聚焦ESIS丨京东方智能制造企划部部长刘恒博：AI工厂落地经验分享

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，京东方科技集团股份有限公司 智能制造企划部部长 刘恒博先生主题分享“AI工厂落地经验分享”，现将精彩内容整理如下，供参考。

刘恒博  京东方科技集团股份有限公司  智能制造企划部部长

主题分享   AI工厂落地经验分享

本次分享主要分为四个部分：首先，常规介绍京东方制造板块的整体情况；其次，分享AI工厂落地前的核心筹备工作；再次，结合3-4个实际落地案例，重点拆解落地过程中总结的经验、踩过的坑，而非单纯介绍落地成果；最后，对制造业AI应用发展做行业展望。

简单介绍一下京东方制造板块。京东方在行业内拥有较高知名度，目前在全球布局有20条显示产线、十余条整机产线，同时配套建设了三个测试中心与两个研发中心。

值得一提的是，2022年我们福州工厂成功获评世界经济论坛灯塔工厂，2025年武汉工厂入选工信部全国15家智能制造领航工厂之一。

在市场地位上，我们的五大主流核心产品已连续六年稳居全球市场占有率第一，客户群体覆盖国内外头部IT企业及主流互联网平台企业。

接下来我想结合一组行业前沿洞察展开分享。这页内容信息密度较高，数据和观点来源于5月中旬世界经济论坛在湖北荆门举办的灯塔工厂闭门会。会上，达沃斯官方发布了未来十年全球智能工业发展趋势预判，我不逐一拆解细分业务赛道，而是整体归纳为三个发展阶段：行业现状阶段、未来3-5年发展阶段、五年以上长期发展阶段。

目前，全国乃至全球绝大多数制造企业，基本都处于数字化集成、AI试点探索的初级阶段。各行各业的制造企业，都在各业务场景中落地全局数字化应用、开展AI试点探索。但随着AI技术持续迭代，以及制造企业对AI应用认知的不断深化，未来行业必然走向AI与业务协同、数字化系统与AI深度协同的智能化发展路径。

结合达沃斯的行业预判与京东方的实践探索，我们认为，未来智能制造的终极形态，是打造自主可控、生态协同的全域AI场景、AI大脑与AI产业链路。

基于以上行业趋势，我重点分享制造企业落地AI工厂的实战路径。京东方的AI工厂战略自2023年启动布局，2024至2025年逐步落地成型、步入正轨，2026年已在集团制造板块全面铺开。2025年，我们在国内行业中率先明确提出“AI工厂”建设目标，并在旗下多家先进工厂规模化落地可落地、可复用、可推广的产线级AI应用。

但制造业AI落地绝非易事，过程中面临诸多现实问题，我总结为三大核心前置筹备工作。

▶首先是战略与决策层面的支撑。众所周知，数字化、AI转型是典型的一把手工程，但企业高层的支持是否持续、是否坚定，是落地的核心前提。管理层会持续接收各类行业新技术、新概念信息，比如Agent智能体、模型蒸馏、技能微调等各类新技术理念，同时会收到各类咨询机构的行业报告，难免会对企业AI落地进度、投入产出效果产生疑问，不会长期对看不到实际回报的项目持续投入资金与资源。

更关键的是，工业AI与通用AI、分析型AI存在本质区别。工业AI最终必须深度落地生产设备、绑定生产流程，对稳定性、可靠性要求极致严苛。通用AI出现误差、偏差，人工可以修正规避，但产线设备上的工业AI绝对不允许出错，必须做到100%严谨、100%可靠、100%可信。工业场景无法接受概率性结果，比如“设备80%概率故障”“工艺90%概率达标”，一旦出现偏差，造成的生产损失、品质损失无法兜底。

同时，即便高层赋予项目推进的权限与资源，跨部门、跨组织的协同调度、权责划分，也是AI落地过程中必须攻克的现实难题。

其次是组织能力层面的搭建。在大型集团制造体系内推进AI规模化落地，传统IT团队、CIM团队、MES团队本身承担着繁重的日常运营工作，常态化的系统运维、迭代升级、业务支撑工作已占用大量精力。现有团队的知识储备、技术能力、人力资源，是否能够承接全新的AI应用开发、落地、运维工作，是我们面临的核心问题。除此之外，一线工厂的业务人员对AI认知普遍有限，大多仅接触过通用AI工具，不清楚AI在工业场景的落地价值与应用边界，这也是AI工厂落地前亟待解决的认知与能力问题。

由此我们得出核心启示：工业AI落地，不仅依赖技术能力与场景梳理能力，更取决于企业是否具备长期战略定力，是否拥有统一规划、认知清晰、能力匹配的专属组织，承接AI转型落地工作，这是搭建AI工厂的核心基础。

▶第二部分是落地方法论。当前AI技术门类繁多，制造业应用场景繁杂，如何精准匹配场景、选用合适技术、高效落地AI应用，是关键核心问题。为此，我们核心借鉴ISA-95国际制造运营标准架构开展落地。熟悉工业制造的同仁应该了解，ISA-95标准将制造企业从一线生产到集团运营，完整划分为五层架构，分别是现场传感层、设备控制层、生产监控层、工厂运营管理层、企业经营管理层。我们依托这一标准化架构，逐层挖掘AI落地场景与应用价值。

第一层为底层传感层，核心涵盖各类传感器、仪器仪表、工业摄像头等数据采集终端。该层级AI落地的核心前提，是拥有海量、丰富、洁净、高质量的原始数据，我们的视觉AI质检、设备健康度监测等应用，均基于该层级数据搭建。

第二层为设备控制层，核心依托产线PLC、数字化控制系统。该层级主要落地轻量化、自适应的AI应用，比如设备工艺参数自适应调节、逻辑固化的设备预测性维护等场景。

第三层为生产监控与产线运营层，统一以SCADA系统为核心载体，覆盖生产投入、产出、报废、良率、过货等全维度生产指标。依托该层级数据，我们可通过AI快速识别生产异常、预判生产风险，同时落地数字孪生可视化应用。

第四层为工厂MES运营管理集群，核心落地工艺知识模型搭建、生产良率闭环优化、生产流程迭代升级等AI应用。

最顶层为企业经营管理层，深度对接ERP系统，聚焦智能排产、经营分析、成本优化、供应链风险预判等企业级AI应用场景。

▶第三部分是标准化体系建设。行业内谈及智能制造标准化，大多聚焦数据治理，这一点毋庸置疑，因此我不再过多赘述，重点分享另外两大核心标准化建设——业务标准化与组织标准化。

首先是业务标准化，我以AI智能排产场景为例。在实际生产中，AI系统已输出最优排产方案，但时常会突发两类急单需求：一类是事业部提出的客户紧急订单需求，一类是研发部门提出的新品验证关键批次订单需求。面对两类紧急插单场景，优先级如何界定、排产规则如何调整，绝对不能在AI系统上线后临时决策，必须在系统建设前期就完成业务规则的标准化、体系化定义。类似的业务规则贯穿全生产链路，因此业务标准化必须前置于AI系统建设。

其次是组织标准化。传统IT、MES团队可承接部分AI建设与落地工作，但无法覆盖全部场景。在京东方各子工厂的落地过程中，我们发现部分工厂会自主组建数字化、AI小团队，开发落地小型AI应用，最终导致各工厂各自为战、应用零散、标准不一、无法复用。针对这一问题，我们建立了集团统一的组织治理体系：既不限制工厂的自主创新，也杜绝无序开发、重复建设。结合集团资源承载力，明确划分权责边界，界定哪些场景由集团统一建设、统一推广，哪些场景允许工厂自主试点、属地落地，通过持续优化、动态平衡，实现集团AI建设的规范化、有序化推进。

基于战略、组织、方法论、标准化四大核心基础，我们在2026年迭代出京东方最新的AI工厂整体架构。目前集团多家标杆工厂已全面落地该架构，其余数字化、AI基础薄弱的工厂，正基于该架构开展场景试点。整体架构底层为生产一线原始数据采集、数据录入、数据反馈体系，我们将制造业AI应用场景具象划分为六大类：生产计划优化、物料智能供应、智能制造管控、智能质量管理、能耗优化改善、环境安全管控。

这六大场景最终沉淀为我们三大核心AI能力：

第一，数据智能分析能力，打造全域、宏观、长效的生产数据洞察能力；

第二，视觉AI泛化能力，针对面板行业海量图像检测场景，将单一、定制化的检测模型，迭代为可复用、泛化性强的通用视觉模型；

第三，行业知识沉淀能力，一方面深耕多年积累的工艺专家经验，另一方面依托数十条产线的海量生产数据，持续迭代更新企业工艺知识库。

三大核心能力，最终形成从企业经营决策、智能生产计划、全链路运营优化到问题洞察、闭环迭代的完整能力链路，持续支撑工厂智能化、高质量、可持续发展。

接下来我结合三个核心落地案例，重点分享我们踩过的坑、总结的经验以及后续的迭代方向，不赘述常规落地成果。

✔第一个案例，设备预测性维护。我们早期采用传统大数据思路开展落地，为实现精准预判，在设备不同点位加装振动传感器，长期采集海量运行数据，积累6至12个月的设备数据后，通过机器学习、大数据算法挖掘数据异常特征、故障规律，以此预判设备故障风险。我们先后在两家工厂部署40余个机械手监测点位，但落地效果未达预期，项目推进陷入瓶颈。

核心问题在于，自动搬运机械手本身故障率极低，生产过程中故障负样本数据稀缺，无法支撑模型充分训练。同时，我们前期仅盲目采集海量数据，未结合业务场景做精细化拆分与语义定义。

后续我们优化迭代思路，不再单纯堆砌数据，而是深度拆解设备业务动作，将机械手运行流程细化为移动、抬升、负载、下降、释放五大核心动作，针对不同动作维度设置差异化权重，基于时序数据与动作权重，开展精细化、精准化的AI数据分析。

优化后，AI输出的结果不再是单一的概率性故障预判，而是能够精准定位设备故障对应的时间段、运行动作、数据漂移问题，实现从“黑箱预判”到“可解释、可落地、可溯源”的升级。一线工程师可清晰知晓异常成因、问题环节，真正实现AI结果落地复用，这也是我们后续数据智能、设备智能运维的核心迭代方向。目前该方案仍在持续优化迭代中。

✔第二个案例，视觉智能检测。我们面板行业存在海量AOI、ADC图像检测场景，早期落地模式为：针对不同产品、不同型号，单独采集缺陷负样本，逐一训练专属检测模型。该模式最大的痛点是可复制性极差，模型跨产线、跨工厂迁移时，需要重新采集样本、重新训练、重新调试，落地成本极高、复用效率极低。

目前我们重点探索行业先进的大视觉模型方案，摒弃传统负样本训练模式，依托数百万张正常生产的正样本图像训练通用模型，通过正样本特征比对，反向识别缺陷异常。对于存在大量图像检测场景、需要规模化复制落地的制造企业，该模式具备极强的借鉴意义，能够大幅降低模型训练、迁移、推广的时间与人力成本。

✔第三个案例，知识智能与可解释AI。众所周知，传统AI算法多为概率性、预测性输出，存在明显的“黑箱问题”。AI可以输出预判结果，但无法解释推理逻辑、成因依据。比如设备预测性维护场景中，AI预警部件品质存在风险，但无法说明风险来源、异常逻辑，现场管理人员无法精准判断是停机全面点检，还是持续观察、等待故障溯源，实操性大打折扣。

因此，我们正逐步推动传统黑箱AI向可解释性AI（XAI）迭代升级。通过引入资深业务专家、工艺专家深度参与模型迭代，梳理工业业务逻辑、工艺规则、设备原理，嵌入AI推理链路，让AI的每一项预判、每一条建议都具备清晰的业务依据、工艺支撑，实现结果可解释、逻辑可溯源、决策可落地，真正让一线员工愿意用、敢用、能用AI工具。

除以上核心场景外，我们在企业运营层面，也落地了AI知识助手、智能数据分析、智能办公审批等一系列轻量化AI应用，赋能企业全域数字化、智能化升级，这里不展开赘述。

——

最后做简单的行业与企业发展展望。回顾制造业的竞争历程，过去三四十年是规模化产能的竞争，近十年是精益化、数字化、流程标准化的竞争，而未来制造业的核心竞争，一定是AI智能化能力的竞争。

未来制造企业的核心资产，将是高质量的工业数据、稳定充沛的算力资源，以及持续迭代、快速学习的智能升级能力。我们也将持续深耕制造业AI赛道，打磨核心能力、沉淀行业经验，助力企业在未来智能化竞争中稳步前行、长效发展。