聚焦ESIS丨先导科技集团CIO马泉：先进制造数智化AI实践

ESIS 2026第六届中国电子半导体数智峰会已于广州隆重举办。本届峰会立足大湾区半导体产业转型需求，搭建上下游交流平台，聚焦智造、芯片研发、供应链安全与全球化发展，凝聚行业共识，破解数字化转型痛点，强化产业链协同，助力提升区域半导体产业核心竞争力。

开幕式论坛上，先导科技集团有限公司 CIO 马泉先生主题分享“先进制造数智化AI实践”，现将精彩内容整理如下，供参考。 

马  泉  先导科技集团有限公司 CIO

主题分享  先进制造数智化AI实践

先导科技集团成立于1995年，目前旗下拥有两家上市公司、六大事业部，业务布局覆盖电子科技、光电子科技、半导体材料、医疗科技、材料科技、科学仪器六大板块。

今天我分享的主题是先进制造业的数智化落地实践。大家都能感受到，生成式AI这两年非常火热，借助AI生成文档、数据分析，包括腾讯WorkBuddy 等各类工具，确实给我们带来不少办公便利。但落到制造业，真正能够产出业务价值的场景其实并不多。放到半导体制造行业，我们真正关心的是：AI 能不能解决良率问题、能不能优化工艺、能不能改善基差、优化配方，这些才是核心。

在我们公司内部，像WorkBuddy这类AI工具，更多解决的是个人、局部办公效率。我们真正追求的是业务价值落地。因此，我们评估所有AI项目，会重点关注三件事：

1.有哪些具体的AI业务应用场景？

2.AI要解决什么业务问题和痛点？

3.要考虑AI部署之后能解决什么业务问题或者带来什么业务价值?

4.业务价值怎么去量化和评估(ROI) ?

其实这四点是很难做到的。总结来看，制造业AI落地，数据是基础。没有高质量的数据，大模型很难发挥价值。同时要配套适配的算法，沿用成熟的机器学习、深度学习、神经网络，结合高质量数据做良率分析，叠加行业业务规则。最终目标，是帮助企业解决质量问题、降本、提效，实现业务创新。这也是AI在制造业落地的终极目标。

制造业AI落地普遍存在三大难点：

1、数据质量问题。很多制造企业内部系统众多，但系统之间数据没有打通；物料主数据、供应商主数据、客户主数据质量参差不齐。AI 模型遵循“垃圾进、垃圾出”，输入什么数据，就输出什么结果。所以制造业做AI，首先要攻克数据质量；同时企业还存在大量非结构化数据，需要完成语义定义、本体构建。

2、通用大模型的局限性。通用大模型上下文理解、推理能力很强，但很难读懂制造业的业务逻辑、行业场景。以半导体、面板制造为例，必须把业务语义、业务逻辑输入给模型，它才可以完成分析与判断。

3、没有形成业务闭环。不少企业，包括我们自己开发的AI智能体，没有和现有数字化系统打通闭环，没有对接ERP、CRM、PDM。这三点，就是制造业 AI落地的核心痛点。

结合刚才讲的行业共性痛点，再看先导集团自身面临的业务挑战：

第一，部分事业部出现高库存同时伴随高缺货、低交付的矛盾。本质是生产出来的并不是客户、市场真正需要的产品，前端规划和后端计划脱节，直接造成OTD订单准交率偏低。很多半导体企业同样存在交付率不足的问题。老板关心的，不只是把产品做出来，更要把产品卖出去。

第二，主数据质量。这里重点说制造业的 “黄金数据”——物料主数据。物料主数据贯穿产品研发、采购、生产制造、物流配送、交付客户全链路。物料主数据的质量，直接决定企业生产效率与成本管控水平。简单来说：物料主数据治理不到位，数字化、AI 都很难真正落地。

第三，研发效率痛点。我们公司研发人员约三四千人，每年有数百个研发项目，但半数以上研发项目交付不达预期。比如计划6个月完成API芯片导入，实际周期拉长到9‑12个月。背后根源是研发命中率偏低，缺少研发标准化，需求管理不到位。有行业测算，如果企业研发命中率从20%‑30%实现提升，企业利润最高可以提升3倍。

说到研发命中率，根源在于研发标准化缺失，覆盖从产品需求、研发项目管理、物料标准、BOM 搭建全流程。研发分为新产品研发与老产品迭代研发：新产品研发核心输出 BOM 与工艺路线；老产品研发主要目标是降本、工艺效率提升。

物料标准、变更管理、新品导入，都是我们研发环节实实在在的痛点，相信很多制造企业多少都会遇到。我们有事业部服务半导体客户，承接MMSC、半导体器件加工业务，经常出现样品验证通过，但批量订单却做不出来的情况。样品打样可以，量产却失败，核心就是DFM面向制造的设计不足。设计阶段没有充分考量量产关键管控点，导致打样合格，量产良率无法保障。所以必须做好NPI新品导入的设计与量产管理，缩短开发周期、管控不良、实现快速量产。

进入AI时代，IT不再只是搭建系统、编写代码，AI Coding也只是其中一部分。那么制造业的IT，定位到底是什么？我的观点：IT要懂业务、服务业务，要围绕公司战略开展系统与AI建设，最终支撑企业稳健可持续经营，提升产品品质，借助系统和AI降低运营成本、提升经营效率，驱动业务创新，也就是SQCDI目标。

IT第二件核心工作，是搭建流程、标准、规则。无论是传统数字化，还是AI时代，这件事都绕不开。要做好集团主数据统一，美的在多事业部模式下把数据全面打通，就是很好的案例。

AI同样依赖流程与业务规则，只有模型读懂业务，AI才能真正发挥作用。在此基础之上，再搭建业务系统、AI智能体，落地企业架构、业务架构、应用架构、数据架构、技术架构，以及各类AI业务场景。这就是AI时代，信息化、数字化团队的核心工作。

那 IT 团队需要具备什么能力？我在华星光电负责 IT 的时候就深有体会：质量人员不一定写代码，但必须懂统计分析、懂SPC、懂业务，业务人员深度参与，IT项目才能落地。IT团队除自身技术能力外，还需要补齐OT与IE能力。OT，代表懂工艺、懂设备、懂制程；IE代表精益管理。举个实例，我们在淮安接手一座12寸晶圆厂复产复工，要建设MES、EAP 系统。如果不懂生产工艺、不懂产线流程，根本无法搭建可用的系统。所以IT人员既要懂设备、懂生产，也要懂精益研发、精益管理。

行业对标，不管在华星还是先导，我们都会学习美的数字化实践。美的“632”数字化战略2012年启动数字化变革，支撑企业多年保持20%‑30%的增长。很多企业数字化系统尚未建设完整，就急于做 AI，最终只能依靠Agent、WorkBuddy提升个人办公效率，很难产生业务价值。必须先建好业务系统，AI才有可分析的数据基础。美的六大业务系统包含CRM、APS、SRM、MES、ERP、PLM；配套三大管理平台HR、财务、BI，再加两大技术平台。实现集团一千多条流程拉通，150多万物料、3.1万家供应商、9000家客户的数据统一。这些才是企业的核心数字资产。

再看半导体行业，工厂依靠CIM计算机集成制造系统支撑生产运行，面板厂同样使用CIM架构。CIM包含三大核心子系统：第一，YMS 良率管理系统，包含 EDI、SPC、QMS、良率监控、大数据分析等子模块；第二，MES，工厂生产制造的大脑；未来AI有机会对MES能力做增强。MES覆盖自动排产排工、Recipe配方管理、设备管控ADCR、AMS，以及 OEE、FDC设备故障检测；第三，MCS物料控制系统，对接天车、AGV，管理厂内物料流转。一座 FAB晶圆工厂实现智能化、自动化，离不开这套复杂系统底座。

基于实践，我总结了制造业AI建设路径：AI应用，数据优先。

第一步，企业内部结构化、非结构化数据转化为知识、本体，完成实体、语义定义，做好物料、客户、供应商等主数据标准化；

第二步，规范业务流程、业务标准，推动流程系统落地；流程必须在系统内流转留痕，业务数据才会持续产生；

第三步，扎实做好数字化，搭建高质量数字化系统；

第四步，落地 AI 应用，包含数据湖、知识图谱、本体知识库、流程规则、AI Agent。

我把这套落地路径总结为“三化四步骤”。

“三化”：1、系统化 / 信息化：把六大核心业务系统建设到位，业务系统缺失，就没有可靠业务数据，数据不能依靠互联网获取；2、数据化、知识化：把系统产生的数据进一步加工，沉淀为企业知识；3、智能化。

“四步骤”：第一，搭建数字化基础设施；第二，搭建知识图谱、知识库与本体；第三，定义算法模型与业务规则；第四，实现智能决策、智能制造。

下面聊数据建设路线图。AI 三要素是数据、算法、算力。算力可以采购，Token可以采购；算法也可以聘请人员做调优。制造企业基本不会自研大模型，更多聚焦模型应用。制造企业真正稀缺的是高质量业务数据。数据从哪里来？来源于MES、ERP、FDC、PLM等业务系统；通过ETL抽取汇聚到数据平台；第二步做数据整合，梳理形成生产、经营、财务，以及外部第三方数据；第三步做数据融合。AIGC时代大量非结构化多模态数据，语音、视频、PPT、文档，需要和业务系统的结构化数据融合，覆盖生产、销售、运营、研发、品质、环境全领域，最终实现AI协同，打通供应链、研发、生产。

AI 落地，我认为有两大最高方向：

物理 AI：给FAB工厂设备装上“大脑”。当前FAB厂天车、AGV等设备，本身没有决策能力，只接收 MES下发指令。未来物理AI，要让设备具备自主决策能力。

产业协同：实现产销平衡，做到研发、生产、销售有效匹配。

传统认知AI三要素是数据、算力、算法。结合制造业实践，我提出制造业 AI四要素：数据、算力、算法模型、业务场景。我们企业重点关注两块：第一是AI数据，基于数据输出市场报告，沉淀研发工艺 Know‑How，支撑财务与管理决策，这部分和传统 BI 能力有重叠；第二是AI场景，在产线落地 AI 与大数据，做工艺优化、良率改善、基差控制、配方管理。WorkBuddy 这类通用 AI 工具我们也在用，但不是业务价值的核心，更多是个人效率工具。

放眼全球，大模型主要来自中美两地，头部大模型海外居多，国内我们也有豆包、元宝、千问、DeepSeek、Kimi等主流模型。对美的、比亚迪以及我们这类制造企业，自研大模型并不现实。IT数字化团队核心任务，是用好现有大模型、算法，实现业务增值。

现在多数制造企业AI应用，集中在AI问数、AI对话、AI编码、AI视觉、图像生成、效率工具平台。真正解决良率、工艺优化的场景依然偏少。

下面分享先导集团内部部分AI落地场景。

第一个场景：销售知识库。知识库建设首先要做知识入库，数据源来自CRM等销售业务系统；其次是方案文档、PPT、产品手册等大量非结构化文档。我们把销售全流程拆解为15个业务环节，每个环节需要对应资料文档。但在项目推进中我们发现，销售团队能够提供的资料不足三分之一，三分之二环节资料缺失。数据质量短板，直接制约销售 AI 赋能效果。

第二个场景，良率提升真实案例。去年某事业部磷化铟产品良率偏低，管理层希望借助大数据实现良率改善。我们采用机器学习、深度学习，拆解人、机、料、法、环各类良率影响因子，做多因子分析，通过模型比对良率特征差异，定位根因。

第三个场景，销售预测。生产计划失准、订单准交率低，很多时候根源不是生产端，而是销售预测不准，产销数据没有打通。前端输出滚动销售预测，PMC 计划部门基于预测制定日 / 周滚动生产计划，再输出物料需求计划。物料不齐套，产线就会停工；再向下输出采购计划、生产排产，最终完成订单交付。生产协同，根基就是数据。

关于销售预测，我之前和IBM顾问交流，销售预测落地难度很高，行业有成熟方法论，也就是C139 销售赢单预测模型：1 个决定力指标、2 个趋赢力指标、3 个必清事项。

·1 个决定力指标：搞定客户最高决策者，商机转化率会显著提升；

·2 个趋赢力指标：客户项目关键人员协助方案策划；项目主管及多数部门人员支持我方，这两项达成，项目可拿到较高得分；

·3 个必清事项：充分掌握客户预算、招标、采购流程；完成关键节点攻关拜访；充分调研竞争对手。这三项属于销售基础工作，权重占比相对有限。

我之前在华星光电，面板大厂、12 寸晶圆厂才是真正意义上的Toto3全自动工厂，车间少人化，自动上下料、自动派工、自动排产。这里就需要用到3PR 模型，把工艺路线、工序工部、工艺资源、工艺配方、数据采集方案完整定义，支撑自动化运行。这些配置写入 MES，由 MES 下发指令。现在的全自动产线，本质是预先定义工艺路线，由程序执行，还不是真正人工智能。未来要做的，就是给设备、AGV 装上自主决策的大脑。

3PR模型的数据治理这里不展开。采购支出分析，老板重点关注采购流程、成本核算，前提是流程跑通，才能沉淀采购数据，实现采购降本。CRM知识库搭建、QMS质量管理体系，半导体行业质量是生命线，包含YMS良率系统，都需要体系、流程、数据三位一体支撑。

生产流程自动化，只有流程无断点，持续产出可靠业务数据，AI Agent才有落地基础。所以所有智能体，底层根基都是流程与高质量数据。

物料主数据治理、数据湖建设、知识图谱与本体构建，都至关重要。很多工厂采购了天车自动化硬件，却跑不起来。自动化硬件只是硬件，想要真正运转，需要工艺稳定、BOM 准确、MES 系统完备，智能排产、自动派工能力到位。未来 AI 的目标，就是让 FAB 厂设备真正拥有智能。

还有 ADC 机器视觉检测，依托机器学习落地。最后，分享企业管理层重点关注的 11 个 AI 应用场景。