制造业正站在 AI 变革的十字路口。大模型技术的爆发式发展，让"AI 落地工厂"从概念变成了可操作、可量化的现实。但大多数制造业管理者面临的困境是：知道 AI 重要，但不知道从哪入手；听说过 ChatGPT，但不清楚大模型和自己的产线、供应链、质量管理有什么关系；想推动团队用 AI 提效，但自己也没系统学过。

这门课解决的就是这个问题——用 2 天时间，帮制造业部门负责人完成从"AI 认知"到"AI 实操"的跨越。

【课程目标】

1. 建立完整的 AI 认知框架：从 AI 发展简史到大模型原理，让管理者"知其然也知其所以然"

2. 掌握 AI 能力分级体系（L1-L5），能判断什么场景用什么级别的 AI 方案

3. 通过 L1-L2 级实操演练，让每位学员带着"自己能用起来"的技能离开课堂

4. 理解制造业 AI 智能体的搭建逻辑，为后续 L3-L5 级落地打下基础

【学员收益】

• 能讲清楚 AI 的发展脉络和大模型的核心原理

• 能判断一个业务场景适合用 L1-L5 哪个级别的 AI 方案

• 掌握至少 5 个 AI 提效实操技能（提示词工程、AI 写作、数据分析、文档处理、PPT 制作）

• 获得一套"AI 落地制造业"的路线图，知道回去后第 一步做什么

一、AI 的三次浪潮与两次寒冬

1. 第 一次浪潮（1956-1974）：符号主义与专家系统

图灵测试、达特茅斯会议、专家系统在制造业的失败教训

2. 第二次浪潮（1980-1987）：神经网络与反向传播

BP 算法突破、日本第五代计算机计划为何失败

3. 第三次浪潮（2012-至今）：深度学习 + 大模型

AlexNet 开启深度学习时代、Transformer 论文的革命性意义、ChatGPT 的"iPhone 时刻"

二、大模型到底是什么——用制造业的语言讲清楚

1. 大模型的本质：一个"超级预测下一个词"的机器

用产线补货预测做类比，理解大模型的核心原理

2. 大模型三要素：数据、算力、算法

数据（"吃"了什么）、算力（训练 GPT-4 的电费够工厂开多久）、算法（Transformer 为什么是工业革命级发明）

3. 主流大模型一览（2025-2026）

海外（GPT-5、Claude 4.5、Gemini 2.5）vs 国内（DeepSeek V4、通义千问 3.0、文心 5.0、Kimi K2），开源 vs 闭源的选择

一、为什么需要分级——制造业 AI 落地的"最 大坑"

1. 典型问题：一上来就想做"全自动无人工厂"

特斯拉柏林工厂的教训、丰田"自働化"哲学：人机协作，不是人机替代

2. L1-L5 分级框架的起源

借鉴自动驾驶分级（SAE L0-L5）的思路，映射到制造业 AI 应用

二、L1-L5 逐级详解（制造业场景版）

注：本课程 L1-L5 分级框架参考业界 AI Agent 能力分级共识，结合制造业应用场景定制，非国家标准定义。目前国内已发布《人工智能终端智能化分级》（GB/Z 177—2026，L1-L4）和《智能助手类智能体安全分级规范》（L1-L5），但制造业 AI 应用分级尚无国标。

1. L1 辅助：AI 提供信息/建议，人做决策

写周报、查国标、翻译文档、整理纪要——会用浏览器即可，零代码

2. L2 增强：AI 深度参与分析和创作，人做决策

分析产线数据、编写 SOP、竞品分析——需要提示词能力

3. L3 协作：人机共同完成复杂任务，AI 可执行部分决策

智能排产、质量检测辅助、供应链风险预警——需要业务流程梳理+数据对接

4. L4 自主：AI 独立完成端到端任务，人只做异常干预

自动生成采购订单、预测性维护、自动质量报告——需要 AI 智能体架构+系统集成

5. L5 原生：AI 全面接管运营，人做战略决策

全流程 AI 工厂（如西门子安贝格工厂的演进方向）——制造业尚未实现

三、制造业 AI 落地路线图

1. 先 L1-L2，再 L3-L4——"先跑起来，再跑快"

比亚迪的 AI 推进路径：从"AI 辅助办公"到"AI 智能工厂"

2. 不同部门的 AI 起点建议

生产/质量/设备 → L1 起步，优先 L2 数据分析；供应链/采购 → L1 起步，优先 L2 文档处理；HR/财务/行政 → L1 起步，优先 L2 报告生成

一、提示词工程——和 AI 对话的"制造业话术"

1. 好提示词 vs 差提示词的差距

用制造业真实场景对比演示：差提示词"帮我写个报告"→ AI 泛泛而谈；好提示词→ 精准输出

2. 提示词四大要素：角色、任务、约束、格式

角色（你让 AI 扮演谁）、任务（你要 AI 做什么）、约束（字数/风格/数据范围）、格式（表格/报告/邮件/PPT 大纲）

3. 制造业高频提示词模板

周报/月报模板、技术文档翻译模板、会议纪要整理模板、国标查询解读模板

二、实操演练 1：AI 辅助写作（30 分钟）

1. 任务：用 AI 写一份"本月产线异常停机分析报告"

学员根据模拟数据撰写提示词，对比 AI 输出并讨论优化方向

2. 讲师点评：常见提示词错误及改进方法

三、实操演练 2：AI 辅助信息检索与分析（30 分钟）

1. 任务：用 AI 查询国标核心要求，与公司现状做对比

学员选择本部门相关标准（如 ISO 9001、IATF 16949），生成"差距分析表"

2. 讲师点评：AI "幻觉"风险及交叉验证方法

一、AI 数据分析——不用 Excel 公式也能做分析

1. 制造业常见数据分析场景

不良率趋势分析、设备 OEE 波动分析、供应商交期准时率分析

2. 实操演练 3：AI 数据分析（40 分钟）

给模拟产线数据（CSV 格式），用 AI 完成数据清洗、趋势分析、可视化建议

3. 讲师点评：AI 数据分析的边界（什么能做、什么不能做）

二、AI 读文档——让 AI 帮你"啃"几百页的技术文档

1. 制造业文档处理痛点

设备说明书（几百页英文 PDF）、合同条款审查、SOP 标准作业程序编写

2. 实操演练 4：AI 文档处理（40 分钟）

任务 1：上传英文设备说明书，提取关键参数并翻译；任务 2：上传合同，标注风险条款；任务 3：口述操作流程，让 AI 生成标准 SOP

三、AI 做 PPT——从"一天做一页"到"十分钟做一套"

1. 实操演练 5：AI 辅助 PPT 制作（30 分钟）

用 AI 生成"Q2 质量改进计划"PPT 大纲+每页内容，调整优化后导入 PPT 工具

2. 讲师点评：AI 做 PPT 的"二八法则"——AI 做 80%，人做 20% 的关键判断

一、什么是 AI 智能体（Agent）

1. 智能体 vs 聊天机器人：本质区别

聊天机器人：一问一答，无记忆，无行动；智能体：有目标、有记忆、能调用工具、能执行多步骤任务

2. 智能体核心架构

大脑（LLM 推理决策）、记忆（短期+长期上下文）、工具（API/数据库/文件操作）、规划（任务分解与执行）

二、制造业 AI 智能体的典型场景

1. 智能排产 Agent

订单+产能+物料+交期 → 优化排产计划+冲突预警（案例：某汽车零部件厂）

2. 质量预测 Agent

传感器数据+历史不良记录 → 不良率预测+调参建议（案例：富士康 AI 质检）

3. 设备维护 Agent

运行数据+维修记录 → 预测性维护计划+备件采购建议（案例：西门子 MindSphere）

4. 供应链风险 Agent

供应商数据+物流+市场情报 → 风险预警+替代方案建议

三、从 L2 到 L3 的"第 一步"

1. 选试点场景的标准

高频、数据可得、容错率高——推荐起点：设备维护提醒 Agent 或质量日报自动生成 Agent

2. 技术选型建议

开源框架（LangChain、Dify）vs 企业平台（钉钉/飞书/企业微信 AI），制造业优先选"低代码+企业平台"路线

一、AI 时代管理者的三个思维转变

1. 从"经验驱动"到"数据+AI 驱动"

老师傅的经验数字化 + AI 辅助决策，让隐性知识显性化

2. 从"替代焦虑"到"增强思维"

AI 替代的不是人，是不会用 AI 的人；管理者的新角色：AI 的"指挥官"，不是"操作员"

3. 从"一次性项目"到"持续进化"

AI 不是上一个系统就完事了，建立"AI 月度复盘"机制：用了什么、省了多少、下月试什么

二、制造业 AI 落地的常见坑与避坑指南

1. 数据没准备好就上 AI

"垃圾进、垃圾出"——先做数据治理，再做 AI 项目

2. 追求"一步到位"的 L4/L5

L1-L2 没跑通就上 L3，必死——先让团队"用起来"，再谈"智能化"

3. 忽视人的因素

一线员工抵触：觉得 AI 要抢饭碗——解法：让员工参与 AI 项目设计，成为"AI 训练师"而非"被替代者"

4. 选错技术路线

制造业不需要"最 先 进的模型"，需要"最稳定的方案"——私有化部署 vs 云端 API，数据安全优先

三、课后行动清单

1. 本周：用 AI 完成 3 件日常工作（写周报、查标准、翻译文档）

2. 本月：在部门内做一次"AI 提效分享会"，展示你用 AI 省了多少时间

3. 本季度：识别 1 个 L2 级 AI 应用场景，启动试点

4. 半年：完成 1 个 L3 级 AI 智能体 POC（概念验证）

一、数据安全红线

1. 什么数据不能"喂"给 AI

商业秘密（配方、工艺参数、客户名单）、个人隐私数据（员工信息、客户信息）、受控技术资料（军工、出口管制相关）

2. 公有云 AI vs 私有化部署的安全对比

DeepSeek、通义千问等主流平台的数据处理政策；企业级私有化部署方案简介

二、AI 输出的合规风险

1. AI "幻觉"的制造业风险

AI 编造不存在的国标条款、给出错误的安全操作建议——防范措施：AI 输出必须人工复核，关键决策不能交给 AI

2. 版权与知识产权

AI 生成内容的版权归属、用 AI 写专利/技术文档的注意事项

三、制造业 AI 伦理

1. AI 决策的透明度和可解释性

2. 员工 AI 使用规范建议（企业可参考制定内部 AI 使用守则）

一、综合实战：模拟"AI 落地提案"

1. 任务：每组选择一个真实业务场景，输出"AI 落地提案"

场景描述（痛点是什么）→ AI 方案设计（L1-L5 级别+工具）→ 预期收益（省多少时间/降多少成本）→ 实施路线图（第 一步做什么、需要什么资源）

2. 小组展示 + 讲师点评

二、课程回顾

1. 两天核心知识点串讲

AI 简史→大模型原理→L1-L5 分级→L1 实操→L2 实操→智能体→安全合规

2. 关键公式

AI 落地成功率 = 认知对齐 × 场景选择 × 数据准备 × 人的因素

总结和答疑

一、课程核心要点回顾

二、学员自由提问与答疑

三、课后学习资源推荐

AI 工具推荐清单（免费+付费）、推荐阅读/课程、制造业 AI 案例库（持续更新）

说明 1：本课纲为 2 天（8 讲）完整版。如调整为 1 天（4 讲），建议保留第 一至四讲，第五至八讲内容压缩为课后资料。

说明 2：L1-L2 实操环节需学员自备笔记本电脑，并提前注册至少一个 AI 工具账号（具体工具清单开课前一周发送）。

说明 3：课程中所有制造业案例均基于公开可查的企业实践，不涉及任何客户的商业秘密。