在全球低增长的环境下，技术浪潮正带来商业模式的剧变，家电品牌正普遍面临市场结构和增长方式调整的焦虑和迷茫。然而，在整体市场的低谷中，美的却实现逆周期增长。
以下是美的通过供应链与制造数智化提效的一些事实与数字——
内销中，美的“以客户为中心”的DTC变革，通过“产能交期可视、无交期不可售、订单自动评审”实现100%订单交期可视；外销上，美的通过iBOS海外销售一体化平台系统，集端到端全流程信息，海外订单履约效率提升30%。
供应链与制造环节，通过集成供应链平台ISC实现全价值链提效节约10万工时；智能家居业务中利用大小数据结合等方法，助力打造多个爆款产品；超过5000个工业AI模型，助力实现质检、决策等多个智能制造环节的降本提效。
智能制造变革带来的结果显而易见，然而，改变非一日之功，内功也需要一点点修，相比结果，追溯变革的过程更有意义。
大模型如何在产线落地应用？AI如何赋能智能制造实现降本增效？从技术应用到管理提效的距离有多远？AI落地技术研究的协同有效性又是怎样的？
带着这些问题，虎嗅智库与美的智能制造研究院院长付旭进行了一场深度对话，他不仅在理论上有深刻洞察，而且在实战中积累了丰富的经验，以期为正在探索数字化转型和智能制造升级的企业带来启发。
智能制造本质：提质、降本与增效
在探索智能制造转型的过程中，美的始终聚焦于制造的核心价值——提质、降本与增效。将这一理念转化为具体实践并非易事，它要求企业在工艺、装备与数据等多个维度进行创新与优化。
您认为美的在智能制造领域持续迭代变革，主要的驱动力是哪些？以及这种驱动力未来会如何演变？
付旭：制造业讲求务实，美的智能制造持续变革的驱动力依然是围绕制造的本质，即提质、降本与增效。
关于降本增效，过去用精益管理，现在是通过技术来实现，您认为这两点有哪些不同？哪个更好？
付旭：这两者相辅相成，并不冲突。MBS（即：MideaBusinessSystem，美的精益运营系统），仍然是美的制造的核心，是一套非常高效和有效的管理体系。
同时，靠精益管理解决不了所有问题，还必须研发新的智能制造技术，比如先进的算法、自动化装备、工艺、材料等等，这就是技术驱动。管理和技术双轮驱动，相辅相成。
工艺、装备以及数据价值方面，有哪些提升生产效率或者产品质量的典型案例？
付旭：这些案例非常多。在工艺方面，比如在注塑工艺、钣金工艺、焊接工艺、PCBA工艺等方向，我们都有很多成功的技术突破；另外，结合工艺突破，在新材料的研究和应用上，也取得了很多实际落地的效果，包括高分子材料和金属材料。
还有像智能检测、品质优化、能耗优化、智能设计、工厂规划仿真、数字孪生等等，在工厂都有实际的落地应用。
从AI质检到管理提效
在武汉美的暖通工厂生产线上，机器人臂在精确控制的环境下进行着组装、焊接、检测与包装等一系列复杂操作。
几乎每走几步就能遇到一个AI检测点，AI检测的应用不仅是美的打造5G全连接工厂的重要组成部分，更是其提升生产效率和产品质量的关键举措之一。
AI在视觉检测方面的应用，具体做了哪些研究和成果？
付旭：在智能制造研究院团队，我们开展的视觉检测研究可以简单分为两类：静态视觉检测和动态视觉检测。
静态视觉检测主要是指通过采集一张图片，实现对产品的各种缺陷检测，比如塑料件和金属件的外观瑕疵检测、PCB的AOI检测、产品标贴的错漏反检测、关键零部件安装的防错检测等等。
动态视觉检测主要是指通过对一段视频的内容进行分析处理，比如分析产线工人的一个完整的操作是否符合规范，就需要对一段视频进行处理，并结合视频内容的上下文和算法给出相应的判断结果。
另外，我们还开展基于3D视觉的尺寸测量及视觉引导等技术的研究，也有实际的落地应用。
对于员工的AI赋能有哪些？
付旭：从人员培训、办公效率的角度来讲，AIGC的应用相对会多一些。
一部分是面向产线工人，体现在省人力、降低劳动强度；另一部分是面向工厂的管理辅助人员，利用AI可以辅助人处理海量数据。
原来设备运维全靠人工做设备数据的填写，现在随着设备具备了AI算法和数据采集的能力，设备运维从传统人工维护的方式升级成数字化的方式。
咱们在AI落地层面，您认为可能受哪些因素或环节的影响比较大？
付旭：要让AI落地，本质还是它的有效性和实用性，不能盲目追捧业内出现的一些新概念。
AI现在有很多好的应用场景，比如ChatGPT在辅助办公、提升工作效率方面，都有很大的帮助。
但在工业领域，这不一定是最实用、最有效的，还需要继续探索和定义更有价值的AI应用场景，比如如何用大模型更好地提升AI检测的准确性。
AI落地与技术协同的有效性
AI技术的研发从算法、智能模型的构建，到适配复杂的工业场景，都需要与企业现有的技术体系、业务流程实现深度协同，才能发挥出最大的效能。
美的智能制造研究院与集团层面的研发如何做协调配合？
付旭：美的智能制造研究院是集团的研发平台之一，主要面向大制造体系，包括制造、品质、供应链等，开展一些前沿技术的研究和应用创新。
我们是平台单位，既需要做集团层面共性的前沿技术的主线研究，同时也会与事业部合作完成一些认为有挑战有难度的迫切需求，内部团队和业务间有规范且成熟的协作流程，研发成果传递、落实和实施路径也比较清晰。
研究院一方面不会只专注于前沿技术的研究，因为研究技术本质上目的是解决实际问题，另一方面也不会只聚焦事业部业务需求，研发目标也要服务于集团战略从长计议。
您认为做智能制造升级，在生产过程中哪个环节难度会比较大？例如根据实际经验做升级改造，对于产线、设备的部署从技术维度或企业的角度，如何规划和考量？
付旭：智能制造转型是很多企业坚定去做的事情。从发展的眼光看问题，不同的阶段会涉及不同的考量，比如说团队的资源、能力、规模都可能会影响投入。
不同的企业容忍度不一样，要投入这项技术值不值得？有没有长期投资的打算？投进去多少年能得到回报？这些涉及企业战略和发展规划，都需要仔细斟酌。
从技术维度讲，相对简单一些：要解决某个问题，应该用什么手段或用什么技术，这是非常清晰的。但这个投入值不值得，衡量的指标就是ROI。
整体上美的集团对研发类ROI比较宽松，也会根据实际情况动态做调整，需求不一样，衡量维度的标准也不一样。
对于通用性和普遍性技术的研究，咱们投入的重点主要在哪里？
付旭：通用技术和普通技术之间没有非常明确的界定。任何项目投入之前都会做评估，首先做需求评估，也就是这件事情值不值得做？
其次是投入这件事的收益是什么？比如节省成本或者改善品质等。
做好这两个阶段的评估之后，如果表明这个事情值得做，下一步便开始怎么做，制定讨论、预演不同的解决方案等。
技术研究如果没做出来，或者说失败了，有没有相应的惩罚？
付旭：智能制造研究院是鼓励创新、大胆尝试新方向的。研究有成功也可能有失败。
研究院是容许失败的，我们内部提倡的原则是：项目可以失败，但必须是竭尽所能、明明白白地失败。
通常失败原因我们总结为两类：一是技术本身不成熟，属于行业长期痛点且突破成本巨大，无法成为通用技术研究对象；二是受团队能力或工厂制造条件限制。
您认为在数字化转型或者AI应用方面，应该避免哪些误区，或者说您对一些打算应用AI的企业有什么建议？
付旭：我认为最应该避免的误区就是把数字化或者AI当成是万能的，而没有考虑企业的实际情况。每个企业能够清晰地评估自身所处的阶段非常关键。
从工业4.0的角度讲，企业自身是处于1.0、2.0还是3.0需要判别清楚，然后才能找到通往工业4.0的正确和有效的路径。如果连基础的经营管理都没有，何谈AIGC的应用？
其次是对技术的理解。要明确技术是不是真正能解决问题，投入新技术的初衷是解决当下业务的问题，或者服务长期发展的规划，不能为了追求新概念而进行盲目投入。
另外在应用实践过程中，要做好项目评估和技术目标，AI与当前系统需有效衔接，从研发到落地也需整合验证。
您当前使用的浏览器版本过低，导致网站不能正常访问，建议升级浏览器