此次合作将聚焦船舶零部件信息管理与检索中的实际业务需求，探索将人工智能技术应用于零部件数据整合、信息匹配与知识检索等环节，推动专业 AI 能力与船舶制造业务深度融合。

船舶装备制造涉及大量零部件。从产品装配到日常维护，再到设备检修与备件管理，零部件信息的准确性、完整性和可检索性，都直接关系到相关业务的开展效率。

然而，在实际业务中，零部件信息往往并不是简单地存储在一张表格里。

不同生产时期、不同供应商对同一零部件的命名可能存在差异；零部件编码、历史版本与产品资料之间，也可能缺乏统一的关联关系。与此同时，零部件手册、历史表单、图片及相关技术资料分散在不同载体中，进一步增加了信息查询与核对的难度。

当工作人员需要根据零部件编号、名称或图片寻找对应资料时，往往需要在多个数据来源之间反复查找、人工比对。

这些问题看似只是检索效率问题，背后却涉及数据标准化、信息关联与专业知识管理等多个环节。

对于船舶制造企业而言，真正需要的，不只是一个能够搜索信息的工具，而是一套能够理解不同零部件信息、建立信息关联，并辅助工作人员通过不同方式快速找到正确资料的智能系统。

这也成为本次合作选择的切入点。

传统的信息检索通常依赖明确的编号、名称或关键词。当零部件存在多种命名方式、历史版本差异，或者用户无法准确描述查询对象时，单一的关键词检索方式就容易受到限制。

立谱智造此次围绕船舶零部件检索开展建设，是通过结合自研的立谱工业零部件大模型、检索增强生成等技术能力，探索更加贴近实际业务需求的检索方式。

在具体应用场景中，用户可以通过零部件编号、描述、图片、图纸等不同形式的信息发起查询，由系统辅助识别查询意图，并从关联资料中检索匹配的零部件信息。

与单纯返回一个搜索结果不同，系统建设还将关注结果的匹配依据和信息来源，帮助用户理解检索结果与查询条件之间的关联，提升信息查找与人工核对的便利性。

与此同时，通过对零部件相关资料进行整理、关联与规范化管理，逐步建立更加有序的专业数据基础，为后续相关业务应用创造条件。

AI 在这里扮演的角色，不是简单替代原有搜索框，而是尝试理解用户要找什么，并辅助用户从大量的分散的信息中找到更相关的答案。

这正是大模型技术从通用问答走向专业业务应用的重要一步。

通用大模型具备较强的语言理解与信息处理能力，但制造业的业务场景有其特殊性。

同样一个零部件，在不同业务环节中可能具有不同的称谓、编码和使用背景；同样一份技术资料，也需要结合对应的型号、版本及业务语境，才能发挥实际价值。因此，制造业 AI 的应用不能仅停留在通用模型的简单调用上，还需要将企业的数据、专业知识和业务规则融入具体应用流程。

立谱智造长期聚焦 AI + 制造领域，围绕工业零部件、工程图纸、工艺分析与制造决策等场景，持续建设面向工业业务的专业 AI 能力。此次合作以船舶零部件检索为具体切入点，将围绕企业实际需求，推进相关数据治理、专业模型适配、检索能力建设与系统集成工作。

在这一过程中，项目不仅关注单一功能的实现，也关注数据基础、模型能力与业务应用之间的协同，为后续能力扩展和持续迭代打下基础。

从企业数字化建设的角度来看，将专业数据转化为可检索、可理解、可应用的知识资产，是推动 AI 进入真实业务流程的重要前提。

此次合作也为立谱智造进一步探索垂类大模型在海洋装备领域的应用提供了新的实践场景。

制造业的数字化与智能化升级，很难通过单一技术工具一步完成。

企业既需要解决当下具体的业务问题，也需要逐步完善数据基础、专业知识管理与系统协同能力。只有将技术建设与业务需求结合起来，才能让 AI 真正融入日常工作，而不是停留在展示和演示层面。

立谱智造始终坚持以真实制造场景为牵引，探索将 AI 大模型与工业业务相结合的落地路径。从业务场景梳理、数据治理，到专业 AI 能力构建、系统集成与实际应用验证，每一步都需要结合企业自身的业务特点逐步推进。

而此次合作，正是这一思路在海洋装备领域的一次实践探索。

面向未来，立谱智造将继续围绕工业设计、工程分析、工艺规划、成本核算与制造协同等方向，持续建设面向制造业的专业 AI 能力，并推动经过验证的能力逐步产品化、平台化。

我们相信，制造业 AI 的价值，不仅在于技术本身能够完成什么，更在于这些能力能否真正融入企业的业务流程，解决实际问题，并在持续应用中不断完善。

从一个具体场景切入，从真实业务中沉淀能力，再将经过验证的能力逐步复制到更多场景。

立谱智造将继续深耕 AI + 制造，与更多制造企业共同探索人工智能的应用边界，让 AI 从技术能力逐步转化为企业用得上、能够持续演进的业务能力。

此次合作，立谱智造将围绕客户在智能制造、AI大模型、模具加工、工业设计等领域的实际业务需求，提供定制化 AI 解决方案，助力企业进一步推动生产与设计环节的智能化升级。

双方将共同探索人工智能与制造业务深度融合的新路径，打造一个安全、可演进、与业务深度适配的智能生产与设计平台。

在中国的化妆品产业链中，包材制造是一道“看不见的分水岭”。它决定了产品的质感、品牌的识别度，以及消费者是否愿意在货架前多停留一秒。

作为化妆品产业链的重要组成部分，包材制造涉及材料研发、产品设计、模具开发、成型工艺及质量检测等多个环节，对工程技术能力、生产管理水平和产品质量提出了较高要求。

此次合作的客户是化妆品包材行业的龙头企业，长期深耕相关领域，在产品研发、模具制造及生产制造等方面积累了丰富的行业经验，具有很强的产业实践基础。

随着制造业数字化、智能化进程不断深入，如何将人工智能技术融入研发设计、工程分析与生产制造等业务环节，正在成为行业企业探索的新方向。此次立谱智造与行业龙头企业达成合作，是双方基于真实制造需求开展的一次深入实践，也体现了专业 AI 技术在细分制造领域的应用潜力。

对于制造企业而言，AI 的价值远不只是“会生成”或者“会对话”，更重要的是能否进入实际业务流程，理解真实的工业数据与制造规则，并最终形成可以被使用、被验证、被持续优化的业务能力。

立谱智造长期聚焦 AI + 制造领域，围绕工业零部件、工程图纸、工艺分析、制造决策等场景，持续构建面向制造业的专业 AI 能力。

此次合作将结合客户的实际业务需求，围绕相关工程与制造环节开展 AI 解决方案建设，并通过真实业务数据和实际应用需求，持续验证模型与系统的适配能力。

我们更关注的，不是单纯打造一个“AI产品”，而是让 AI 真正进入企业的业务流程。传统制造企业在推进 AI 时，往往会发现：AI 能做什么，与企业真正需要什么，并不是一回事。

因此，制造业 AI 的落地不能停留在技术展示层面，而需要从企业实际业务出发，逐步完成：

业务场景梳理 → 数据理解与治理 → AI能力构建 → 场景验证 → 业务流程融合 → 持续迭代

此次合作，也是立谱智造进一步探索这一模式的重要实践。我们希望通过与行业头部企业的深度合作，把 AI 能力真正放进生产经营体系中，让人工智能从“工具”逐步成为制造企业新的生产力。

首先，是产品能力的验证。立谱智造持续构建面向制造业的 AI 能力体系，重点解决工业场景下通用大模型难以直接解决的问题。

从图纸、模型、工艺，到模具加工、工业设计，再到企业知识和业务流程，立谱智造正在持续积累制造业 AI 所需要的专业能力。

此次项目将进一步推动这些能力进入真实企业环境，并接受真实业务场景的验证。

其次，是商业模式的验证。制造业 AI 并不是一个简单的 SaaS 工具市场。

不同企业的业务流程、管理方式、专业知识和数据体系存在明显差异，因此当前阶段，更适合通过“平台能力 + 行业能力 + 企业定制”的方式进入客户，再逐步沉淀共性能力。

这也是立谱智造现阶段商业化的重要路径：以客户真实需求切入，以项目验证产品，以项目沉淀能力，再逐步形成可复制的产品和行业解决方案。

此次与化妆品包材行业龙头企业的合作，为这一路径增加了新的头部企业案例。

我们始终认为：制造业 AI 的价值，在于能否解决真实的制造问题。

人工智能技术的发展，为制造业带来了新的可能，但技术能力并不会自动转化为业务价值。只有深入企业真实场景，理解业务目标、数据基础与专业规则，并在实际应用中持续验证和优化，才能让 AI 从技术能力转变为可落地的生产力。

立谱智造将继续围绕制造企业的核心业务，以 AI 大模型为底座，持续建设工业设计、工程分析、工艺规划、成本核算与制造协同等领域的专业 AI 能力，并推动经过验证的能力逐步产品化、平台化。

对于一家处在成长阶段的制造业 AI 企业而言，真正重要的不是签下多少单，而是能否形成：

持续签约 → 持续交付 → 持续沉淀 → 持续复制

通过这一闭环，不断提升技术成熟度、行业适配能力与项目交付效率，逐步建立面向不同制造场景的解决方案体系。

未来，立谱智造将继续围绕制造业企业的核心业务，以 AI 大模型为底座，持续建设工业设计、智能制造、工艺与工程等领域的专业 AI 能力，并将已经验证的能力逐步产品化、平台化。

从一个场景，到一个企业；

从一个企业，到一个行业；

最终形成面向制造业的长期 AI 基础设施与产品能力。

此次签约，是立谱智造商业化进程中的一个新节点，也是公司从“AI能力建设”走向“企业级AI平台建设”的又一步。

立谱智造将继续坚持 “AI + 制造” 的发展方向，持续深入工业真实场景，与更多制造企业共同探索 AI 技术的应用边界。未来，我们期待与更多制造企业一起，把人工智能从“看得见的技术”，变成“用得上的能力”。

深圳市乐谱兰斯科技有限公司（立谱智造）凭借在工业制造领域的AI技术创新与应用实践，成功入选2025年度“中国好技术”项目库。

此次入选，是对立谱智造技术创新能力及产业化实践的一次认可，也进一步体现了AI技术在工业制造场景中的应用价值。

制造业的数字化与智能化，并不只是将传统软件增加一个AI功能。

在实际生产过程中，企业面临着大量复杂的业务数据与专业知识：设计图纸、工艺文件、设备参数、材料信息、历史报价、生产经验以及质量数据等。这些信息分散在不同业务环节，也往往存在较高的专业门槛。

立谱智造长期聚焦工业制造领域，致力于将人工智能与企业实际业务流程结合，推动AI从“问答”进一步进入研发、工艺、成本、采购与生产等核心环节。

目前，公司围绕工业制造企业的产品研发与制造执行，构建了以APLM与AMES为核心的AI产品与技术体系。

通过AI多模态模型、行业知识库、多智能体及相关算法能力，将工业数据、专业知识与业务流程进行连接，为制造企业提供更加贴近实际生产需求的AI解决方案。

围绕机械装备及工业零部件制造场景，立谱智造重点探索了多个AI应用方向。

AI辅助设计

通过对产品图纸及相关技术资料进行AI解析，辅助识别设计与制造过程中可能存在的问题，并将制造性分析前置到产品研发阶段。

AI工艺规划

结合产品图纸、制造特征、企业工艺知识以及历史工艺数据，对工艺路线进行分析与推理，辅助工艺人员完成工艺规划工作。

AI成本核算与智能报价

针对制造企业报价过程中涉及的材料、工艺、设备、工时等信息，通过AI进行数据分析与成本推理，辅助企业提升报价效率和成本测算能力。

AI制造执行

进一步将AI能力延伸至生产执行环节，与企业现有的MES、ERP、PLM等系统形成连接，让AI能力逐步进入实际业务流程。

这些应用并非简单地将通用大模型直接用于制造场景，而是需要结合企业自身的工艺体系、历史数据、设备条件和业务规则进行适配。因此，立谱智造更加关注AI能力与制造业务之间的连接。

工业制造具有较强的专业性和行业差异。同样一张机械图纸，在不同企业、不同设备条件和不同工艺体系下，最终形成的工艺路线、成本和生产方案可能并不相同。

因此，工业AI真正落地，需要解决的不只是“模型能不能理解图纸”，还包括：

• 能不能理解企业自己的工艺体系？
• 能不能结合企业历史数据进行推理？
• 能不能遵循企业已有的业务规则？
• 能不能进入现有的业务流程和系统？

围绕这些问题，立谱智造持续进行行业模型、知识库、多智能体以及制造数据处理能力的研发，并通过真实制造企业的业务场景进行验证。

目前，相关技术已经在机械装备、工业零部件、汽车零部件、电子制造等多个制造场景开展应用探索。

此次入选“中国好技术”项目库，是一个阶段性的成果。对于立谱智造而言，更重要的是持续把技术转化为制造企业真正能够使用的产品和解决方案。

未来，立谱智造将继续围绕工业制造企业的产品全生命周期与制造执行过程，推动AI与研发、工艺、成本、采购、生产等业务环节进一步融合。

让AI不仅能够“看懂图纸、理解数据”，更能够在企业真实业务流程中发挥作用。

用AI让制造更快、更准、更省。

立谱智造将持续探索AI时代工业制造的新型基础能力，为制造企业的数字化、智能化升级提供更多可落地的技术方案。

但对于机械制造企业而言，真正有价值的 AI 应用，并不是简单增加一个聊天机器人，而是让 AI 进入企业原有的业务流程，参与信息处理、业务分析、辅助判断和异常管理。

近期，我们在一家机械制造企业开展了一项 AI 智能制造项目探索，将 AI 能力逐步融入企业从订单到生产、成本以及经营分析的多个环节。

一、制造企业真正需要的，不只是一个“会聊天的AI”

传统制造企业经过多年信息化建设，通常已经积累了大量业务系统和数据。

订单、BOM、工艺、物料、生产、成本等信息分别存在于不同业务环节中。

当企业规模不断扩大之后，一个常见问题也随之出现：

数据越来越多，但真正使用这些数据进行分析和决策，仍然高度依赖人工。

例如：

• 订单信息需要人工整理；
• 工艺信息需要工程人员查询和判断；
• 生产过程中出现异常，需要不同部门协同确认；
• 成本数据需要进一步分析才能发现问题；
• 管理人员需要从多个系统获取信息后才能形成判断。

这类工作本身并不一定复杂，但往往具有大量重复、规则化和信息整理的特点。

因此，AI在制造业中的一个重要价值，就是逐步接管这些重复性的信息处理工作，让人员更多参与判断、异常处理和决策。

二、让AI进入制造业务，而不是停留在聊天窗口

在本次项目中，我们并没有把 AI 定位成一个独立的问答工具，而是围绕制造企业实际业务流程进行设计。

整体思路可以概括为：

业务数据 → AI分析 → 辅助判断 → 人员审核 → 业务执行

AI参与的范围覆盖了制造经营中的多个关键环节。

从客户需求和订单开始，到BOM、工艺、物料、生产排程，再到成本分析和经营决策，AI逐步承担其中适合自动化处理的工作。

这意味着，AI不再只是“回答问题”，而是开始成为制造业务流程中的一个参与者。

例如，管理人员过去可能需要分别向多个部门了解订单和生产情况，再整理数据进行判断。

在数据逐步贯通之后，可以通过自然语言直接提出业务问题，由系统结合企业数据进行分析和反馈。

这种变化看似只是交互方式发生了变化，但背后实际上是企业数据和业务流程正在逐步向 AI 开放。

三、从“人工处理”转向“AI辅助 + 人员审核”

制造业是一个高度复杂的行业。

不同企业、不同产品、不同工艺条件之间存在大量差异，因此，AI并不意味着完全替代工程师和管理人员。

相反，更现实的方式是重新分配人和AI各自擅长的工作。

AI负责处理重复性工作

对于大量重复、规则明确的信息处理任务，AI可以承担更多工作。

例如：

• 信息整理与匹配；
• 数据分析；
• 业务信息检索；
• 异常识别；
• 任务流转；
• 基于既有规则进行辅助判断。

人员负责关键判断

工程师和管理人员则更多参与：

• 复杂问题判断；
• 异常情况处理；
• 业务规则制定；
• AI结果审核；
• 经营决策。

这种模式并不是简单地“用AI替代人”，而是形成一种新的人机协作方式。

原案例中也将这一变化概括为：AI减少人员在重复、规则化信息处理上的投入，让人员更多承担判断、异常处理和经营决策。

四、AI带来的变化，不只是效率提升

从实际应用角度来看，AI进入制造业务之后，带来的变化主要体现在几个方面。

1. 提高业务处理效率

过去需要人工完成的信息整理、查询、分析等工作，可以逐步交由AI辅助完成。

人员不再需要把大量时间投入到重复性操作中，而是将精力集中到更有价值的业务问题上。

2. 让企业知识逐步沉淀

制造企业中存在大量依赖个人经验的知识。

尤其是工艺、生产和异常处理等领域，很多经验长期掌握在工程师和一线人员手中。

通过数字化和AI能力，可以让这些经验逐步转化为企业可以持续使用的数字化知识。

从而减少对个别人员经验的过度依赖。

3. 推动业务数据贯通

AI应用的一个重要前提，是企业的数据能够真正被使用。

当订单、BOM、工艺、物料、成本等信息逐步形成统一的数据基础之后，AI才能从单点工具进一步发展为企业业务的智能入口。

原案例也将这一过程归纳为：从分散的数据和业务环节，逐步形成统一的数据基础，并让管理人员可以通过AI直接获取和分析信息。

4. 提升管理响应速度

过去企业管理往往是“先找数据，再做分析，最后形成决策”。

AI介入之后，可以逐步变成：

提出问题 → 获取数据 → AI分析 → 人员判断

管理人员能够更加快速地发现订单、生产、成本等业务环节中的异常情况。

五、制造业AI落地的关键，不是模型有多大

从这个项目的实践来看，制造业AI真正落地，关键并不只是选择一个更大的模型。

更重要的是：

AI是否真正理解企业业务，并能够进入企业真实的工作流程。

制造企业拥有大量专业知识、业务规则和历史数据。

因此，一个真正能够产生业务价值的AI系统，需要结合企业自身的业务场景、数据基础和管理流程进行建设。

这也是制造业AI与通用AI应用之间的重要区别。

通用AI解决的是“回答问题”。

而制造业AI更需要解决的是：

如何让AI参与实际业务。

六、从一个场景开始，逐步走向全流程智能化

制造企业的AI建设通常不适合一开始就追求“大而全”。

更实际的方式，是从企业当前最明确、最具价值的业务场景切入，通过真实业务数据验证AI能力，再逐步扩展应用范围。

例如，可以从订单处理、工艺辅助、智能报价、生产分析、成本管理等具体场景开始。

当单个场景形成稳定应用之后，再进一步连接更多业务环节。

最终形成从业务数据、AI能力到人员协作的完整闭环。

这也是我们在制造业AI项目中持续探索的一种路径：

从单点场景切入 → 验证实际价值 → 连接业务流程 → 逐步形成企业级AI能力。

对于制造企业而言，AI的价值最终并不体现在“用了多少模型”，而体现在它是否真正进入业务、解决问题，并持续产生价值。

未来，随着企业数据基础和AI能力不断完善，AI将不再只是制造企业的辅助工具，而有机会逐步成为连接研发、工艺、生产、经营与决策的新型智能基础设施。

本次活动由广东省人力资源和社会保障厅指导，深圳市人力资源和社会保障局、深圳市天使投资引导基金管理有限公司联合主办，汇聚政府、投资机构、产业企业、高校及创业项目等多方力量，共同见证第三期“金种子”联创计划的阶段性成果。

立谱智造作为本期参与企业之一，凭借在人工智能与智能制造领域的持续探索，以及在产业协同与创新生态建设中的积极参与，获得本期“金种子”联创计划 「协同创新伙伴奖」。

当前，人工智能正在加速进入制造业核心业务环节。

对于制造企业而言，AI的价值并不只是提供一个通用的智能助手，更重要的是能否真正理解企业的产品、工艺、设备与业务流程，并进一步融入实际生产场景。

立谱智造聚焦 AI+制造，围绕非标零部件及工业制造场景，持续推进人工智能与智能制造业务的深度融合。

目前，我们重点探索的方向包括：

• AI智能设计：辅助工业设计与产品开发，提高设计效率；
• AI-DFM分析：基于图纸、3D模型等工程数据开展制造可行性分析；
• AI工艺规划：辅助工艺路线、工序及制造过程分析；
• AI智能报价：结合图纸、工艺、材料及历史制造数据进行成本与报价分析；
• 工业AI大模型及智能Agent：面向制造企业构建与具体业务深度适配的AI能力。
  

我们希望通过AI，把制造过程中大量依赖人工经验、重复性较高的工作逐步数字化、智能化，让AI真正进入制造企业的业务流程。

本期“金种子”联创计划从400余家报名项目中筛选出57家科创项目，覆盖人工智能、智能制造、生物医药、医疗器械等多个领域。

两个月的实训过程中，我们与来自不同产业方向的创业团队、投资机构、产业专家及专业服务机构进行了深入交流，也参与了课程培训、项目路演、产业交流等多项活动。

对早期科技企业而言，技术创新只是起点。

从技术走向产品，从产品走向市场，从单点能力走向产业协同，需要更多来自产业、资本、人才和生态伙伴的支持。

“金种子”计划提供的，正是这样一个连接创新项目与产业资源的交流平台。

此次获得“协同创新伙伴奖”，对立谱智造而言，不仅是一份荣誉，也是一份对我们持续参与产业创新、推动AI与制造业融合探索的认可。

制造业是人工智能规模化应用的重要场景之一。但我们也始终认为，制造AI的发展不能停留在概念层面。

真正有价值的AI，需要能够理解工程数据、行业知识和企业业务，并通过持续的数据积累与业务验证，逐步形成企业真正可用、可控、可持续演进的智能化能力。

未来，立谱智造将继续围绕 “AI+工业制造” 深耕，与更多制造企业、产业伙伴、科研机构和创新团队展开合作，共同探索人工智能在设计、工艺、生产及经营管理等环节的实际应用。

感谢粤港澳大湾区“创业伴飞”实训营、天使荟“金种子”联创计划以及所有产业、资本与生态伙伴一路以来的支持。

荣誉是阶段性的认可，产业协同才是长期的价值。

立谱智造期待与更多伙伴携手，让AI真正走进制造现场，共同推动制造业智能化升级。用科技，让制造更敏捷。

此次合作，立谱智造将围绕该客户在智能制造、AI大模型、模具加工、工业设计等领域的实际业务需求，提供定制化 AI 解决方案，助力企业进一步推动生产与设计环节的智能化升级。

双方将共同探索人工智能与制造业务深度融合的新路径，打造一个安全、可演进、与业务深度适配的智能生产与设计平台。

在中国的化妆品产业链中，包材制造是一道“看不见的分水岭”。它决定了产品的质感、品牌的识别度，以及消费者是否愿意在货架前多停留一秒。

作为化妆品产业链的重要组成部分，包材制造涉及材料研发、产品设计、模具开发、成型工艺及质量检测等多个环节，对工程技术能力、生产管理水平和产品质量提出了较高要求。

此次合作的客户是化妆品包材行业的龙头企业，长期深耕相关领域，在产品研发、模具制造及生产制造等方面积累了丰富的行业经验，具有很强的产业实践基础。

随着制造业数字化、智能化进程不断深入，如何将人工智能技术融入研发设计、工程分析与生产制造等业务环节，正在成为行业企业探索的新方向。此次立谱智造与行业龙头企业达成合作，是双方基于真实制造需求开展的一次深入实践，也体现了专业 AI 技术在细分制造领域的应用潜力。

对于制造企业而言，AI 的价值远不只是“会生成”或者“会对话”，更重要的是能否进入实际业务流程，理解真实的工业数据与制造规则，并最终形成可以被使用、被验证、被持续优化的业务能力。

立谱智造长期聚焦 AI + 制造领域，围绕工业零部件、工程图纸、工艺分析、制造决策等场景，持续构建面向制造业的专业 AI 能力。

此次合作将结合客户的实际业务需求，围绕相关工程与制造环节开展 AI 解决方案建设，并通过真实业务数据和实际应用需求，持续验证模型与系统的适配能力。

我们更关注的，不是单纯打造一个“AI产品”，而是让 AI 真正进入企业的业务流程。传统制造企业在推进 AI 时，往往会发现：AI 能做什么，与企业真正需要什么，并不是一回事。

因此，制造业 AI 的落地不能停留在技术展示层面，而需要从企业实际业务出发，逐步完成：

业务场景梳理 → 数据理解与治理 → AI能力构建 → 场景验证 → 业务流程融合 → 持续迭代

此次合作，也是立谱智造进一步探索这一模式的重要实践。我们希望通过与行业头部企业的深度合作，把 AI 能力真正放进生产经营体系中，让人工智能从“工具”逐步成为制造企业新的生产力。

我们始终认为：制造业 AI 的价值，在于能否解决真实的制造问题。

人工智能技术的发展，为制造业带来了新的可能，但技术能力并不会自动转化为业务价值。只有深入企业真实场景，理解业务目标、数据基础与专业规则，并在实际应用中持续验证和优化，才能让 AI 从技术能力转变为可落地的生产力。

立谱智造将继续围绕制造企业的核心业务，以 AI 大模型为底座，持续建设工业设计、工程分析、工艺规划、成本核算与制造协同等领域的专业 AI 能力，并推动经过验证的能力逐步产品化、平台化。

这不仅是一项合作，也是一次关于“AI如何真正走进制造业”的实践。从零部件制造，到汽车、医疗、装备、电子，再到化妆品包材等更多细分制造领域，制造业正在进入智能化升级的新阶段。

立谱智造将继续坚持 “AI + 制造” 的发展方向，持续深入工业真实场景，与更多制造企业共同探索 AI 技术的应用边界。

未来，我们期待与更多制造企业一起，把人工智能从“看得见的技术”，变成“用得上的能力”。

设计工程师输出二维工程图、三维模型，工艺工程师根据图纸判断材料、结构、尺寸、公差、表面处理等信息，再进一步制定加工工艺、估算工时、分析成本，最终形成工艺路线、工艺卡甚至报价。

因此，很多制造企业开始关注一个问题：

AI能不能直接识别机械图纸，并进一步完成工艺分析、工艺规划和报价？

答案是：可以，但距离“上传一张图纸，AI自动完成所有工作”还有很长的路要走。

真正有价值的方向，并不是简单地让AI“看懂图纸”，而是让AI逐步参与到从图纸理解 → 特征识别 → 工艺分析 → 工艺规划 → 工时估算 → 成本分析 → 报价的完整业务链路中。

一、AI识别机械图纸，真正难的不是“看懂文字”

传统OCR可以识别图纸上的文字，但制造业图纸远不止文字。

一张机械加工图纸中可能同时包含：

• 零件轮廓和几何特征
• 尺寸及尺寸公差
• 形位公差
• 表面粗糙度
• 材料
• 热处理要求
• 表面处理要求
• 螺纹、孔、槽、倒角等加工特征
• 基准
• 技术要求
• 剖视图、局部视图、放大视图
• 明细栏和标题栏
• 二维图纸与三维模型之间的关联

因此，制造业真正需要的并不是普通的“图像识别”，而是：

让AI理解图纸中的制造语义。

例如，AI不仅需要识别出一个“Φ20”的标注，还需要理解这个尺寸对应什么特征、采用什么加工方式、对后续工艺有什么影响。

这也是工业AI与通用视觉AI之间的重要区别。

二、从“识别图纸”到“理解零件”

对于制造企业来说，图纸识别只是第一步。

真正有价值的是把图纸转换成结构化的制造信息。

例如：

输入：

二维PDF / DWG图纸 + 三维STEP/STP模型 + 材料信息

AI分析：

1. 识别零件基础信息
2. 识别关键几何特征
3. 提取尺寸和公差信息
4. 分析孔、槽、螺纹、台阶、曲面等特征
5. 判断关键加工难点
6. 分析材料和表面处理要求
7. 识别可能影响加工成本的因素

最终形成一套结构化的零件制造信息。

这一步完成以后，AI才真正有可能进入后面的工艺规划和成本分析。

三、AI工艺规划，比AI识图更有价值

制造企业真正耗费工程师时间的，往往不是“把图纸看一遍”，而是：

看完之后应该怎么加工？

例如一个CNC机加工零件，工程师可能需要考虑：

• 选择什么设备？
• 需要几次装夹？
• 先加工什么，后加工什么？
• 哪些尺寸需要粗加工、半精加工和精加工？
• 哪些孔需要钻孔、扩孔、铰孔或镗孔？
• 是否需要特殊刀具？
• 是否需要五轴加工？
• 哪些工序存在加工风险？
• 每道工序大概需要多少工时？

这些问题涉及大量制造经验。

因此，AI工艺规划不能简单理解为“让大模型生成一段文字”。

真正可落地的工业AI，需要将：

图纸信息 + 三维几何 + 工艺知识 + 企业历史工艺 + 设备能力 + 材料参数 + 制造规则

结合起来进行推理。

最终输出的应该是工程师可以进一步审核和使用的工艺建议与工艺路线。

四、AI能不能直接生成工艺卡？

这是很多制造企业在沟通AI项目时都会问的问题。

从技术角度来说，AI可以生成结构化的工艺内容，例如：

• 工序名称
• 工序顺序
• 加工方式
• 设备建议
• 工装建议
• 刀具建议
• 关键加工要求
• 工序说明
• 工时估算

但这里需要特别注意：

“AI能够生成”不等于“AI已经可以完全替代工艺工程师”。

不同企业的工艺标准、设备条件、工艺习惯以及质量要求差异很大。

例如，同一个零件：

A企业可能使用立式加工中心；

B企业可能使用卧式加工中心；

C企业可能因为设备、夹具或产能原因采用完全不同的加工路线。

所以，企业真正需要建设的不是一个“通用工艺生成器”，而是一个能够逐步学习企业自身工艺知识和制造规则的AI系统。

五、AI报价是制造企业最容易看到价值的场景之一

对于非标零部件企业来说，报价通常是一个高频工作。

客户发来一批图纸以后，报价人员需要：

看图 → 判断工艺 → 估算工时 → 估算材料 → 估算表面处理 → 估算外协 → 计算制造成本 → 加上利润 → 输出报价。

如果零件数量较多，报价工程师往往需要花费大量时间。

因此，AI可以把前面的分析工作自动化。

例如：

图纸上传

↓

AI识别零件信息

↓

自动分析加工特征

↓

推荐工艺路线

↓

估算加工工时

↓

计算材料及制造成本

↓

生成报价参考

这样，报价人员不再需要从零开始分析每一张图纸，而是对AI的分析结果进行审核和调整。

这也是目前制造业AI比较现实的一种落地方式：

不是让AI直接替代报价工程师，而是让工程师从“重复计算”转向“结果审核”。

六、为什么有些企业做AI项目，最后效果并不好？

很多企业最开始会提出一个非常简单的要求：

“我们把历史图纸和工艺数据给你们，AI能不能直接学会？”

实际上并没有这么简单。

企业AI项目最终效果通常受到几个因素影响。

1. 数据质量

如果历史工艺数据本身就不规范，AI学习以后也很难得到稳定结果。

例如：

同一种工序，在不同工程师的工艺文件中可能存在不同写法。

2. 数据数量

只有少量案例时，很难直接训练出企业专属的复杂工艺模型。

因此，对于历史数据较少的企业，更适合先从AI辅助工艺推荐等场景切入。

3. 企业工艺规则

AI不仅需要知道“过去怎么做”，还需要知道：

为什么这么做。

例如设备限制、工装限制、质量标准、特殊工艺要求等，都可能影响最终工艺路线。

4. 图纸复杂程度

简单零件和复杂零件的识别难度完全不同。

尤其是复杂二维图纸，如果缺少三维模型，仅依靠二维信息进行完整制造分析，难度会明显增加。

因此，实际项目中需要明确：

二维图纸能做到什么程度，三维模型能做到什么程度。

七、真正可落地的制造AI，应该怎么建设？

我们更建议制造企业采用从单点场景开始验证，再逐步扩展的方式。

例如第一阶段先验证：

图纸智能解析

验证AI能否稳定提取：

• 零件基础信息
• 材料
• 尺寸
• 公差
• 加工特征
• 技术要求

第二阶段进入：

AI工艺分析

进一步输出：

• 加工难点
• 工艺风险
• 推荐加工方式
• 初步工艺路线
• 设备建议
• 工时参考

第三阶段进入：

AI成本分析与报价

结合企业实际：

• 材料价格
• 设备费率
• 工时
• 表面处理
• 外协费用
• 企业报价规则

形成更加贴近企业实际业务的报价结果。

最后再考虑与：

ERP、MES、PLM、CAPP等系统

进行数据和业务流程打通。

这样做的好处是，可以先验证AI到底能不能解决企业的实际问题，而不是一开始就投入大量成本建设一个“大而全”的系统。

八、立谱智造正在做什么？

立谱智造关注的并不是单纯的“AI识图”，而是AI在工业零部件制造流程中的实际应用。

目前，我们重点围绕：

二维/三维图纸理解 → DFX分析 → 工艺规划 → 工时估算 → 成本分析 → 智能报价

等制造场景进行AI能力建设。

针对不同企业，我们会根据实际业务情况进行POC验证。

例如企业可以提供一定数量的真实图纸，由AI针对企业实际零件进行测试，重点验证：

• 图纸解析效果
• 加工特征识别
• 工艺分析能力
• 工艺路线推荐
• 工时估算
• 成本分析
• 报价结果

通过真实业务数据验证以后，再决定是否进一步建设企业专属AI能力。

我们更关注“AI在企业真实业务中能做到什么”，而不是单纯展示一个AI Demo。

九、制造业AI的下一步，不是“无人化”，而是“工程师AI化”

制造业AI真正的价值，并不一定是让企业马上减少多少工程师。

更现实的目标是：

让一个工程师能够处理过去几倍甚至更多的工作量。

过去：

工程师看图 → 查标准 → 做工艺 → 算工时 → 算成本 → 出报价

未来：

AI分析 → AI推荐 → 工程师审核 → 修改 → 确认

AI负责大量重复性的分析工作，工程师负责关键判断和最终决策。

这可能才是制造业AI更现实的落地路径。

如果你的企业也正在考虑AI识图、AI工艺规划或AI智能报价

如果你正在遇到以下问题：

• 机械图纸数量大，人工分析效率低
• 报价周期长，工程师大量时间耗在重复工作上
• 新产品工艺编制耗时较长
• 企业工艺知识难以沉淀
• 工艺工程师经验依赖严重
• 希望将AI接入ERP、MES、PLM、CAPP等系统
• 想验证AI是否能够真正应用于企业生产业务

可以先从一个具体场景开始。

提供真实业务图纸和需求，我们可以先判断适合从哪个场景切入，以及当前AI能够做到什么程度。

相比直接建设一个完整的AI系统，先通过真实数据进行POC验证，通常更容易判断项目的实际价值和后续投入。

立谱智造——面向工业零部件制造的AI智能分析与工艺应用平台。

但与此同时，一个现实问题也正在出现：很多企业已经认识到AI的重要性，却不知道如何真正把AI应用到业务中。他们看过很多AI演示，也参加过很多智能制造交流会，但回到企业内部，依然会面对几个问题：

AI到底应该应用在哪个环节？企业的数据是否满足要求？投入之后能带来多少实际价值？应该先做一个小应用，还是直接建设完整平台？

这些问题，正在成为制造企业进入AI时代的新挑战。

在互联网领域，一个AI应用可能通过大量用户数据快速迭代。但制造业不同。制造企业面对的是复杂的工程场景。

一张零件图纸，背后包含：

• 产品结构；
• 材料特性；
• 加工工艺；
• 设备能力；
• 质量要求；
• 成本规律；
• ……

一个生产任务，也不是简单的信息处理，而是多个专业判断的综合结果。

因此，制造业AI不能只停留在聊天问答。企业真正需要的是：能够理解制造业务的AI；能够连接企业数据的AI；能够辅助员工完成具体工作的AI。

从目前制造业AI应用实践来看，很多项目遇到的问题除了通用模型能力不足，还有落地路径存在问题。

问题一：从“大平台”开始，而不是从业务场景开始

很多企业一谈AI，就希望建设企业级AI平台、工业大模型、智能制造中台。这些方向没有错。但对于很多企业而言，第一步更重要的是回答：“AI到底能不能解决我的实际问题？”

例如：销售报价速度是否能够提升？工程师分析图纸的时间是否能够减少？新人是否能够快速获得专家经验？生产异常是否能够更快判断？只有业务价值明确，AI建设才有持续投入的基础。

问题二：过度关注数据，而忽略数据价值

很多企业认为：“我们没有足够的数据，所以不能做AI。”实际上，制造企业并不是没有数据。企业每天产生大量图纸、订单、报价记录、工艺文件、生产记录、设备数据。

但是真正的问题是这些数据有没有被组织起来？有没有形成企业自己的知识体系？AI时代，企业需要的不只是积累数据，而是让数据能够参与业务决策。

问题三：AI没有进入员工工作流程

很多AI项目失败，是因为AI成为了一个“额外工具”。员工需要在多个系统中反复横跳，复制数据，上传文件，查看结果，然后继续回到原来的工作流程。这样的AI，很难真正被使用。

未来制造业AI的发展方向，不是增加一个新的软件，而是融入企业原有业务流程。让工程师、销售、生产人员在原来的工作过程中，自然获得AI辅助。

过去几年，制造企业推进数字化转型时，往往习惯采用“大项目”模式。建设ERP、MES、PLM等系统时，企业通常会先进行全面规划，再投入大量资源进行系统建设和实施。

这种方式在解决企业流程管理、生产管理等问题时发挥了重要作用。但进入AI时代，制造企业面临的是一个新的问题：AI应用的不确定性更高，企业很难在一开始就准确判断，哪个场景能够产生最大价值。

例如一家机械加工企业可能希望通过AI提升效率。但真正落地时，会发现：

• 销售部门希望AI帮助快速报价；
• 工程部门希望AI辅助分析图纸；
• 生产部门希望AI优化工艺路线；
• 管理层希望AI沉淀企业知识。

不同部门有不同需求。如果一开始就建设一个覆盖所有业务的大型AI平台，不仅投入成本高，而且很容易出现系统建设完成了，但实际使用率不高；功能看起来很多，但业务价值不明显；数据投入大量时间，却无法快速产生收益。

因此，制造企业AI落地更适合采用从具体业务场景切入，用实际价值验证，再逐步扩展能力。

还是举例机械加工企业来说，报价是连接客户和内部工程能力的重要环节。所以第一阶段是通过相对标准化的AI应用，快速验证业务价值。

以报价来说，传统模式下，客户要先发送图纸 → 销售整理需求 → 工程师分析工艺 → 核算成本 → 返回报价。整个过程高度依赖工程人员经验。面对复杂零件，报价周期可能需要数小时甚至数天。

而AI可以结合零件结构特征、材料信息、加工方式、历史报价数据、企业成本规则、辅助工程人员快速完成成本分析和报价判断。企业不需要改变原有业务流程，就可以从一个具体环节开始体验AI价值。

当企业开始应用AI后，会逐渐积累新的数据资产。所以第二阶段，企业就可以开始沉淀知识库，让历史经验可以复用。比如历史报价案例、工艺方案、材料参数、设备能力、质量问题记录、工程经验规则。

这些内容过去可能分散在不同文件和人员手中。通过企业知识库，可以将这些制造经验进行结构化管理。让AI不仅能够回答通用问题，更能够理解：“这家企业过去是怎么做的。”

当企业积累了一定的数据基础后，AI可以进一步深入业务流程。这时就进入了第三阶段：连接研发、工程、生产数据，形成企业专属AI能力。

通过连接研发数据、设计数据、工艺数据、生产数据和质量数据。形成面向企业自身业务的AI能力。例如产品设计阶段，AI辅助发现制造风险；工艺规划阶段，AI推荐加工方案；生产阶段，AI辅助优化资源匹配。由于不同企业的业务流程、系统环境和数据体系差异较大，这类深度应用通常需要采用企业专属定制方案。

最终，AI不再只是一个辅助工具，而成为企业制造能力的一部分。

制造企业选择AI建设方式，需要根据自身发展阶段决定。对于希望快速体验AI价值的企业，SaaS模式能够提供低门槛入口。

企业可以快速使用AI知识助手、AI图纸分析、AI报价辅助、AI制造应用。快速验证AI是否适合自身业务。

而对于已经明确AI战略，希望深度融合企业数据和业务流程的企业则需要进一步建设企业专属AI系统。包括企业知识库深度融合、专属业务模型优化、系统集成、智能体开发、业务流程重构。

两者不是竞争关系，而是制造企业AI建设不同阶段的选择。

过去制造企业竞争，看的是设备数量；生产规模；供应链能力。未来，企业竞争还会增加一个重要维度：AI能力。

同样一批工程师、同样一套设备，谁能够更快利用企业数据，谁能够更快复制优秀经验，谁就可能获得更强的竞争优势。AI不是制造业的替代者，它更像是一套新的生产力工具。帮助企业把过去依赖人的经验判断，逐渐转化为可持续运行的AI能力。

立谱智造做的正是探索人工智能在非标制造领域的实际应用。围绕制造企业真实业务需求，构建面向图纸分析、DFX评估、成本分析、报价辅助、企业知识管理等场景的工业AI能力。

我们相信制造业AI的价值，不在于展示一个更聪明的模型。而在于帮助企业解决一个又一个真实问题。

未来，AI不会只是制造企业的新工具。它将成为企业提升效率、沉淀能力、持续进化的重要基础设施。

如果问一家制造企业：

“你们最核心的竞争力是什么？”

很多企业会回答：

我们的设备先进；
我们的供应链稳定；
我们的交付能力强；
我们的质量体系完善。

这些答案都没有错。

但对于大量非标制造企业而言，还有一种更隐性的能力：

工程经验。

一位资深工程师，看一张零件图纸，就能快速判断：

这个结构加工难不难？

应该采用车削、铣削还是复合加工？

哪些位置容易产生加工风险？

这个报价有没有利润空间？

这个设计有没有优化空间？

这些判断，可能来自十几年甚至几十年的行业积累。

它没有写在系统里，也没有存储在数据库中。

它存在于工程师的大脑里。

而这，恰恰是中国制造企业过去几十年积累下来，却最容易被忽视的核心资产。

制造业正在面临一个新的挑战：经验正在流失

过去几十年，中国制造业快速发展。

大量企业从几十人的小工厂，成长为拥有数百甚至数千人的制造企业。

与此同时，一批伴随企业成长起来的工程技术人员，也积累了大量宝贵经验。

他们熟悉：

• 不同材料的加工特点；
• 不同设备的加工边界；
• 不同行业客户的设计习惯；
• 不同零件的制造风险；
• 不同订单的成本规律。

但是，当这些经验没有被有效沉淀时，企业会遇到一个现实问题：

新人培养越来越慢；

复杂项目越来越依赖少数专家；

优秀工程师离开后，企业能力出现断层。

很多制造企业拥有几十年的生产历史，却依然无法快速回答：

“过去类似零件怎么加工？”

“类似产品过去成本是多少？”

“这个结构以前有没有遇到过问题？”

因为企业拥有数据，却没有真正拥有知识。

制造企业的数据很多，但知识很少

过去制造企业进行了大量数字化建设。

ERP记录订单；
MES管理生产；
PLM管理产品；
CAPP管理工艺。

企业每天产生大量数据。

但很多企业会发现：

数据越来越多，决策却没有明显变快。

原因在于：

数据≠知识。

一份历史报价文件，只是一条记录。

真正有价值的是：

为什么当时这样报价？

为什么选择这种工艺？

为什么这个结构需要调整？

为什么这个零件最终成本超预算？

这些隐藏在数据背后的逻辑，才是制造企业真正需要沉淀的能力。

而人工智能正在改变这一点。

AI正在让制造经验从“个人能力”变成“企业能力”

过去：

经验属于工程师。

未来：

经验可以属于企业。

人工智能最大的价值，不只是帮助员工提高效率，而是帮助企业理解和利用自己的知识资产。

例如：

过去，一个新人需要向老师傅学习几年，才能掌握复杂零件分析能力。

未来，企业可以将历史案例、工艺规则、设备能力、报价经验沉淀到AI系统中。

员工遇到问题时，可以通过AI快速获得企业经验支持。

过去：

报价依赖少数资深工程师。

未来：

AI可以结合历史数据和制造规则，辅助销售和工程人员快速分析成本。

过去：

设计问题往往在生产阶段才被发现。

未来：

AI可以在产品设计早期帮助企业发现潜在制造风险。

这不是替代工程师。

而是让优秀工程师的经验能够被更多人使用。

为什么制造业AI落地不能只靠通用大模型？

很多企业第一次接触AI，会想到：

“我们是不是接入一个大模型，就可以解决制造问题？”

但制造行业有自己的特殊性。

制造问题不是简单的信息问答。

它需要理解：

• 三维结构；
• 材料特性；
• 加工工艺；
• 设备能力；
• 成本规则；
• 企业经验。

一张机械零件图，不只是图片。

它包含制造语言。

一个报价数字，也不只是结果。

它背后包含企业多年形成的判断逻辑。

因此，制造业AI需要结合行业知识、企业数据和业务流程。

只有理解制造，AI才能真正服务制造。

从“拥有软件”到“拥有智能能力”

过去，企业数字化建设主要解决：

流程在线化；

数据集中化；

管理规范化。

而AI时代，企业需要进一步考虑：

如何让数据产生智能？

如何让经验持续积累？

如何让企业能力不断进化？

未来，每一家制造企业都可能拥有自己的AI助手。

它了解企业的：

产品；

设备；

工艺；

供应链；

客户需求。

它不是一个简单的软件工具，而是企业制造能力的智能延伸。

立谱智造：让制造经验真正成为企业资产

立谱智造长期关注人工智能与制造行业结合，希望通过工业AI技术，帮助制造企业将分散的工程经验、业务规则和历史数据转化为可持续利用的智能能力。

围绕非标零部件制造场景，立谱智造正在探索：

• AI图纸理解；
• AI DFX分析；
• AI成本分析；
• AI智能报价；
• 企业制造知识库；
• 工业智能体应用。

未来，制造企业不只是拥有设备和产线，更需要拥有自己的智能制造能力。

因为真正决定企业长期竞争力的，不只是今天拥有多少设备。

而是：

企业过去几十年积累的经验，能否在AI时代继续创造价值。

过去三十年，中国制造业快速发展，形成了全球领先的产业链和供应链体系。在这一过程中，大量制造企业积累了丰富的工程经验、工艺知识和生产数据。

一名资深工程师可能能够根据一张零件图纸，快速判断加工难点；一名报价人员可能凭借多年经验，在短时间内估算加工成本；一名工艺工程师能够结合设备能力、材料特性和生产经验，制定合理的加工方案。

这些能力，是制造企业长期竞争力的重要来源。

但与此同时，制造企业也面临一个新的挑战：

这些经验大量存在于工程师个人的大脑中，分散在历史报价文件、工艺卡片、Excel表格以及不同的信息系统中。

当企业规模扩大、业务增长、人员流动增加时，如何让这些经验被复制、沉淀和持续利用，成为制造企业数字化升级过程中必须面对的问题。

人工智能技术的发展，为解决这一问题提供了新的可能。

AI不只是帮助企业提高办公效率，更重要的是，它正在逐渐进入制造业务核心环节，帮助企业理解工程数据、辅助专业决策，并将企业多年积累的制造经验转化为可持续使用的智能能力。

制造企业为什么需要AI？

与互联网、电商等行业相比，制造业的数据更加复杂。

一张机械零件图纸，包含尺寸、公差、材料、结构、表面处理、加工要求等大量信息；

一个生产任务，涉及工艺路线、设备能力、人员经验、生产周期等多个因素；

一次准确报价，需要综合考虑材料成本、加工工时、设备折旧、工艺难度以及企业历史经验。

这些任务并不是简单的信息查询，而是需要大量专业知识和工程判断。

目前，大量制造企业在业务过程中仍然存在以下问题：

1. 报价响应速度慢

工业制造企业每天都会接收到大量客户询价。

销售人员需要将客户图纸交给工程部门评估，再由工程师判断加工工艺、核算成本，最终形成报价。

由于零件结构复杂、加工方式多样，报价过程高度依赖工程师经验。

对于订单竞争激烈的市场环境而言，报价速度直接影响企业获取订单的能力。

2. 工程经验难以复制

制造企业最大的资产之一，是多年积累的工程经验。

但传统模式下，经验往往属于个人。

优秀工程师能够快速判断的问题，新员工可能需要几年时间才能掌握。

企业希望培养人才，但制造知识传承成本高、周期长。

如何让企业经验从“个人能力”变成“组织能力”，成为AI进入制造领域的重要价值。

3. 产品设计与制造之间缺少智能连接

很多制造问题，并不是发生在生产阶段，而是在设计阶段。

例如：

• 某些结构是否适合加工？
• 某些位置是否会增加加工难度？
• 某些尺寸是否存在制造风险？
• 当前设计是否会导致成本增加？

如果这些问题能够在产品设计早期被发现，企业可以减少后续修改成本，提高产品开发效率。

从数字化管理到智能化决策

过去几十年，制造企业进行了大量数字化建设。

ERP帮助企业管理资源；
MES帮助企业管理生产过程；
PLM帮助企业管理产品生命周期。

这些系统解决了制造企业的数据管理和流程管理问题。

但随着人工智能技术的发展，制造企业正在进入新的阶段：

从“记录数据”走向“理解数据”。

传统软件更多回答：

“数据在哪里？”

而AI进一步回答：

“这些数据意味着什么？”

“下一步应该怎么做？”

例如：

传统系统可以保存历史报价记录；

AI可以基于历史数据分析报价规律，辅助工程人员进行成本判断。

传统系统可以保存工艺文件；

AI可以结合零件特征和企业规则，辅助生成工艺建议。

传统系统可以保存设备信息；

AI可以帮助企业根据生产任务匹配合适资源。

AI正在成为制造软件能力的重要延伸。

立谱智造：探索制造业AI应用新模式

立谱智造长期聚焦人工智能与制造行业结合，围绕工业零部件制造场景，探索工业AI技术的实际应用。

我们认为，制造企业应用AI并不是简单接入一个通用聊天机器人，而是需要结合企业自身业务特点，将工业知识、工程规则和企业数据融合。

因此，立谱智造持续建设面向制造领域的AI能力体系：

• 工业领域知识理解能力；
• 零部件结构分析能力；
• 制造规则推理能力；
• 企业知识库管理能力；
• AI智能体应用能力。

通过AI技术帮助制造企业提升研发、工程、报价等核心业务环节效率。

面向制造企业的AI SaaS平台

过去，企业建设AI系统通常采用私有化定制模式。

这种方式能够满足大型企业深度需求，但同时也存在：

• 建设周期较长；
• 初期投入较高；
• 需要大量数据准备；
• 对企业数字化基础要求较高。

对于大量中小型制造企业而言，他们更希望：

“先快速体验AI价值，再逐步深入建设。”

基于这一需求，立谱智造正在推出面向制造企业的AI SaaS平台。

通过云端化、模块化的产品方式，让制造企业无需进行复杂部署，即可快速使用AI能力。

SaaS版本核心能力

AI企业知识库

帮助企业沉淀：

• 历史报价数据；
• 工艺文件；
• 材料信息；
• 设备能力；
• 企业规则。

将分散的制造经验进行数字化管理，让企业知识能够持续积累。

AI制造助手

面向工程、销售、管理人员提供智能辅助。

企业员工可以通过自然语言方式查询制造知识、分析业务问题，提高工作效率。

例如：

“这个零件适合采用什么加工方式？”

“类似零件过去报价是多少？”

“这个结构有哪些制造风险？”

AI可以结合企业知识进行辅助分析。

AI辅助报价

针对工业制造企业报价场景，AI可以结合零件信息、材料、加工要求以及企业历史数据，辅助进行成本分析。

帮助企业缩短报价周期，提高市场响应速度。

AI DFX分析

在产品设计阶段，AI可以辅助分析制造可行性。

帮助工程人员提前发现：

• 加工困难区域；
• 结构优化方向；
• 潜在制造风险。

推动制造企业从“生产问题解决”向“设计阶段预防”转变。

SaaS与私有化部署如何选择？

不同规模、不同阶段的企业，对AI建设需求不同。

对于希望快速体验AI价值、验证业务场景的企业：

SaaS模式能够提供更低门槛的应用方式。

企业可以从一个具体业务场景开始，例如：

报价辅助、知识库建设、工程问答等。

随着应用深入，再逐步扩展更多智能化能力。

对于大型制造企业，涉及复杂业务流程、系统集成和数据安全要求，则可以进一步采用私有化部署方式，建设企业专属AI平台。

两种模式并不是替代关系，而是企业AI建设不同阶段的选择。

制造企业AI应用正在进入新阶段

未来，制造企业的竞争不仅来自设备、产能和供应链能力，也来自企业对于知识和数据的利用能力。

优秀企业积累几十年的制造经验，不应该随着人员变化而流失；

大量历史数据，也不应该只是存储在系统中。

通过人工智能技术，企业可以重新激活这些资产，让经验变成能力，让数据产生价值。

立谱智造希望通过工业AI技术，为更多制造企业提供更加灵活、高效的AI应用方式。

制造业AI时代，不一定需要从大型项目开始。

一次智能报价优化、一份工程知识沉淀、一次设计风险分析，都可能成为企业迈向智能制造的重要一步。