壁就是英特尔、富士康等隔壁。
客观地说万应微我们这个一站式服务和别的不太一样，为时间这么强调，现在很卷，做封装基本上是太卷了，得益于技术的成熟还有国家一些政策，一些有了几千万或者一千万几百万人到当地政府拿地，拿地要政策要干什么，设计和晶圆制造有点门槛太高，传统封装相对低一些，要了政策就干，2000多家，那你要差异化发展怎么办，我们和别的公司不太一样，我们是定制化的，我们服务的一个方面就是通过客户的需求进行外形尺寸封装对外接触等等可靠性要求，进行封装方案制定，同时进行封装仿真验证，这一块刚才听报告，包括王总，还有吴总介绍工业软件的时候在想，我们用的除了OIE、EAP等这些东西，我们现在方案设计仿真是海飞丝、安赛斯等六个软件，那个软件恰恰是我们现在可能也是很难的。我们通过封装设计、仿真评估，包括定制等等，最后我们还要做工艺加工等等这些展示这些图片是我们案例。
到这个时候多数做的是FC，这里我们重点攻的，现在我们和别的差异化发展不一样就是射频微波，做到W波段，在这些方面，我们在这些方面做的是比较好的，还有我们做的高频高速、海量处理器这些倒装，这是我们现在封装结构。
这些是我们现有的典型案例做的这些东西，过一下，因为万应微这方面做的比较成熟，比较稳定，9年了嘛。涉及到一些芯片，单芯片，FCD19600一个，各位有的熟悉有的不熟悉，60个微米间距在90微米左右，这时候要19，000多颗，在倒装回流的时候涉及到焊不上，有一个点焊不上参数就出不来，这个时候我们就要智能制造了。
这些都是我们典型的这些4收4发，单通道50Gbps，做到4个通道，200个Gbps海量处理器，同时后边是这些就是光通讯模块，这些就是我们仿真验证的时候，这个就是我们射频前端的一些，各位集成电路接触少一些，我简单过一下，陶瓷封装这些。
这个就是信号完整性，刚才我说的工业软件，在做的时候我们传统这些封装厂包括江阴长电、天使华天，前期做的规模都是很大的情况下，那都是传统的，现在走向先进的，尤其是我们对标的华为海思的麒麟9010，还有它的超算芯片，尤其是英伟达的S200、H200，我们要对标这些产品，这些产品我们在做封装的时候仿真非常关键。
电源完整性这块跟大家不太一样，这个时候电流，哪怕电压的温波，5%的温波影响整个信号传输结果。现在要求我们要做到小于3%，这是精细化加工，全部要通过仿真来完成。
具体这些案例真实的图片我就过潮窜的时候就有一个很热的管理，因为海量处理器，还有其他GPU这些东西，单晶片做到40W，甚至做到80W，80W做的时候，经过高温在工作当中都是翘曲蠕变，他的封完之后做不好翘曲度都达到了400微米，你这个本身你这个球60微米，你如何保证他焊接的可靠性，这里面就在我们这个热的管理当中要有特殊的解决方案，可能大家看到华为P70，还有Mate7后面有三个微流泵，我们在这块除了微流道射流的相变，还要PC，还要封吸，还要3D打印，因为每平方厘米1000W散热的时候，现在用每平方米100W，但是要做到更高的像每平方米厘米500瓦1000瓦的时候，我说面积是每平方厘米往上要叠，那里面那么多的芯片他在里边堆叠上去，我们需要3D打印，需要微流到液冷泵，这是我们特殊的绝活，我们有国际专利，这个是我们现在万应微的一些可靠性设计。
技术现在，我自己首先想到技术先进就是可靠性，你先进高科技，代表你的产品值得信赖，值得信赖我们知道我们做企业知道产品质量是制造出来的，产品可靠性是设计出来的，所以在前面各位也知道，这时候往往对标国外一些产品，无论什么产品，充分考虑设计的可靠性，我们在座系统集成的时候，要把可靠性所有要求要加进来，要充分考虑可靠性设计，这是我们做到的。
第三部分就是万应微携手北京中祥英打造“先进制造智慧工厂”。我们刚才吴总讲的很高，我们万应微智能制造工厂是他给我规划的，因为我们把OA、ERP、MIS全部交给他了，我的想法这样，我们叫一次规划，分布实施，初期把架构搭起来，未来我一定要打造智能化制造工厂，现在做到比较先进的封装测试高科技的产品，你不能靠人工，现在有这些优秀的工具，有一些手段，我们要充分的利用，我这块不专业，我刚才感觉吴总讲的比较好，下来我还得跟他学习，但是这块说句心里话，我们要求设备自动化到全面数据采集，实际生产过程中对设备本身的控制要求，设备的格式以及接口等等，我们当时也担心，全是国际各个行业的，虽然说是封装设备，我们也要用光刻，接口各个厂家不一样的，有日本、德国、美国设备，但是这里我全部要求必须把Six team带上，为了将来智能化制造。
这个产品生命周期、产品研发投入等等我就快速过一下，因为这些我们交给中祥英了，交给王总了。整个这些我就不再罗嗦了，你们更专业，我想说万应微基于智慧工厂建设规划，协同中祥英共同打造同市场供应链计划排程、生产过程管控以及质量管控设计分析和预测，全质量全价值链智慧工厂，在AI这块做出自己的贡献。
我们可能在座的也可能是成功人士也可能我们一些精英，但是我们经历房地产，经历了股票，实现财富自由很少，第四次工业革命来是不是意识到这个事，是不是早点行动，是不是早点进入财富自由这个行列，分享一下，谢谢。
主持人：感谢李总，感谢万应微所有系统放心中祥英，李总报告封测类型特别多，国内的工厂有2000家，异常庞大，我们中祥英在封测领域上继续加油。
随着国家碳达峰碳中和的双碳战略逐步推进，绿色转型成为企业发展的重中之重，制造业到底是如何通过绿色转型实现节能减碳降本增效，答案就在中祥英云服务BU总经理宋健先生的分享中，他将为我们带来智慧工厂驱动制造业绿色转型的新引擎，欢迎。
宋健：各位尊敬来宾下午好！欢迎大家莅临京东方IPC大会，经过主持人双碳话题，随着国家双碳战略逐渐推进，越来越多制造型企业面临绿色转型的压力，企业如何保证安全生产、稳定生产的同时，通过节能减耗产生更多经济效益，成为每个企业管理者绕不开话题，今天为大家带来智慧厂务驱动制造业绿色转型的新引擎分享，结合京东方30多年厂务管理经验，一起探讨IT和OT一起为绿色转型注入新动力。
厂务管理作为制造业非常重要的业务，厂务管理推动企业能够实现经济价值和他的环境价值，包括社会价值的协同发展。那现阶段我认为厂务管理主要面临两大挑战。第一个就是安全，一旦企业发生安全事故带来不光是直接经济影响，包括对企业一些名誉，甚至说一些主要的责任人的法律的一些诉讼；第二我们主要的面临挑战就是能源管理，能源管理我们看一组数据，今年1—6月份整个工业用电量同期增幅6.9%，对应GDP我也看了一下大概是5%，可以讲能源特别是制造业可以讲是制造业一个血液，更多的企业缺乏有效的管控和完整的体系。我整个报告也是将围绕这两个方面阐述，一个是我们的生产安全，另外就是我们能源管控。
看京东方最佳实践，京东方秉承链主社会责任，我们对整个双碳的指标做了详细的规划和制定详细的路径，当然我们在厂务侧我们也是做了很多工作，也取得了很好的效果，通过展开一系列的项目，我们整个京东方能够实现每年节电量超过1.1亿度，天然气超过57万吨，燃气超过1.5万吨，同时我们也是获得了很多国家的荣誉，包括国际的一些荣誉和认证，包括16座绿色工厂，我们的福星工厂获得灯塔工厂的殊荣，节能减耗作为灯塔工厂重要指标。
京东方一个厂务的管理我们大概经历三个阶段。第一个阶段就是自动化时代，主要还是通过我们FMCS，就是我们厂务监控系统导入，实现厂务系统化自动化；第二随着信息技术不断发展，我们也是推动了更多的一些信息系统的一些建设，包括我们的能源，能碳管理系统，包括安环系统；第三阶段基于设备机理和AI训练，我们高效能源控制系统，逐渐在每个厂做智能的一些改造。
整个厂务架构，主要包括四个方面。整个厂务的核心就是FMCS系统，加上环境健康系统、能源管理系统和高效控制系统。其中FMCS系统作为核心我们是作为一个下位机的PLC，包括所有的厂务侧能源数据采集和整体控制的核心系统。环境安全系统我们打通我们安防，包括消防联动，包括人员的一些职业健康的一些整个的管理。
能源管理系统主要是我们做能源盘查，包括我们碳资产的管理，ECS我们高效能源问题，依托我们数据加上AI，我们能够实现节能减排。
第一个FMCS，他的优势是有哪些？做FMCS相关供应商也是比较多的。第一个我们在设计初期的话我们会按照整个一个设计目标会对整个这个控制的点位做全局设计。
第二我们对于具体的控制节点我们会结合我们工艺，我们会做到最精确的控制。
第三也是依托我们在IT的一些积累吧，我们会把一些IT的一些技术下方到我们OT层面，我们可以实现更高的传输速度，更远的传输距离，更稳定控制网络建设。
最后也是依托于我们16座工厂建设，我们对于所有的控制系统，我们都有一个非常优化的模型，那我们在工厂建设的时候，我们可以快速的实现我们的工厂的建设的达成，我们不需要去摸索最优的一个组态。
这个案例是我们为一家新建半导体设备厂商做的FMCS一个建设，正如前面所陈述的，整个实现了整个成本的节约大概10%，而且效果也非常好，整体一个节能达到8%，包括他的系统的可融性达到4个9。
第二个智慧安防管理系统。整体讲三大模块。
1、整个安全管理。我们也是通过图像识别一些技术的应有，我们把整个厂区这些人，包括客种设备，通过视频方式来识别他的危险，感知整个工厂的一个安全态势。
2、收集工厂侧的一些危险源，包括气体，包括他的废水废气一些排放的情况，预先设置告警的流程，设计一些预案，能确保事故发生的第一时间，我们能够及时的介入管控。
3、涉及到人员相关的，我相信以人为本是每个企业都遵循的一个原则，那我们会对所有的工作定期的职业健康的筛查，同时我们也建立相关数据库做风险的预判，特别是一些高风险岗位的话，我们也会做加带特殊传感器，及时发现风险、管控风险。
这个案例相当于我们在新能源一个客户落地的，一个集团性的一个公司，首先从其中一个工厂作为试点，拉通整个集团，也是取得了非常好的一个效果，就是整个提升了他全集团应急响应速度，提升25%，处理效率30%，协同效率提升。
第三个智能碳管理平台解决方案。
核心我们要盘查我们整个企业的碳，这个企业的碳几个层面，一个是整个燃料碳，燃料碳也是依托行业内的碳因子库，也是借力我们京东方的碳因子库，我们盘查我们燃料的碳，在整个生产过程中我们还要排查我们整个制造相关的碳，主要是厂务侧一些碳，第一步我们会把我们所有的设备做电子化，所有的生产过程中的设备的状态，包括他的排放，我们会做一个数字化的呈现，通过绩效能源管理制定我们能源KPI，落地到具体的组织和落地到具体的产品上面。最后通过燃料碳和加工碳，实现对整个我们自己产品碳的一个管理和管控。
这个是我们自己一个案例，我们通过上的智慧能源管理平台，实现我们整个全厂，这个工厂体量非常大，大概140万平，整个设备数量和人员数量也非常大，整个我们能够实现能源监控覆盖率90%，人员巡检效率达到35%，全生命周期管理，降低设备宕机率30%。
我们的高效能源管理平台。主要是从设计阶段我们就会，我们从最初设计介入进去，设计老旧工厂改造，设计非常重要，我们会在初期进行模拟仿真，包括整体的指标的一个体系的设计，我们也会采取一些高效一些设备，一些变频方式，控制系统联动。第三就是高压控制基于中祥英自己AI底座，实现所有动能设备，包括冷机、冷塔进行高效管控。
最后也是我们通过全生命周期的一个运维，不钻去提升我们的运维的水平，包括我们整个控制系统的一个迭代，最右侧是比较直观的数据，中间是一条机械，我们通过我们的高效能源管理系统，我们最多能够提升45%的这么一个能效的受益。
这是一个案例，通过我们的高效能源管控系统，我们能把COP提到6.0以上，我们整个的综合的节能率能够达到7%，只是对冷机冷水系统做升级，直接的节约电量大概400万度。
我总结一下我们智慧厂务的一个方案优势。
1、依托于京东方的厂务的业务，我们大概有接近2000名的厂务的工程师，覆盖到各个领域。
2、中祥英超过300名软件开发工程师，我们团队懂IT里面最懂OT的，懂OT里面最懂IT的，所以有独特优势。
3、AI赋能，昨天主论坛有观点，制造业是大和强，这个观点用到AI我认为是一样的，我们有大量场景，有大量数据，所以我们AI特别是在厂务侧AI能得出来一个模型，一定是最强的。
第四点，我们整个持续的运维的能力，我们除了可以提供项目的模式的话，我们也提供类似于能源管理能源托管，没有预算也可以来做这个事情。
最后想说也是中祥英特有一个优势，更多的工厂在制造和厂务都是分割开的，那依托于中祥英刚才讲的我们在制造的全家桶，包括在智慧工厂一整套的方案，我认为我们手握两套原生系统，所以在这个问题上是我们很大优势，包括实际有个案例，产品的完工不良，在制造侧的话找很久也找不到他根本原因，我们把这个厂务侧一些数据放到一块的话，豁然开朗，这恐怕是我们中祥英一个很大优势，包括刚刚李总也讲到，已经把制造口的全家桶已经上了，后续可以考虑一下上一下厂务侧相关的方案。
依托我们优势，虽然我们这块业务起步时间不算早，细分头部行业客户也是有我们案例，包括新能源汽车，包括光伏还有芯片制造，12寸的晶圆厂和封测厂作为我们的案例。
最后也是邀请大家在之后的工厂侧的运营层面有任何的产物的问题请找中祥英，也是希望大家为我们智慧厂务的方案广而告之，让我们一起努力，共享盛世，谢谢。
主持人：感谢宋健先生的分享。宋健最后说我们不仅有IT工程师，我们还有京东方上千名厂务侧的工程师的专家资源，不仅上了我们全家桶的制造系统，也可以补充一下我们的厂务侧的系统，谢谢。
数字化技术是推动产业高质量发展的重要力量，下面让我们用热烈掌声欢迎中国电子工程设计院股份有限公司，数字化技术中心常务副总监程星华女士，为我们带来数字化赋能新兴显示产业高质量发展的精彩分享。
程星华：尊敬的各位专家，各位同仁，大家下午好，我是中国电子工程设计院的程星华，今天也非常荣幸和开心能够在我们BOE的IPC的大舞台上，能够跟大家汇报一下我们中国电子工程设计院近两年在数字化技术方面的一些小的进展和行业的一些应用。
昨天我们陈先生董事长也做了一个大会的主旨发言，半导体显示产业其实现在已经完全的成为了国家的一个电子信息产业和数字经济的一个重要支柱。据我们数据的调研，2023年全球变半导体显示产业的一个全产业链的营收规模也达到1876亿美元，中国大概占比是50%，显示面板这个环节的收入大概是1045亿美元，中国大陆是占55%。这个里边应该说京东方是在整个的大的产业环境中，已经连续多年是在我们的总体的营收和五大细分营收中持续稳居第一，应该说是给国家的显示产业做了巨大的贡献。
中国的显示产业从我们2000年初的进口依赖到我们现在领跑全球，经过20多年的发展已经成为国内的第一把交椅的梯队，产业已经从高速发展迈向高质量发展新阶段。当下我们数字化、智能化、精益、绿色、可持续已经成为产业非常重要一些关键词。
刚才一开篇的时候我们王总也介绍新质生产力，我就不赘述了，包括昨天我们北大的姚教授也非常生动阐释我们新质生产力到底什么内涵，新质生产力作为重要的一个质态，应该说现在在跟各行各去进行结合赋能，这里面我们认为像人工智能、大数据、云计算，包括数字孪生、工业互联网这些技术已经成为新质生产力重要代表。
回顾京东方过往20、30年的发展，中国电子院一路相伴的，平板显示时期20年，真空电子管时代应该是我们更早产业伙伴，从我们TFT到今天AM OLED，从B1到B20，这十几二十个工厂背后电子院和京东方一直非常紧密的合作这样一些过往，全程见证了京东方波澜壮阔的发展历程，同时见证国内中国大陆的平台显示的发展。我们电子院除了一路相伴京东方，同时支撑整个产业的建设，整个产业的投资大概在1.3万亿，我们也服务国内90%以上产线设计和建设。
电子院作为电子工程领域的国家队，肩负这样使命，见证国内在各个时期的一个电子信息产业的发展，回顾过去，我们从建国初期一个电子管时代，电子院也是做国内所有无线电厂，也让中国无线电工业从无到有，从小到大发展。
80年代、90年代事后，彩管玻壳时代我们设计了国内的全部八大彩管厂和玻壳厂，让我们彩电产业成为全球第一。平板显示20多年发展历程中目前还在持续发展，我们也服务国内刚才说到1.3万亿投资和90%产线，以及国内几乎所有第一条高时代、新时代、新技术产线，和我们最佳领先这样一些技术，应该为我们显示产业成为全球第一做重要支撑。进入新基建时代或者智能时代，半导体产业、集成电路、泛半导体产业都在快速发展，我们也要站在新里程上更加助力产业振兴。
新阶段电子院作为产业的重要支撑着，一直坚持科技创新力量为产业赋能。2021年提出了PSIM这么一个数字孪生工厂解决方案，因为我们做工厂的规划和设计，包括全过程交付的，所以如何造好一个好工厂，一直是电子院的使命，数字孪生工厂解决方案在我们工厂规划设计阶段，就构建一个虚拟工厂，这个工厂不是静态的，是一个动态的模拟他能够同产之后运行的孪生工厂，这种状态下我们去分析各个系统之间的复杂的耦合的关系，来去寻找一种最优的方案，让我们工厂实现最优经济的投资。
我们面向从规划设计到建设实施，到我们的生产运维，包括工厂的升级改造全生命周期的，那在他的规划设计阶段，我们通过构建虚拟产线，构建虚拟系统，虚拟工厂来做设计方案的分析、迭代、优化，那同时这个数字仿真的动态的底座将会成为我们的数字孪生的底座一直延续到我的运维期，介入到刚才中祥英几位领导介绍这些工业互联网技术、工业平台的技术去进行实时数据采集交互，通过虚拟世界进行以虚仿实、以虚映实、以虚育实和以虚优实，这样的一个虚实世界的交互，达到工厂的运营。最终实现数字化设计、精益化优化和智能化技术的结合，实现投资降低、生产成本降低、成产效率提升和建设周期缩短，这样一个APEC目标。
我们电子院70多年历史，我们有非常丰富的行业经验和行业数据沉淀，我们依然有很多设计环节和很多设计方案，基于专家智慧、行业最佳实践和经验数据去进行这样规划和设计，应该到我们今天新的技术发展时期经验判断型向数据分析型，用数据说话，用模型说话。在一个工厂，在座的京东方的领导和同事们都知道，一个工厂投资动辄小几百亿，大的半导体工厂近千亿规模，设备投资占80%，厂务系统20%，这么大一个体量一旦设计完了，开始开工建设了，那就是再去进行这样一个修改和调整，越到后期代价和成本越大，甚至有时候没办法修改的。所以前面计划阶段，规划、策划、设计阶段，用更丰富手段设计方案的研讨、问题的发现，对于整个投资优化有重要意义的。
我今天的汇报大概两个阶段，一个是我们设计阶段数字化的工厂的设计以及在运维期一个延续，就是数字孪生平台。在我们设计这块也是四大块，前面刚好跟中祥英几大模块有所呼应，前面制造系统相关，精益组线、产能提升，我们的布局优化和效率提升，包括生产物流的规划和优化，以及我们再往后头厂务端衔接的工艺机台的用能优化和我们的厂务系统的优化。
刚才像我们王老师讲到，听的非常认真，也在思考，从生产运维阶段生产制造的控制是非常复杂的系统和题目，包括我们一些建模仿真技术，规划初期的时候如何根据产能、产品定位、工艺路线、设备选型等等规划一条非常合理的有弹性的产线，也是蛮有挑战，特别京东方为代表显示的企业，他的产品应用无所不在，显示无处不在，我们产品从大尺寸到小尺寸无所不在，显示无所不在，所以我们的产品从大尺寸到小尺寸，从便携消费产品到我们的车载真的是无所不在。我们这个产线在规划初期怎么去进行设备配置，设备组线也有挑战，所以现在我们是把数字化技术前移到规划阶段，通过我的产线的建模，我的一些动态模拟来看我的不同产品组合，不同的产能的规划，不同的设备的选型，以及我不同未来的工况参数，看怎么样配我的产线，甚至是我的一个腔体的配置，包括我产线内部的一个转运单元的配置，是双叉机械手还是单叉机械手，包括我这个产品的图片策略在前面如何规划，所以在这个阶段我们是希望通过数字化仿真技术，帮我们客户去进行精密的一个产线分析和模拟的。虽然我们服务了京东方十几条产线，在过往应用过程中还没有大规模去应用。
第二块设备布局和空间优化。在座朋友多了解半导体工厂，面板工厂、结晶室的等级要求是大面积的百级净化的，局部10级净化，结晶室面积超过10万平米，每平米的造价基本上1万块钱一平米，半导体的行业可能要到小两万块钱一平米，在这样高密度的投资对象内，他的运行成本也很高，我们规划之初对结晶室利用效率是非常关注的，怎样让设备密一点，空间利用的紧凑点，会省投资和运行成本。在CAD或者这种方面进行布局，算它的平效，这里有个挑战，跟物流是一个交叉的关系，涉及到刚才王老师讲是重入特点，我的搬送需要往复，物流的设计和布局息息相关，我的轨道，我的传统单元这些空间的考量，所以这个过程中我们会通过数字化建模以及我们背后对机台维修参数、保养空间，以及搬入通道，以及后面零部件更换的空间需求，以及物流之间相互影响关系，规划初期对我的空间要求进行一个规划，在我们过往案例中也有这样一些实践，可以通过前期的精益化布局分析，给我们面积节省大概5—8%的空间。
物流效率规划，这一部分本身在行业中是比较成熟的，像我们行业中外资他们有整套实施方案，我的物流硬件，物流软件，仿真分析，国内有非常多自动化厂商，包括京东方集团下原来也是自动化厂商。但是这里面我们也发现有一个痛点，我们在工厂的设计阶段，通常是我们把布局规划好了，自动化厂商做自动化方案，这个里头就是前面一个话题，怎么样把我自动化方案和我布局平效方案很好结合在一起，有先后的时间顺序，我们希望他俩要前置要同步，通过物流方案结合我生产效率，结合我空间方案要同步进行分析，这就是电子院优势，几个不同系统在同一个时间段下去进行整体优化，包括我的物流形式的选择，还有我的轨道的规划，以及我仓储储位规划，还有储位调度策略规划。
这可能是我后面话题中比较着重会讲的，刚才我们宋总讲智慧厂务，半导体工厂体量大，投资大，还有一个特点，就是他的能耗的数量也非常高，我们杨总是我们产业内非常资深的专家，设计和建设我们国内几十条产线，杨总曾经举一个例子，我们八英寸的面板厂一年水的消耗量大概是一个西湖的水量，是1000多万吨每年，是一个巨大的消耗，我们的电，我记得当时电子部领导跟我们院领导说，京东方一年81亿度电，电费非常昂贵，怎么让它更省，规划初期要想这个题目，我们在设计工厂的时候，可能在座的刚才我们宋总讲我们最懂OT的IT，也是最懂IT的OT，我们设计的时候我们所有的水、电、气、暖动力的消耗都是我们生产端工艺机台消耗，我们拿谁为例，源头的动力需求要提出我的用量，我的品质，我的一些指标，包括温度、参数和离子控制，我的厂务端满足生产工艺的需求，包括系统容量考虑，系统工艺设计，还有系统设备选型，空间轨道的规划以及后面投资和成本效益。
这个过程中有很多一连串系统之间的问题，怎么把段点打通，把需求精准化，使我们要解决的问题。这个过程中我们解决方式是什么，要用仿真方式，左边是一个湿法清洗机，以往在做设计的时候，我们很难抓得到一台机器的他的用水量，即便我们现在可能像京东方的工厂，不知道是不是所有传感器到我们机台颗粒度，布大量的传感器，会有一大批投资，目前在我们区域，一个回路去做我们数据采集，那现在我们是把这个工艺机台的运行过程用仿真的方式去还原他的真实过程，他的腔体物理单元组成，他用水机理是什么，整个晶圆也好，玻璃也好，传片的节拍是什么，这样把一台设备未来投产运行过程中真实能源消耗进行模拟分析。
这一个设备他在运行过程中因为很多腔体并不是同时达到最高用水量，在我们设备商去提供设备需求的时候，通常我们要有二次配管数据要求，通常那个是一个满足管线配置非常大的用量，如果用它来做设计有很大浪费。到我们区域级基台也会有问题，有的设备在等待，有的设备在宕机，通过仿真抓到每一个单机台峰值和均值曲线，这样把源头需求端去进行精准化，让我们后面厂务系统设计达更加的精准。
到我们供应端，他如何让我的系统设计更加精准和优化，也是要通过仿真方式，那是一个流体仿真的工艺模拟以及我们管道压力的模拟去做整个系统一个分析，来看他的系统的选型，工艺配置，包括管路规划是不是合理经济。
那在这种方式之下，我们也做过这样的对比，动态仿真手段下，可以让源头需求相比原来我们传统静态的、经验的用量需求降低30%，我们的均值会降低40%对我们整个设计应该有巨大的贡献。
那同时我们再去构建从工艺机台端，厂务系统端整个全流程动态模拟，会把我们前面工艺的变化、设备的变化带来的后端的影响进行这样打通。
在我们的过程中也是去做了这样项目的案例，除了在药业的配比上，管路规划上，包括用电系统的选型上都在我们的投资和成本上有一定程度的提升。
接下来再来分享一下我们在运维期会遇到哪些挑战和困难，刚才我们宋总也介绍了在运维阶段智慧厂务解决很大难题，挑了三个认为比较重要几个点，第一块就是我们工艺源头的变化，工艺源头的需求和我厂务端端点或者壁垒，不是因为人为造成，是因为他前面太复杂，变化太多，后面怎么进行快速响应；第二现在工厂里面每天海量数据产生，不管源头生产制造部分，还是厂务部分，这些数据背后如何挖掘里面的关系，背后这些数据的源头是基于他的机理还是基于他的运行，模型之间数据的联系是什么，要进行分析，可能纯粹从一个模型去进行识别是一个手段，怎么去精准化，让他去进行数据的反哺也是一个挑战；第三如何在我们生产的状态，我们的一个工艺流程变化，我们的头片策略变化，对我其他相关系统影响怎么进行预判也会带来难点。
我们在和中祥英一起去携手去探讨，怎么在我们的智慧厂务3.0时代一起解决行业痛点。我们现在也去打造工艺和厂务联动的一个智慧厂务数字孪生解决方案，我们举化学品系统，作为我们半导体和显示面板很重要一个制程保障系统，也是很关键的，通过前面汇报的，我构建了动态的全流程、全系统仿真模型，进行这样动态分析，结合我实体设备的，实体世界的数据采集，包括宋总讲的FMCS系统这块的数据抓取，通过孪生平台机理模型、数据模型、仿真模型等等来解决几个痛点，这里面也举了四个场景的功能，第一个实时数据的分析；第二报警；第三是我们模拟预演；第四预知性保养。对于数据采集是比较常规的技术，不再赘述，当我们实时数据跟我们的设定的报警阈值发生异动怎么去处理，这个过程中我们以硫酸系统的断供风险举例。
我前面工艺菜单的变化、产品变化可能会带来我对于我硫酸的需求不一样，当我的硫酸需求增加以后，触发报警水位直接触发我的报警系统，这个需求会到我模拟仿真平台做预测分析，在这种需求量情况下，我目前的硫酸系统的容量能力可以持续多长时间，来降低我这样的风险。
当我去分析完之后，我要进行怎样的控制，要调哪些参数进行这样风险规避，我们可以进行很多参数的模拟实验，包括去调节我的氮气压力，调节时间控制参数，调节我其他的泵的数量等等，我在这里做运行分析，得到的结果来反哺我前面预警调整，来实现风险规避。
最后也举了一个预知保养功能，常规进行定期保养，这样可能会有过渡保养带来成本的损失，我们这个里头也是通过数据的这种分析，专家经验的结合来去进行我们的一些关键的零部件，关键材料的一个维修保养，去降低我的不必要的成本的投入。
基于我们以上的几个功能的结合，是希望在我们具体的某一个系统，下沉到工艺端和常务端联动，解决工程师这个层级上，他的一个运维的痛点和需求。
最后也是希望昨天陈董事长也分享了京东方在战略升级曲线的一个战略布局，面向未来30年，特别希望再去跟京东方，跟中祥英一起携手共创，一起打造新的智慧工厂，智慧平台，为显示产业、半导体产业一起助力，谢谢大家！
主持人：感谢程总的分享，结合刚才宋健先生的报告，我们真的觉得无论新厂建设还是厂务运营期间都有很多的双碳减排的一个功能的需求，实实在在为企业降低成本。
AI作为当下最热的科技主题，工业AI是智能制造的重要组成部分，也是智能制造未来趋势之一，中祥英工业AI深度赋能制造业，推动向智能化、高效化、可持续化方向迈进。现在让我们用热烈欢迎中祥英数据智能BU总经理柴栋先生，为我们带来工业AI智启未来的分享。
柴栋：各位嘉宾下午好，汇报主题工业AI、智启未来。AI技术发展这波基于2012年AIexNet在国际大赛上获得第一名，以这个为标志事件，开启近十里年AI大规模应用。
那AIexNet其实他整个参数量只有是6000万，那现在大模型其实是从千万级一个模型参数量向万亿级模型参数量发展，最新是马斯克的Grok—1的模型现在已经达到3100亿的模型参数量，预计年底马斯克的Grok—2的模型大概会达到万亿级模型参数量，模型参数量增加代表是我整个模型他的能力会更加强大。从最开始仅仅是大模型对图像理解，现在发展大模型对语言的理解，可以实现图生文，文生图，图像理解各种功能。
大模型技术发展在C端领域应用比较多，但如何在B端领域，在工业领域去应用现在遇到问题比较多的。我们认为现在主要有三个核心的问题。第一个缺乏知识，工业知识，因为现在C端大模型都是工业互联网预料去做训练，缺乏专业的高质量的工业知识的数据集。另外针对这些行业领域的数据不统一的，针对这些其实会造成说，我拿一个C端工业大模型，C端模型工业领域应用造成数据预测不准，还会数据预测偏差等。今后工业大模型的话通用大模型向行业垂直大模型领域发展，打造行业领域专家级工业大模型。
第二遇到的一个困难，是训练推理成本比较高，目前训练大模型成本大概在100万人民币以上，最新GhatGPT—4他整个训练成本超过1个亿人民币，这些高的训练成本如何在工业领域应用比较困难问题，整个工业领域工业大模型我虽然成本比较高，我的能力比较强，不一定适合各个领域，他可能说综合能力比较强，他是我工厂内部一个专家，今后工业小模型有点像我们在工厂里一个工人，我的成本比较低，但是我技能会很强，今后工业大模型和工业小模型协同发展，适配不同领域场景使用。
第三个问题主要是在工业领域去应用大模型，如何去创造业务价值，我们也调研一些资料，包括IDC也指出目前87%AI项目没有创造预先规划的一个业务价值，今后AI的工程化是解决整个AI大模型，包括AI落地成本问题，场景是解决工厂的场景AI应用的人员效率提升，还有良率提升各种业务价值的地方，所以今后的AI工厂化、场景化是工业AI发展重点方向。
京东方作为行业内最先应用AI相关技术一个公司，我们在2017年已经研发ziBrain1.0产品，可以实现单站点模型训练和推理。目前ZiBrain1.0已经用在各个TFT、LCD工厂的array、cell、CF各个工艺段的AOI设备上，在2020年我们对ziBrain进行升级ziBrain2.0，这个阶段ziBrain产品的话其实已经完成工厂级训练与推理，应用在我们的OLEDEVEN、BP相关工艺段的检测，当时AI场景应用已经超过30多个。2022年我们研发ZiBrain3.0，这个阶段的话我们实现集团级的模型训练和推理，这个我们可以把各个工厂之间数据和模型都可以做附庸，减少新工厂推广的成本。这一阶段我们也应用在图焦定位、自动维修、智能图表各种应用场景。
今天我们在ziBrain进行进一步迭代升级，基于新一代云边端的一个架构，嵌入自主研发工业大模型，适配更多场景，目前已经做到人工期待率达90以上，准确率基本上达到3个9以上，我同事安军锋进行ziBrain4.0/IDM2.0产品详细讲解和产品发布。
基于京东方长期积累工业AI的能力，我们也是打造整个中祥英工业AI体系定义“1+2+3”体系。
“1”是工业大模型底座。这一块基于30年积累一些语料和图形数据打造整个工业大模型，为不同的一些客户场景应用提供底层技术能力支持。
“2”是我们AI工程能力和场景应用能力。AI工程能力更多使用技术手段降低AI智能标注成本，实现智能标注还有模型迭代等各种智能化应用；场景应用能力是基于我们京东方积累数百个场景应用，可以把这些已经应用好的一些场景可以说往更多客户那儿推广，减少整个应用实施成本。
“3”我们定位是第一个是工业视觉，用工业像机对产品外观进行拍照，利用AI能力对不良图像进行AI分类，发现不良准确性和效率。视觉定位更多发现不良；第二块业务数据智能，解决主要问题对工业视觉检测出来的不良，我们在结合人机料法环各种的书法，快速定位产生不良的一个工艺和设备参数，减少后续产品不良的产生；第三块业务工业仿真，因为工业视觉发现缺陷，数据智能定位缺陷，工业仿真更多缺陷不良参数在数字世界进行模拟仿真，通过各种既定模型和AI算法，最短时间寻找出来最优一个设备和工艺参数，减少今后不良产生，提高良率。
基于整个我们工业视觉检测不良，数据智能定位不良、工业仿真优化工艺参数，通过这种闭环管理，我们今后希望说给显示、晶圆、封测、PCD、SMT、锂电等各个行业提供下一代数智基建平台，助力整个工厂品质提升。
那中祥英工业大模型进入底座也是我们积累很多数据，基于这些数据去进行底座建设。第一类数据是叫视觉模态的数据，目前已经积累超过12个，超过6300多万张涉及到图象定位、图像分割、图像检测多任务数据集，我们也是在这期间超过200亿Token行业数据，涉及到19个领域，这些视觉模态和语言模态的数据集支撑我们打造整个中祥英的工业大模型，我们叫ziLM。那中祥英工业大模型目前是提供五大的核心能力，缺陷感知、缺陷描述、缺陷生成、缺陷定位、参数优化，基于五大核心能力目前在不同场景下可以给客户提供相关能力比方说缺陷识别的漏检率最低做到10ppm，意味着缺陷检测准确率可以达到4个9，不良定位我们现在可以在秒级时间内去发现产生不良的工艺或者设备参数，快速定位到产品不良。在分钟级内最快时间找到最优参数，去反馈到设备中，提升我们产品良率。
另外一方面像刚才说的，在工业领域应用最主要是AI工程能力，传统上AI的应用其实是会涉及到核心的四个流程，第一个数据准备；第二模型开发；第三数据训练；第四模型部署。我们中祥英结合我们目前项目经验实施整个AI工厂纯自动化闭环的管理，在其中增加了第一个是模型的评估；第二模型的AB测试；第三个最终环节产品抽检复合的过程，通过这些过程的我们可以减少人工参与，并且在每个过程都都把AI大模型能力嵌入到训练过程中，比如说模型开发、模型训练，我们都会有大模型自动去选择最优参数，通过最优参数选择可以尽量的减少我人员参与，最大化节省整个模型训练成本。
这个过程中我们进行了93项流程智能化优化，节省算法人员参与，在这个过程中建立35项模型训练监控指标，通过监控指标知道一个模型是否退化，这个模型是否要迭代，是否要重新的去上线或者下线，各种操作35项指标进行监控。最终通过AI工程能力，全自动化闭环实现AI实施成本降低60%，最开始事实的时候在京东方AI项目可能都是数百万，目前基本上已经节省一两百万水平，部分场景是几十万达到一个场景AI替代。
刚才说我们的工业大模型底座，包括AI工程能力和场景应用能力，我们提供了三大块产品，第一工业视觉产品，第一个工业AI训推平台，整合各种深度学习能力，AI算法可以快速对模型进行训练，找出最优化模型，给业务提供赋能；第二AI推理软件，我们主要可以和设备进行深度结合，可以嵌入到设备里面，跟设备进行打通，实现端侧推理能力的应用；第三设备控制软件，通过配置化、插件化各种方式，可以满足不同业务场景的使用，这样减少我不同的场景一个二次开发工作量；还有软硬融合，AI方面积累能力，现在逐步硬件进行结合，智能相机、边缘一体机、边缘推理盒子、智能AOI，通过智能化软硬融合产品今后可以给更多客户提供一站式的工业AI的解决方案。稍候会有合作伙伴凌云光赵博士去发表我们这一块跟凌云光软硬融合产品合作。
针对工业AI场景第一个PCB+AI精准分类。在PCB行业我们现在遇到最终AOI整个一个直通率比较低，在传统方式上大家可能说我把AI加在我复判软件之前，这种只能替代人工，不能提升我工厂的产量，我们也是跟客户和客户的设备厂商合作，把AI嵌入到客户的AOI设备中间，最终分板之前，所有的检测结果都要过一下AI，基于AI的结果会把所有的板子分成OK或者NG，通过这种方式我们把整个生产效率提升10%，假点一个发生率降低60%，人工复判工作量节省65%。
SMTAI智能复判场景，这块在SMT炉后（音）做的比较多，遇到炉后AOI直通率比较低，只有30%的直通率，跟客户去说我们要在AOI设备上增加AI功能的时候，面临着好多设备厂商，这些设备比较老旧，设备厂商来源不一样，设备厂商不愿意去配合开放图片获取和结果回传一个接口。这种场景下更多通过RPA手段，在客户炉后AOI复判电脑上装一个RPA的软件，通过这个软件截取屏幕的不良图片，截取完以后我把这些图片发到一个复判站点，通过复判站点AI一个模型去对这些图片进行复判，返回到炉后AOI的一个复判软件上，通过RPA软件进行一个键盘和鼠标的模拟操作，再把结果反馈给整个AOI设备，通过这种方式避免和设备厂商需要打通，可以最快效率把AI功能和SMT炉后AI进行一个结合。
半导体封测领域和合作伙伴去研发die bondAOI检测设备，因为传统上传统封测是die bond工艺后面没有专门检测设备，都需要人用显微镜去进行一个设备的检测，我们跟合作伙伴一起研发AOI检测设备，可以实现整个die bond之后检测，目前检测精度可以达到10微米级别，每小时超过60片，不良检出准确率超过96%。
这块封锁领域刚才成都万应微是潜在的合作伙伴，后面一起检讨一下设备的导入。
第二块业务应用数据智能应用，刚才说我们图像检测出来，我们要通过数据智能来定位不良产生有哪些参数产生，提供产品第一个工业知识图谱，通过大数据的一个存储，再通过图计算，自然语言一些理解，把各种数据进行汇总，这个平台上可以去发现各种一些问题，包括一些知识，通过把这些知识作为大模型训练的语料，通过自然语言交互方式给客户做问题的答复。第二项根因分析平台。我们更多利用大模型规划思考能力和记忆能力，包括大模型智能体函数调用的能力，我们自动调用不同的一些不良分析的模块，自动的实现整个分析不良流程的编排，可以去实现设备、工艺环境各种一些不良参数的分析。
第三块产品交互式BI平台，传统上大家去做BI报表展示做开发，交互式方式用户输入一句话要查询什么样的数据，多长时间的，不同数据库进行查询，最后以一种可视化的方式给客户呈现出去，节省整个客户开发报表和使用的一个难度。
下面是我们应用的一个几个应用场景。第一个工业知识图谱，像刚才说的有很多的企业都有自己的KM系统，仅仅是一个知识的存储的地方，其实没有对这些知识进行一个分析和挖掘，也没有对这些知识进行完整性的一个分析，那其实我们通过整个工业知识图谱，我们去构建整个体系，知识体系，通过知识体系比方说设备维修等都可以提供有针对性的建议，通过整个工业知识图谱应用，可以在设备保养维修建议提升90%的效率，也可以降低我们一个查询时间周期，另外也可以降低30%人力的成本。
第二个场景应用，我们不良根因分析。这一块更多利用大模型相当于是思考和规划能力，再结合我们不良分析各个模块，他可以智能去编排一些提取，比方说我们在ICD不良上，我可以说我有二设流程，客户不知道怎么编排，智能体智能做编排，通过编排可以适用多种场景不良分析，最终实现不良分析效果提升10倍，良率通过这些手段间接提升1%的良率。
第三场景应用是我们交互式BI，刚才说我们在很多客户那儿有管理驾驶舱，有数据中台，这些报表开发需要有周期的，我现在开发一个报表，过一段时间以后分析维度不一样，分析角度不一样，还需要开发人员做报表开发，这个开发周期的话可能需要有一段时间，通过交互式BI的话，客户说想要分析内容输入到系统里面，系统智能查询一些不同的数据表格，把这些数据汇总可视化的形式给客户做展现，通过这种方式对客户的管理提升、人力节约等都有很大帮助。
第三块业务工业仿真。前面工业视觉发现不良，数据智能定位不良，工业仿真我们寻找最优的工艺生产参数，工业仿真我们重点去做是材料仿真，工艺仿真和器件仿真，通过整合这三方面既定模型和AI模型，我们实现我们最优化的工艺参数寻找，目前的话工业仿真已经应用在京东方PE、CVD等各种工艺阶段，实现内部工艺参数最优化。后续工业仿真用在更多行业里面。
工业仿真两个场景应用第一个GDS不良发生，传统上要调取各种的一些图片或者说一些工艺参数去做分析，目前我们发现不良以后，可以通过工艺仿真尽快发现，比方说隔离处隔膜的覆盖性差，那发现问题以后，我去修改工艺参数，可以在工业仿真里面找出来去生产最优化的产品工艺参数是什么，减少我们不良验证的一个时间和成本。
通过工业大模型去做工业仿真还有很多问题，大模型出的结果是不是对的，大模型出的结果可不可靠，我们还会通过AI+DOE工艺参数寻优方式，大模型出的结果会通过DOE实验方式做二次验证，通过闭环管理整个模型输出工艺参数最终反馈AI模型，通过这种方式我们可以让工艺大模型越来越准确，准确以后，我才能去把我们刚才说的整个缺陷检测、缺陷定位，不良参数，最优的工艺参数去进行闭环的管理。
整个的工业AI的使用的话，离不开我们众多合作伙伴一起参与，我们也是像凌云光合作伙伴一起贡献整个AI生态，更多合作伙伴一起参与工业AI里面，通过AI提升我们品质，通过AI去使能制造数智化，以上是我分享，谢谢大家。
主持人：感谢柴栋分享。柴栋刚才介绍我们AI在几个场景，比如说SMT、PCB、FPC相类似的还有就是封测场景，还有设备管理、报表管理以及不能根因分析这些方面的应用。大模型也是我们科技亮点，又能怎样于产业结合，在智能制造中发挥作用，让我们热烈掌声欢迎凌云光技术股份有限公司研发副总裁兼首席技术官赵严先生，为我们带来工业视觉大模型与智能检测共塑产业未来的分享。
赵严：大家下午好！这两天谈新质生产力谈的比较多，我认为高品质肯定是新质生产力的一个重要特征。现在用AI来做赋能提高质量，产品质量，一定是我们未来产业整个发展重要手段。我这个报告两个方面给大家做汇报。
首先介绍一下凌云光，我们是从1996年开始都在从事机器视觉，主要做工业检测，我们目前的话大概有2000名员工，目前机器视觉行业。这个是我们过去20几年发展历程，特别是在2022年科创板上市，实际过去10年，我们一直在服务京东方的品质管理。在后面的话，我们也是希望能够和京东方特别和中祥英能够有更深入合作服务咱们产业。
刚才也在讲，发展智能检测装备，这个是开拓新质生产力，在去年吧，去年的工信部特别发了一个文，联合七部委发一个文，把智能检测产业，智能检测当成一个产业来发展，也是首次，咱们国家提出这样一个目标。他的目的就是为了服务我们新质生产力，所以智能检测应该是我们新质生产力发展一个很重要的保障条件，这也是我们智能检测产业一定会加速发展。
品质管理一定是我们产业要升级重要的方向，如何来去提升？我们看到国际上最优秀的企业都给我们做出这样一个榜样，比如说苹果，比如国内优秀企业，CATL，过去我们知道在高品质提的目标叫6西格玛，我们国内CATL首席制造官倪军教授提出来9西格玛甚至到12西格玛，将来我们这个锂电池，大家知道锂电池动电池用在电动汽车上，他的安全性要求达到什么样的标准，12西格玛，这个汽车在碰撞在开的过程当中，在一些碰撞过程当中绝对不能因为电池原因发生安全事故，这就是这样一个要求。
如何来实现这样一个目标？我觉得苹果也是在去年提出的战略目标Factory Ultra超级工厂，有五大方面：第一精益运营，刚才中祥英吴总也介绍了整个工厂的精益管理方面；第二数据挖掘，我认为前面这两项都是服务第三项的；第三项叫通用的主动检测，我们过去做检测说的不好听叫死后验尸，发现这里面缺陷，现在什么叫主动检测，就是我们在缺陷发现以后，能够更快速的进行分类分析，找到他根因，实现工艺闭环，他保障了不是我们的出货的能力，保障是我们生产能力。生产能力的提高就是企业竞争力的提升，导致的结果就是后面两项，更优效率和更好的品质。
在这里面我们认为核心就是通用主动检测，这是核心。我们讲通用的话就是要用通用的人工智能来保障将来我们这个离散制造，特别是像这种苹果，也包括京东方，像这种大型企业，他的工厂是遍布全国的，甚至是遍布全球的，能否保障品质都是统一的，跨场景、跨地域、跨工厂、跨产线、跨机台等保障标准统一的这是非常重要的。甚至还要扩展到上下游供应链和客户；第二proactive我们从死后验尸变成过程控制，就是把制造和质检变成一体，这个是核心的观点。
我们认为要实现结果，需要三大能力：第一通用工业智能；第二主动检测装备；第三实现闭环质量管理。在闭环质量管理方面，特别是我们认为质量问题贯穿工厂整个运营始终，不仅仅制造环节，制造环节也是人机料法环各个方面，包括对供应链，对下游客户的质量标准，所以他一定是需要整个一个系统性的工厂管理，这一块我们和中祥英未来合作要去能够展开，更广阔前景。
先汇报一下通用的视觉，工业领域通用视觉大模型，主要是这样架构，首先还是数据为基础，数据获取，这个就是我们通过光学手段，保证获取数据的科学性和准确性。核心底座就是工业大模型、数据大模型以及我们的软件和算法。再往上是我们平台级产品以及行业级，我们对整个工厂智能化、工业智能化理解是从数字化为基础，形成信息化、知识化，最终实现智能，是这样一个步骤。
首先我们因为过去20多年一直在从事机器视觉行业，深刻感觉我们现在检测还远远没有满足用户的要求，因为从一个缺陷，把他看起来是划伤，看起来是凹凸点，如果我们把它去展开，我们发现它像一座山那么高，里面包含方方面面多维度信息，我们在光学和成像方面就是要实现高精度、多维度对这个缺陷能够进行科学度量，我们才能够很好的对它进行分析。在这个方面我们也是从核心器件到工业相机做了一系列产品，从自主的现扫描、多光谱、红外、紫外、可见光、全光谱等做一系列产品，未来向智能相机、智能3D方向发展。
最近发布独家的一个1.5亿像素，全局曝光的芯片，这个国内独享。我们开发产品，对于OLED，特别像咱们显示产品，我们知道它有滚动条文的，如果是用逐行扫描方式，逐行曝光，最后采用全局曝光就可以彻底解决这样问题，我们在器件研发，我们在创新的源头还是服务咱们产业。
刚才我们讲到品质溯源的问题，品质一致性，一定要涉及到溯源问题，我们也是联合国家计量院，在这个方面我们做一系列研究，过去我们的很多国家标准是从国家级到省级市级，最后再到工厂，他是逐级衰减，这个国家也是把这个作为一个很重要课题，国家计量院作为很重要课题，希望无衰减质量标准一把干到产线上，和他们合作做这样项目，对很多关于光学领域的标准，视觉图像方面的标准我们做了相应的成果。
再有一个我们认为刚才柴总也讲到数据，我们也认为这个数据就是生产力，当然我们这个数据量我觉得比刚才柴总讲的还要小一些，现在是1000万，精细标度大概是50万量级，帮助在AI领域能够形成很好的数据基础。
我们构建工业视觉大模型也是多年积累，和清华合作开发，目前是2个B的，我们认为还没有必要100B甚至上千B，十亿这个，刚才讲到万亿，我们现在大概就是做10亿量级，20亿，这是工业视觉大模型，以这个作为一个基础形成行业大模型，把它再去切割，逐级切小，最终到场景这个模型，场景模型我们把它更小型化，这样能够在我们真正现场应用的时候，不需要那么大的算力，能够快速的去实现场景要求。
这个是我们通过大模型，我们刚才讲行业大模型我们大概有三个点，第一个就是用工业的AIGC生成样本，我们知道在行业里面小样本的问题是困扰，我们现在目前可以到一个小时生成一万张样本，我们对一些新场景检测提供很大帮助；再一个我们用辅助做缺陷的标注，我们可以看到，这边是缺陷，这个是我们用官方的SAM，Meta发布的SAM分割的情况，我们看他分割比较粗的，按照区域划分，我们分割把缺陷边界做很好划分，大幅度提高在现场应用的效率；第三跨场景，泛化能力特别重要要求，跨场景做到一分钟实现跨场景应用，对新的缺陷发生不需要进行训练了，在原有模型上进行提示，一点就可以完成。
下面就是我们一些实际应用，我们主要把这个检测装备也是用到各个领域，首先就是在新能源这个领域，包括我们在锂电的隔膜，电池极片、毛刺这些外观以及在光伏电池片这方面。
我们认为检测精度是基础，刚才讲到99.9%，也是赋能在极限制造，锂电毛刺坚决到确实做到3个9，因为工业应用就是要求准确。我们在消费电子领域主要围绕手机，围绕手机的应用，我们做了一系列的检测的装备。包括Topmodule，主要是咱们显示模组。另外就是BG就是手机的后盖，基本上现在检出率达到3个9左右，分类的准确率要达到95%左右。这个是手机的中框，现在一般都是铝的，或者不锈钢，苹果今年最新发布是钛合金。这个检测的难度比较大，有很多的干扰，我们也是做到分类准确率达到98%。我们在印刷领域包括软包装、标签还有彩盒都有很多的应用。汽车这个领域包括我们汽车电子零部件，以及整车的底盘，包括车漆外观方面的应用，在这些主要的行业都也比较多的覆盖。
最后讲到闭环管理，闭环管理我觉得凌云光多年积累光学，在成像器件、成像系统，包括检测设备这方面能力，下面更多要去结合咱们中祥英云边端一体AI整体解决方案，这样才能真正服务我们整个工厂，刚才一开始讲了，服务整个工厂的端到端品质改善和运营改善，真正实现精益制造和智能制造。
一个就是我们实现工厂级的数据和部署流程闭环，一分钟实现模型快速的更新和部署，因为我们工厂里面设备非常多，我们大量的这些应用需要这些模型去更新的时候，不是靠人跑到现场去更新，靠是工业互联网直接分配，我们建立从高效的样本采集到样本分析标注，到模型训练，到模型封装，最后到模型部署下发，整个一套网络系统等都需要中祥英进行赋能。
这也是在咱们B11一个实际应用案例，通过主动检测快速发现问题，柴总也在讲能够快速发现里面的根因，实现产能快速爬坡，印象很深刻，正常爬坡时间要3—4个月，从良率30%40%慢慢爬到70%80%，通过AI和工业互联的结合实现爬坡的时间大幅度缩减，也能够带来大量的产能的释放，以及我们成本费用的节约。
这个是我们在太阳能电池片方面的客户，我们也实现AI全流程闭环，特别是数据管理、数据分析和AI的解决使我们模型迭代效率提高90%，25分钟实现唤醒，电池片他产品种类比较多，需要进行快速更换。
这个是另外一个客户在太阳能玻璃福莱特，他们要实现全球工厂间数据互通，这个更需要我们做云架构的部署，实现全球的云边端标准统一、数据统一，数据管理最后能够快速会聚到总部，进行统一控制。
做一个总结，过去20年，我们累积给行业贡献50万套成像组件智能视觉系统，智能检测装备服务各个行业发展
未来跟中祥英工业，做工业软件，刚才我们看到覆盖九大领域，20多个软件产品，基本上把一个工厂需要的软件系统全覆盖，在我们视觉AI这样一个企业和工业互联相结合，软硬真正做到一体，真正是能够去塑造智能化工厂，这样一个产业链。
我们最后的口号还是“质量兴业、赢在智能”。谢谢大家！
主持人：感谢赵严先生分享，让我们对工业视觉大模型与智能检测的潜力和未来有更深刻的理解和憧憬。
接下来我们将进入伙伴共创环节，京东方智能缺陷管理平台是构建AI质检的重要举措，让我们用热烈掌声欢迎京东方智造技术中心，中心长安军锋先生，为我们带来京东方智能缺陷管理平台，构建AI质检“支点”撬动AI星球的演讲。
安军锋：感谢各位嘉宾，首先感谢一下王总给我们机会来做一次展示，感谢各位嘉宾坚持到现在最后等到最后一个报告。
我为什么来讲有三点。第一点我们和我们中祥英团队一起经过两三年时间构建一套系统，我们希望有机会给大家做一下展示，也是对我们之前工作一个肯定，所以这次也把我们这个平台架构师也请到现场，等会儿和中祥英领导们做一次产品的发布；第二个我们在做系统平台过程中，遇到了很多坑，踩过很多雷，面对几十个工厂这么大体量制造的时候，这么多场景的时候有很多困惑，产生一些新的思考，希望把我们这种理念传达给大家；最后希望借助这个平台的话，能助力中祥英把我们内部孵化好的项目，好的产品赋能千行百业。
开始引入一个杠杆模型，2000多年前阿基米德曾经说过“给我一个支点我可以撬起地球”。这是一个哲人他对一个伟大原理浪漫的扩大。他在模型里头支点除了目标是明确的之外，支点杠杆都是不清楚的，在我们管理工作上也是一样的，我们需要做什么事，定什么目标，这个事情很复杂的，定了大的目标之后，这个目标从一个点的痛点开始，涉及到组织痛点，涉及到组织变革，未来业务变革，怎么来撬动这么大的事，他同样需要找到支点和杠杆。
我们举个案例，我们最伟大的创业团队，我们建设新中国这件事，什么是他的支点，我觉得从“三湾改编”党支部建到连队上开始，我们军队变成党的军队，军队变成人民军队，这个军队就是支点，军队链接广大人民群众，全国人民支持下，全国人民就是杠杆撬动建立新中国这件事。面对AI不断发展，我们怎么样去撬动AI这件事，AI这么大一件事我们怎么样撬动它，同样我们需要支点，同样我们需要杠杆。
我们AI在工业环境下最多应用场景就是质检，质检这个场景有很多痛点，组织上也有痛点，场景来讲，像我们公司他有导入很多设备，那这些设备的话，在设备端刚才凌云光赵总他也介绍了，在设备端大部分还是采用CV方式，CV方式在很多主观类不良检测能力是不行的。另外不同时期设备导入，每个设备厂商硬件软件能力都参差不齐，我们未来升级方案也差异很大，现在不断厂商提出来我们可以给你设备附加AI能力，但是这些AI独立的构建导致我们AI模型是很难持续迭代的；缺陷的复判，不管有没有AI，我们复判这件事情重要程度都非常强，我们原始复判有很多第二次人工在检测，有的是在系统上复判，这些复判数据丢失掉，没有人在去关注这些东西，这些复判数据往往AI模型是否能更精准关键的数据，整个流程中把我们复判信息直接变成我们可以用AI模型直接利用的信息；第三就是检测人员一个是作业员，波动流动性非常大，能力参差不齐，这样波动情况下怎么可以导出非常稳定质检标准；我们很多的工程师，我们这些工程师他的诉求并不是单纯去运营设备，他也有技术成长诉求，也有算法开发的诉求，并没有工具支撑，你像集团有10万人，1/3干质检，3万多质检作业员和工程师，我们怎么样去帮助他们改变现在一个现状；组织相关特点，首先是技术组织，刚才柴栋在讲AI是工程化难度很大的事情，每个技术组织他其实他都有自己的侧重点，我们组织侧重点我们最容易链接业务和技术的组织，柴栋团队更能把软件工程化团队，还有算法能力团队，我们怎么样去发挥各自的特点，不要去重复的去做重复的工程投入，算法的团队把实际大量项目时间花在工程项目上，没有专心做算法这件事情，所有厂商都卖自己软件，卖自己平台，造成一个工厂内光AI这件事情就三四个系统软件在做，不能形成合力。业务组织不同工序各自为战，他也很难去把工序的质检前端跟后端质检标准拉通，业务组织更难他只能看着厂商做项目，并不能参与到这些项目过程中去，他没有这个工具去帮助他去探索他想探索的事情。所以针对这些痛点，我们根据刚才杠杆原理，我们提出来AI质检查杠杆模型解决方案，我们目标是借助质检场景撬动AI星球，支点是什么，我们提供全场景覆盖、易连接、易迭代、易共享开放平台，我们链接杠杆就是我们3万多质检作业员、工程师，还有专业算法人才，还有工程软件人员。
这就是我们iDM整体解决方案。在10年前我们集团第一次做自主化MES的时候，我们创始人起名叫BIDM，数字化制造的1.0时代，我们起iDM致敬我们创始人，所以直接叫iDM2.0，这个平台我们刚才讲有全场景特点、易连接、易迭代、易共享。从整个设备侧开始，我们先看蓝色底色全部包含平台上系统，这里都不是PPT系统，都是已经量产交付过的系统，从我们设备对位测量，设备AI算法软件，到我们设备侧部署的快速的简易的推理平台加远程PCCRPA，管理这些终端点位agent管理平台，还有我们的训练、推理、共享系统，以及我们的TMS复判系统，这个系统重要程度不光是管理刚才讲复判信息，这里整个AI过程中非常重要的环节，等会儿重点去讲这个事情。
首先讲一下全场景。我们讲这个iDM平台是全场景平台。第一个场景2017年开始推的ADC平台，ADC场景，他适用什么样场景，你设备检出图片并不是设备侧需要出结果，它可以出站之后，在offline方式把图片传到系统上，系统再告诉你结果，这样场景一般用在我们前端制造，他不需要在设备的当站马上出结果，影响设备的动作，影响TT，这样的场景也是历时比较久，从微观宏观很多场景做了很多，我们现在基本上所有的ADC都能做到人工替代率做到80%以上，我们的过检漏检都有大幅度降低。
第二设备侧一个推理场景。为什么提设备侧？刚才讲了刚才那个场景是offline，普遍要出设备，要进你上层系统，这个场景图片不需要出你设备，在设备端就可以完成场景，我们把AI的能力下沉到你的设备的管理PC上或者算法PC上，我们把AI的egent部署在里头，可以完成百毫秒快速推理，图片不用出的设备，我可以从内存里读，可以从你文件OS里读都可以。这样场景有典型几个应用案例。比如说我们在Repair设备，他需要两个AI应用场景，第一个我需要AI去帮我把不需要维修点位过滤掉，另外我需要AI告诉我维修后的效果，过滤点位过程中需要非常快速达到你的要求，我不需要图片出我的设备，你要马上告诉我结果，要马上动作。另外设备的边缘检测，我们大量的工厂导入了这样一级设备，但是这样的设备误报率非常高，很难去开动，我们本质上是想通过报警避免破损的玻璃进到腔体，因为现在误报率太高控制他的功能关闭掉，希望用AI方式边缘推理，当它拍出图片之后AI马上推理到底有没有破损，这样不可以影响设备，按照我规则逻辑去执行。这样的项目的话，其实也产生一些价值，我们现在从设备的Repair，包含这里集成RPA、EGC还有自己做AI设备，都已经导入AI。
第三工业视觉的场景，我们整个平台是从设备对位测量到设备的AOI软件这两部分都包含，我们的设备的AOI软件为什么要做，设备供应商都在做这个事情，我们的AOI软件是完全开放，他可以在上面开发软件，可以去开发算法，我们的对位平台为什么要做？就是我们一条模组线可能有十几家对位测量软件，这个事情标准化带来价值，带来管理提升是很大的，我们的AOI的软件，在我们未来AOI设备升级作用非常大，我们很多老旧设备替换升级硬件，硬件很多厂商已经不干了，或者费用非常高，我们自己软件替代成本非常可控的。还有一个点我们自己做的AOI设备，导入AI之后，他在FPY提升5个点，这个是非常成熟的量产产品，我们估算一下在量产初期阶段，我们这个效果达到10%左右。
下面讲一下整个平台几个优势：
第一个易连接，做工程项目的时候，你会发现你做的系统集成工作很多，你需要连接的东西很多，但是我们这个平台第一个就是接口标准化，我们有标准的数据的接口，标准的系统通讯的接口，以及AI算法接口，AI算法与平台做解耦，你可以将你算法在你线下做好集成到我们平台上，这样刚才讲的为什么，要解决我们专业人做专业事情，我们不需要你再提供额外系统，把算法集成进来就可以；第二我们系统高度集成。我们刚才讲平台是非常复杂的，有训练推理，TMS复判，我们整个设备层的系统，还有本身CIM系统、MES、SPC很多很多系统，我们平台内以及平台外都做高度集成的；第三点我们的排放性的算法，刚刚讲算法是解耦的，另外我们根据，因为我们现在算法迭代，整个AI框架发展非常快，如果固定框架去做算法的话，当然你算法部署的成本或者是变动的代价会小，框架一旦变了整个无法迭代了，所以做这种算法定制化镜像服务，在我们平台上所有的算法都是开元的，你可以下载下来的所有原代码，自己去开发，自己做前后预处理；最后我们统一化任务的调度，我们有K8S集成调度，也有自研的虚拟GPU调度，它可以动态根据你推理任务做资源分配。我们现在整个平台的话，上线后的速度还是非常快的，算法接入只有一天，整个的跟中祥英一起推动项目100多个，我们大概做30%的工作，中祥英做70%的工作。
第二个就是易迭代。为什么讲迭代？如果说完整生命周期看这件事情，发现真正让AI产生价值，不可能是你的项目阶段，而是你持续迭代的阶段。如果说我的迭代只能靠我专业团队、专业技术人员、专业AI人员才能迭代的话，这件事情没有生命力的，我们提供的平台一定是面向业务人员，面向作业员，这样层面去提供易迭代的平台，这个易迭代体现几个方面，一个是数据闭环，我们在训练样本集成方面，你可以做到从TMS拿数据，做到ADC结果拿数据，各种各样过滤条件，你可以把拿数据过程集成到你的判图过程，集成到你推理过程里面去，所以拿数据过程非常便捷还非常智能；第二模型管理闭环，模型是低代码建模的，算法的话也有那个版本的管理，我们可以有一个案例，自己业务人员通过20几个版本迭代，把一个准确率93%模型迭代到98%的准确率；第三个指标的闭环，一个模型的生命力在几个阶段。在上线阶段的时候你是不是有很好的监控的一个指标，柴栋报告说有35个健康管理的指标，所以我们把这种指标的监控分析预警改善都集成到平台里头，你可以对他做全生命周期健康管理；最后流程的闭环，那我们一个模型的上线前的准备，模型在线测试、离线测试，人工复合全部都功能化了，我的人用所有功能完成模型整个生命周期所有过程，所以在这样一个平台支撑下，我们也培养很多业务人员，这个只是一个项目的成果，业务人员有五个，其中包含一个作业员工。
最后易共享特点。一直讲工业视觉大模型，大模型基于什么，一定基于大数据的，特别大样本数据才能构建工业大模型，如果说在我们整个集团的范围内，无法做到样本的共享，数据的共享，怎么去谈一个工业大模型，所以我们也有共享的一个功能，就是第一个可以做到集团级的AI驾驶舱，你可以看到我们集团接入到这个平台所有模型，所有数据，所有样本。可以看到这些指标每个模型做的好的模型指标是什么样的，我们可以做到指标的晾晒。另外我们样本的共享。不管是你的推理过程的样本，还是你训练样本，还是测试样本，都可以在我平台上拿到所有链接进来工厂数据。第三个算法的共享，我们可以拿到所有的模型的算法，可以拿到他的训练的算法，也可以拿到推理，看到他怎么做前处理，怎么做后处理。最后硬件共享。你可以看到所有硬件在平台上使用的情况，你可以根据硬件的空闲动态调整你资源使用。所以我觉得共享平台支撑下谈大模型这件事才是有可能的。
全场景展示一下iDM平台的生态，从设备端到我们集团整个管理端，一整套的产品全部都是已经落地的，不是PPT的，是已经能量产的场景，所以从端到端，从点到面，面向业务的一个开放的平台，使我们全员可以参与到AI生态的共建中，真正的去用全员的力量撬动AI这件事。
最后讲一下展望和生态共创。第一个我们这个平台上线一年，我们整个平台完成闭环可能也就是在7月份的事情，上线一年的话，接入十几个工厂，一百家场景，跟中祥英一起做这么多项目，近期效益的话大概5000多万。我们希望未来会有更多合作伙伴加入到生态共建里头去，我们可以做算法IP共研或者说是买，另外可以像凌云光厂商做硬件的定制。我们有能接入到这么多数据的话，我们才可以去谈我们怎么样去打造真正视觉大模型。
我们现在未来50家每年新增改造的场景，100家的场景，判图量5亿每个月，生态开发者1000+，一个OLED工厂上AI的场景一个月的判图量是一个多亿，支撑一个多亿判图量训练样本是1000多万，所以我提5个亿每个月并不是天方夜谭，非常保守低调的目标，基于5个亿每个月判图量，支撑这个模型的样本量的话至少5000万以上。刚才赵总说他们是一千万左右的量级，我们可能是上亿量级基础，在这样基础数据支撑下，我觉得才可以真正去谈我们打造工业的大模型。
我们希望通过我们这样iDM平台，构建AI的质检支点，共创AI生态的繁荣，谢谢大家！
主持人：感谢安总分享，希望安总和柴栋一起协同作战，构建AI质检支点，撬动AI星球，这是我们目标
京东方技术中心协中祥英联合推出面向泛半导体行业的AI平台，应用工业制造过程中质检缺陷管理、分类质量管理等场景，积累了众多行业模型，具有云边端一体化、低代码一键部署等优势，让我们掌声有请王洪先生、吴建民先生、曾健锋先生、柴栋先生上台。
我们共同发布中祥英ziBrain4.0暨京东方iDM2.0 AI平台请几位领导站在屏幕中间，将手放在屏幕上，共同计时倒数五个数，迎接新产品发布，5、4、3、2、1。中祥英ziBrain1.4.0暨京东方iDM2.0发布，请几位领导合影留念。
在今天的工业互联网峰会论坛中我们共同见证了工业互联网领域的前沿技术和创新思维，洞见了工业软件领域未来发展，见证新产品的发布，中祥英在泛半导体工业软件、智慧厂务、工业AI三个方面持续深耕，与在座各位一起创新驱动共建新一代的工业软件体系，赋能企业发展新动力，能效优化健全绿色发展机制，助力企业节能降碳。AI赋能构建高效生产新加工，加速助力企业转型升级，未来中祥英希望能够与大家合理共赢，全力以赴，推动客户价值创造，成为智能制造领域最值得信赖的服务伙伴。
感谢大家的参与和聆听，希望今天分享能为您带来启发和价值，中祥英与各位合作伙伴融合共生，赋能千行百业，谱写创新发展新篇章，2024年BOE IPC大会工业互联网峰会至此告一段落，再一次感谢大家参与和支持，让我们期待下一次相遇，谢谢大家！
——结束——
