焦波老师  AI+数字化转型资深顾问、前麦肯锡战略顾问

焦波老师，商业讲师、制造业AI与产业链研究专家

专注制造业AI应用落地、产业链生态研究，深耕机器人、芯片、AI产业协同领域，熟悉金融服务与产业结合的核心痛点，擅长以实战视角拆解产业逻辑、赋能业务对接与金融服务优化。

本课程旨在帮助金融从业者及相关管理人员，全面掌握当前制造业AI的实际应用现状，精准区分AI落地场景与未来趋势，清晰拆解机器人、芯片、AI产业的运作模式，深度理解三者与制造业的协同逻辑。课程覆盖从制造业AI应用（宏观+实操）、产业链运作模式到金融服务适配的全链条内容，聚焦AI落地场景、产业链核心环节、金融服务切入点三大核心方向。

学员将通过政策解读、案例剖析、产业链拆解和实战研讨，明确制造业AI应用的实际水平，掌握机器人、芯片、AI企业的核心运作逻辑，找准金融服务与产业结合的关键节点，提升对接制造业客户、洽谈业务合作的能力，助力优化金融服务方案，精准匹配产业需求。

课程结合国内外前沿实践、标杆企业案例与金融服务实操经验，融入产业一线数据，帮助学员直观理解制造业AI应用全景与产业链运作本质，同时配套实战研讨环节，确保理论知识转化为实际业务能力，兼顾产业深度、实操细节与金融适配性。

模块一（认知奠基：制造业AI应用全景扫描）—— 第 一天

模块二（深度拆解：机器人、芯片、AI产业运作模式）—— 第二天

模块三（实战落地：业务对接、趋势预判与金融服务适配）—— 第三天

模块一：认知奠基：制造业AI应用全景扫描（第 一天）

导入：AI时代制造业的核心命题——应用落地与产业协同

习主席在上海“模速空间”的重大判断：人工智能技术加速迭代，正迎来爆发式发展，深度赋能制造业转型升级

国务院《人工智能+行动意见》与制造业AI应用政策导向，以及对金融服务的带动作用

当前制造业AI应用的核心痛点：应用不均衡、落地不深入、认知有偏差，以及对业务对接、金融服务的影响

核心需求对接：金融从业者了解制造业AI应用的核心意义——精准对接客户、优化金融服务

一、 全球与中国制造业AI应用宏观格局

1.  全球制造业AI应用发展态势：主要国家（中美欧）应用水平对比，核心差距与优势

美国、德国制造业AI应用侧重（高端制造、产业链协同），中国制造业AI应用特点（场景广泛、政策驱动、成本优势）

中国信通院2024年发布的《人工智能发展报告》核心数据：制造业AI应用已从“可选创新”变成“必选升级”，重点行业AI应用渗透率逐步接近50%

2.  中国制造业AI应用的宏观现状：行业分布、区域差异、整体成熟度

重点行业（汽车、电子、机械、化工）AI应用渗透率对比，龙头企业与中小企业应用差距

区域分布：长三角、珠三角制造业AI应用领 先，中西部逐步追赶的格局

宏观层面核心结论：AI已渗透制造业全链条，但应用深度不足，区域、行业、企业间不均衡，为业务对接与金融服务提供广阔空间

二、 制造业AI应用的政策支撑与产业环境

1.  国家层面政策解读：《人工智能+行动意见》《“十四五”智能制造规划》（十五五重点趋势研判）等，明确AI应用的重点方向与扶持政策

地方政府配套政策：苏州、上海等地对企业引入AI设备的补贴政策（最 高500万补贴），带动AI应用落地节奏

2.  产业环境支撑：工业传感器价格下降80%、5G工厂覆盖率超60%，为AI应用落地奠定基础设施基础

3.  政策对金融服务的导向：鼓励金融机构加大对制造业AI应用、核心产业链（机器人、芯片）的支持力度，如工行、交行的专项金融服务方案[4]

三、 宏观层面AI应用的核心价值与现存问题

1.  宏观价值：推动制造业降本增效、产业升级，培育新质生产力，重构行业竞争格局

麦肯锡2025年调研数据：制造业中应用AI的环节，平均人工成本降低40%-60%，生产效率提升2-3倍

2.  现存宏观问题：应用碎片化、标准不统一、核心技术对外依赖（芯片、高端算法），以及对金融服务的核心需求痛点

一、 制造业AI已落地应用场景（重点拆解，适配业务对接需求）

1.  生产制造环节（应用最成熟，占比最 高）

AI质量检测：电子、半导体行业的AI视觉检测，替代人工，缺陷率平均降低99%，检测效率提升10-100倍，如深圳电子元件厂案例

AI生产调度：通过算法优化排产，解决“设备等料、料等设备”的痛点，设备利用率提升20%以上，如汽车零部件厂案例

设备预测性维护：AI监测设备运行数据，提前预警故障，减少停机损失，如电子厂贴片机运维案例

工艺优化：AI模拟生产过程，优化参数组合，提升产品合格率，如钢铁厂热轧工艺优化案例，一年节省1.2亿元原材料成本

2.  供应链与物流环节（应用逐步成熟）

AI需求预测：基于历史数据，精准预测原材料需求、产品销量，降低库存积压，如阿里供应链AI预测案例

智能仓储与物流：AGV智能小车、自动化立体仓库，提升仓储、出库效率，如三一集团案例

3.  研发与设计环节（应用处于上升期）

AI辅助研发：缩短研发周期，降低研发成本，如汽车、机械行业的AI仿真设计

4.  管理与决策环节（应用不均衡，龙头企业领 先）

AI决策驾驶舱：整合全流程数据，为管理层提供精准决策支持

智能人力管理：AI优化排班、人员招聘，适配制造业用工需求

二、 制造业AI应用实操层面的核心特点

1.  应用程度分层：龙头企业（如三一集团、索菲亚家居）已实现全流程AI渗透，中小企业以单点应用为主（如仅引入AI质检）

2.  实操痛点：中小企业AI应用门槛高（成本、技术、人才），落地效果不及预期，依赖外部服务与金融支持

轻量化应用成为中小企业首 选：如实在Agent搭配普通工业相机实现低成本AI质检，无需庞大IT团队运维

3.  业务对接关键点：不同行业、不同规模企业的AI应用需求差异，精准匹配客户痛点（降本、提质、增效）

三、 制造业AI应用的未落地场景与未来趋势

1.  短期趋势（1-3年，即将落地）

中小企业AI轻量化应用普及：低成本、易操作的AI工具广泛应用，降低转型门槛

多场景AI协同：生产、供应链、研发等环节AI联动，实现全链条智能化

具身智能初步落地：机器人与AI深度融合，应用于复杂装配、高危作业场景

2.  长期趋势（3-5年，未来方向）

通用AI大模型与制造业深度融合：定制化大模型适配不同行业场景，如DeepSeek在制造业的深度应用

数字孪生与AI结合：实现工厂全流程虚拟仿真、实时优化，推动“黑灯工厂”规模化落地

量子增强型AI模型应用：提升机器人决策响应速度，降低容错率，适配高精度制造场景

3.  趋势对业务对接、金融服务的影响：提前布局轻量化应用、大模型适配、具身智能等领域，抢占市场先机

第 一天总结与答疑

核心回顾：制造业AI应用宏观现状、实操落地场景、应用程度分层与未来趋势

Q&A：针对AI应用场景、落地程度等疑问，结合业务对接需求解答

模块二：深度拆解：机器人、芯片、AI产业运作模式（第二天）

导入：三大产业与制造业的协同逻辑——核心支撑与价值共生

机器人、芯片、AI产业是制造业AI应用的核心支撑，三者协同运作，决定制造业数字化转型的深度与速度

核心需求对接：领导关注的产业链运作模式核心——企业盈利逻辑、协同关系、核心痛点，为金融服务提供依据

实战任务布置：结合金融服务需求，梳理三大产业运作中的核心资金需求、风险点，带着问题学习产业运作模式

一、 AI产业核心产业链构成（上中下游）

1.  上游：核心技术层（算法、算力、数据）

算法：通用算法、行业定制算法（制造业专属算法），研发主体（高校、科研机构、头部企业）

算力：GPU、CPU等算力硬件，依赖芯片产业支撑，智算中心建设成为算力核心载体

数据：制造业标注数据、行业数据集，数据安全与合规要求

2.  中游：AI技术产品层（AI模型、AI工具、AI解决方案）

核心企业类型：通用AI企业（提供基础模型）、行业AI企业（聚焦制造业场景，如实在智能）

产品形态：标准化AI工具（如AI质检软件）、定制化解决方案（如全流程AI生产方案）

3.  下游：场景应用层（制造业及其他行业落地）

落地模式：直接对接制造企业、通过工业互联网平台落地、与机器人企业协同落地

盈利核心：产品销售、服务费、定制化开发费、数据增值服务

二、 AI企业核心运作模式（聚焦制造业场景）

1.  研发模式：自主研发、产学研合作（与高校、科研机构合作突破核心技术）、技术引进与迭代

头部企业策略：巨额融资投向底层技术研发，如星海图将融资用于具身基础模型研发与数据体系建设

2.  盈利模式：三种核心模式（产品驱动、服务驱动、解决方案驱动），适配不同规模AI企业

中小企业：以标准化产品、轻量化服务为主，降低研发成本，快速抢占市场

头部企业：以定制化解决方案为主，搭配技术服务，提升盈利空间，如工行合作的AI头部企业提供的定制化算力服务

3.  合作模式：与制造业企业（联合研发、试点落地）、机器人企业（技术融合）、芯片企业（算力适配）协同合作

开放合作趋势：头部AI企业开放核心场景，与金融机构、制造企业共建产业生态，如工行“工银模速Neoventure创新中心”

三、 AI产业运作的核心痛点与金融需求

1.  核心痛点：研发投入高、回报周期长、技术迭代快、场景落地难度大

2.  金融需求：研发资金贷款、股权融资、场景落地资金支持、风险保障服务，如交行对清微智能的“投贷联动”支持

一、 机器人产业核心产业链构成（聚焦制造业应用）

1.  上游：核心零部件层（电机、减速器、控制器、传感器、芯片）

核心零部件依赖度：高端减速器、控制器部分依赖进口，国产替代加速，如中大力德为宇树科技提供行星减速器并深度绑定

芯片需求：工业机器人专用芯片（算力、稳定性要求高），与芯片产业深度绑定

2.  中游：机器人本体制造与集成（核心环节）

本体制造：工业机器人（焊接、装配、搬运机器人）、服务机器人（制造业辅助服务）

系统集成：根据制造业场景，将机器人与AI、物联网结合，定制化落地方案（如汽车生产线机器人集成）

3.  下游：应用落地层（制造业各环节）

重点应用场景：汽车制造、电子制造、机械加工、物流仓储（如AGV机器人）

落地特点：与制造业生产流程深度融合，依赖AI技术实现智能化升级

二、 机器人企业核心运作模式

1.  研发模式：核心零部件研发、本体研发、系统集成方案研发，聚焦“高需求、高价值、高壁垒”场景

技术突破方向：具身智能、量子增强型模型应用，提升机器人响应速度与容错率

2.  盈利模式：本体销售（核心收入）、系统集成服务费、后期运维服务费、设备租赁（DaaS模式）

成本优势：国产核心零部件降价，推动机器人项目投资回报周期缩短至18-24个月

3.  合作模式：与芯片企业（核心零部件供应）、AI企业（智能化升级）、制造业企业（试点落地、联合研发）、国资平台（场景对接、资金支持）合作

典型模式：“国资托底+产业协同”，如北京人形机器人创新中心引入国资与产业龙头投资，兼顾研发稳定性与产业链整合力

三、 机器人产业运作的核心痛点与金融需求

1.  核心痛点：核心零部件进口依赖、研发投入高、场景落地成本高、中小企业竞争力弱

2.  金融需求：研发资金支持、核心零部件采购贷款、场景落地融资、租赁金融服务、上市融资辅导

一、 芯片产业核心产业链构成（聚焦制造业AI与机器人配套）

1.  上游：芯片设计与原材料（硅片、光刻胶等）

设计环节：工业芯片设计（机器人芯片、AI算力芯片），核心技术门槛高，如清微智能自主研发可重构芯片

原材料：依赖进口，国产替代是长期趋势

2.  中游：芯片制造与封装测试

制造环节：晶圆制造、芯片代工（核心环节，技术难度最 高），需巨额设备投入

封装测试：保障芯片稳定性，适配制造业、机器人、AI产业的应用需求

3.  下游：应用层（机器人、AI、制造业设备）

核心需求：工业机器人芯片（稳定性、抗干扰）、AI算力芯片（高算力、低功耗）、制造业设备控制芯片

需求特点：定制化需求突出，与下游产业深度绑定，如AI芯片需适配制造业大模型应用

二、 芯片企业核心运作模式

1.  研发模式：自主研发核心技术、产学研合作、技术引进，研发周期长（1-3年）、投入高

芯片研发特点：需经过几千道工序，每个阶段均面临技术难点，对资金和技术实力要求极高

2.  盈利模式：芯片销售（核心收入）、定制化芯片开发费、技术授权费

头部企业策略：聚焦高端芯片研发，通过技术壁垒提升盈利空间；中小企业聚焦细分领域，实现差异化竞争

3.  合作模式：与机器人企业（定制化芯片供应）、AI企业（算力适配）、制造业企业（需求对接）、政府平台（政策扶持、资金支持）合作

供应链绑定：核心零部件供应商与下游企业通过“业务+资本”双线锁定，保障供应链稳定

三、 芯片产业运作的核心痛点与金融需求

1.  核心痛点：研发投入极高、技术壁垒高、进口依赖严重、产能不足、回报周期长

2.  金融需求：研发资金贷款、股权融资、产能扩张融资、设备采购贷款、技术并购资金支持，如交行为清微智能提供的数千万元融资支持

第二天总结与答疑

核心回顾：机器人、芯片、AI产业的产业链构成、核心运作模式、痛点与金融需求

Q&A：针对产业链运作模式、企业合作逻辑、金融需求等疑问解答

模块三：实战落地：业务对接、趋势预判与金融服务适配（第三天）

导入：实战导向——从产业认知到业务落地、金融服务优化

结合前两天所学，聚焦金融从业者服务优化的核心需求，拆解实战方法

回顾实战任务：梳理三大产业运作中的核心资金需求、风险点，结合案例完善金融服务思路

一、 不同类型制造业企业的AI应用需求拆解（适配业务对接）

1.  龙头制造企业：全流程AI升级需求、核心技术自主可控需求，对接重点（定制化解决方案、产业链协同）

2.  中型制造企业：单点AI应用落地（如质检、调度）、成本可控的轻量化方案，对接重点（性价比、落地效率）

3.  小型制造企业：低成本AI工具、基础AI服务，对接重点（简单易用、政策补贴对接）

二、 业务对接的核心方法与技巧

1.  需求挖掘：通过提问、调研，明确企业AI应用现状、核心痛点（降本、提质、增效）、预算与预期

2.  价值呈现：结合制造业AI落地案例，向客户展示AI应用的实际效果（数据支撑），如面料裁剪AI系统节省成本案例

3.  异议处理：应对客户对AI应用成本、落地难度、效果的质疑，提供合理解决方案（如轻量化应用、分期投入）

三、 实战案例：制造业AI应用对接成功与失败案例解析

1.  成功案例：某AI企业对接中型电子企业，提供轻量化AI质检方案，降低成本30%，实现快速落地

2.  失败案例：某AI企业盲目向小型制造企业推销高端定制化方案，因成本过高、操作复杂导致合作失败

3.  经验总结：精准匹配企业规模与需求、控制成本、提供全流程服务，是对接成功的核心

一、 机器人、芯片、AI产业不同发展阶段的金融服务适配

1.  初创期企业：股权融资、天使投资、政府扶持资金，重点解决研发资金需求，如机器人企业初创期的国资投资

2.  成长期企业：研发贷款、供应链金融、融资租赁，支撑产能扩张、场景落地，如工行对AI企业的授信支持

3.  成熟期企业：债券融资、上市融资、并购贷款，助力技术升级、产业链整合，如头部芯片企业的上市融资

二、 核心金融服务产品与产业需求的匹配方法

1.  针对研发投入：研发贷款、股权融资、政府补贴对接，如交行“交银创投贷”“投贷联动”模式

2.  针对生产经营：供应链金融、流动资金贷款、设备租赁，适配芯片制造、机器人生产的资金需求

3.  针对场景落地：项目贷款、融资租赁，支持制造业AI应用、机器人生产线落地

4.  针对风险保障：科技保险、信用担保，降低金融机构与企业的合作风险

三、 金融服务案例解析——标杆金融机构的产业服务实践

1.  工商银行上海市分行：推出“智涌申城”全面金融服务方案，以“股、贷、债、租、顾”五类服务，覆盖AI产业全链条，授信余额超250亿元

2.  交通银行北京市分行：创新“投贷联动”模式，为芯片企业提供“贷款+外部直投”科创服务体系，快速解决企业融资需求

3.  经验总结：深入了解产业运作模式、精准匹配企业需求、创新金融产品，是做好产业金融服务的核心

一、 分组研讨：结合自身业务，设计实战方案

二、 产业趋势预判与业务布局建议

1.  制造业AI应用趋势：轻量化、协同化、定制化，业务对接与金融服务需提前布局这些方向

2.  机器人、芯片、AI产业趋势：国产替代加速、协同融合深化、场景化落地加强，把握核心投资与合作机会

3.  业务布局建议：聚焦重点行业（汽车、电子）、重点场景（质检、调度、机器人装配），精准对接需求、优化金融服务

三、 风险规避与资源整合建议

1.  业务对接风险：需求判断失误、方案不适配，应对策略（充分调研、小范围试点、灵活调整）

2.  金融服务风险：企业研发失败、还款能力不足，应对策略（风险评估、多元化担保、投贷联动）

3.  资源整合渠道：对接政府政策（补贴、扶持资金）、产业龙头企业（协同合作）、金融机构（产品创新），提升业务竞争力

课程总结与Q&A

核心回顾：制造业AI应用全景、机器人/芯片/AI产业运作模式、业务对接技巧、金融服务适配方法

重点提炼：三大核心价值——明晰AI应用程度、掌握产业链逻辑、优化业务与金融服务

Q&A：问题解答与经验交流，结合学员实际业务场景，提供针对性建议