制造业 AI 落地场景全景：从研发设计到生产经营
简要回答
制造业的 AI 场景大致可以分为两条主线：研发设计（出图、设计复用、查重、材料用量、仿真）和生产经营（编程、BOM 录入、ERP 经营分析、采购同步、质检）。共同的做法是：大模型负责理解图纸、文档和自然语言，几何计算、数值核对、写入 ERP 由确定性程序完成，关键判定仍由工程师、质检员等专业人员做出。
制造业为什么适合 AI，又为什么难
制造企业有大量结构化程度不高、却高度重复的工作：画图、出图、填表、录单、对账、查资料、看报表。这些正是 AI 擅长辅助的地方。
但制造业的数据和系统也最复杂：三维模型、二维图纸、工艺文件、BOM、ERP、MES 分散在不同系统里，格式各异，很多资料还经过加密。而且，制造业对准确性的要求极高，一个尺寸、一个料号错了，后果可能是一批废品。
所以，制造业 AI 的关键不是“让大模型自己做”，而是让大模型理解，让程序计算，让人决定。见《企业 AI 落地的六道坎》。
研发设计：让工程师少做重复劳动
| 场景 | AI 做什么 | 谁来决定 |
|---|---|---|
| 3D→2D 出图 | 根据三维模型生成二维工程图初稿，标注按规则补全 | 工程师审核修订 |
| 2D→3D 建模 | 根据二维图纸辅助生成三维模型 | 工程师确认 |
| CAD 设计助手 | 在 CAD 软件内用自然语言检索相似的历史设计与标准件 | 设计师选择复用 |
| 3D 查重 | 比对新设计与已有零件的相似度，减少重复设计和料号冗余 | 工程师判断是否合并 |
| 材料用量 | 从模型中计算材料用量，辅助报价与采购 | 计算由程序完成，人复核 |
| 仿真云 | 统一调度仿真资源，辅助整理仿真输入与结果 | 工程师解读结果 |
这些场景的共同点是：几何与数值计算交给 CAD 内核或专用程序，大模型负责理解需求、检索资料和组织结果。
生产经营：让数据自动流转
CNC 编程助手
辅助生成和检查数控加工程序，减少编程人员的重复工作。程序在上机前仍需经过仿真和人工确认。
BOM 自动录入 ERP 与归档
设计完成后，物料清单往往需要人工逐行录入 ERP，耗时且易错。AI 可以从图纸和模型中提取 BOM，由确定性程序做料号匹配和规则校验，再写入 ERP 并归档文件。写入失败时整单回滚，不留半截数据。
ERP 经营洞察
管理者想知道“上个月哪个产品线毛利下降最多”，往往要等报表。经营洞察助手可以用自然语言提问，但设计上有几个约束：
- 只读：不写 ERP，也不在 ERP 数据库中建表；
- 语义层取数：数字由预先定义的指标口径和语义层计算，而不是由大模型“估算”；
- 可追溯：每个数字可以追溯到来源数据和计算口径。
采购同步
在采购、计划与供应商之间同步订单和交期信息，减少人工对表。
视觉质检数字员工
质检员在企业微信或飞书里拍照上传，AI 识别缺陷类型并生成结构化质检报告，判定权仍保留给质检员。这种方式不需要改造产线就能起步。见《把企业 AI 接入企业微信、飞书和钉钉》。
半导体检测分析
在检测数据量大、格式复杂的环节，辅助整理检测结果、归类异常，帮助工程师更快定位问题。
底座：工程资料知识库
上面很多场景都依赖同一个底座：把散落在各系统中的图纸、工艺文件、标准、历史案例接入一个统一的知识库，权限随原系统，回答附出处。技术原理见《什么是 RAG》。
Stanley Team 在首页公开过一个制造业工程资料知识库的案例：在该项目的合同评测集上，实测检索 hit@5 为 99.4%、引用率为 98.8%。这些指标来自该项目的评测集，不代表其他场景的通用表现。
从哪里开始
建议从“高频、有标准答案、数据易取得”的场景开始，比如工程资料问答或 BOM 录入，再逐步扩展到经营分析和质检。选场景的方法见《企业 AI 从哪里开始》，验收方法见《企业 AI PoC 怎么验收》。
在 Stanley Team，制造业 FDE 场景由负责系统架构、制造业集成与工程交付的 Matrix 负责，关注内网部署、受控资料、ERP 数据及 CAD / CAM 等现场约束。按业务领域整理的完整场景清单，见《制造业 FDE 全景痛点地图》（29 个领域、167 个场景）。
常见问题
我们的图纸都加密了，AI 能读吗？
可以设计为只有经授权的程序穿透加密读取，解不开的记录状态，不以乱码入库。具体取决于所用加密系统的接口，需要在项目中评估。
AI 出的图能直接用吗？
不能直接用。AI 生成的是初稿，标注和尺寸需要工程师审核修订；AI 的价值在于减少重复劳动，而不是替代工程师的签字。
需要先建数据中台吗？
不一定。可以直接对接 CAD、PLM、ERP 等现有系统，按场景逐步接入，不必等待大规模的数据治理项目。
延伸阅读
参考资料
- Smart manufacturingWikipedia
- Bill of materialsWikipedia
- Enterprise resource planningWikipedia
- Computer numerical controlWikipedia
- Retrieval-Augmented Generation for Knowledge-Intensive NLP TasksLewis 等，2020