漢思原創(chuàng)

100+項目經(jīng)驗總結，高級顧問提煉純干貨

預約演示對話專家

漢思探智能未來：汽車制造業(yè)數(shù)字化的 “AI+X” 創(chuàng)新實踐

作者：Hanthink 發(fā)布時間：2025-07-23 10:45:48

727

漢思探智能未來

汽車制造業(yè)數(shù)字化的

“AI+X” 創(chuàng)新實踐

Hanthink & ThinkDeep

圖片1.png

背景簡述

在數(shù)字化和智能化快速發(fā)展的今天，AI技術已成為企業(yè)提升效率、優(yōu)化決策和加速創(chuàng)新的重要動力。漢思深刻認識到，智能化不僅是未來的趨勢，更是當前各行各業(yè)業(yè)務創(chuàng)新和升級的核心引擎。通過結合AI技術，我們正在積極構建面向未來的業(yè)務架構，推動企業(yè)的全面數(shù)字化轉型，近期漢思與某著名新能源汽車制造商在質(zhì)量管理、生產(chǎn)流程優(yōu)化和人員培訓等方面，進行AI場景優(yōu)化深入探討和嘗試。

AI優(yōu)化實踐場景

1)描述性語句的結構化（如車輛選裝信息）

在工藝制造過程中，經(jīng)常存在大段連續(xù)性描述文字內(nèi)容用于指導崗位操作或部件選裝，這些只能由人工識別的內(nèi)容不利于數(shù)字化管控、防呆控制。

例如：從以下大段文字描述中摘取出符合數(shù)字化管控的結構化數(shù)據(jù)

圖片3.png

（圖例二）

傳統(tǒng)代碼開發(fā)方式將面臨解析字符內(nèi)容不固定、位置不固定、文本標識不固定等困難，且一旦描述發(fā)生哪怕標點符號上的細微變化，都可能面臨修改代碼重新發(fā)版的挑戰(zhàn)。

利用AI大語言模型賦能，發(fā)揮其理解分析自然語言的優(yōu)勢，可通過提示詞（圖例三）的編寫便能輕易輸出結構化的關鍵數(shù)據(jù)（圖例四）。且能自適應描述文字的部分變化調(diào)整，即使當變化無法自適應解析時，簡單調(diào)整提示詞即可，且不會對現(xiàn)有業(yè)務系統(tǒng)造成停服發(fā)版影響。

圖片3.png

（圖例三）

圖片4.png

（圖例四）

2)輪胎尺寸信息識別

各國對汽車輪胎尺寸均有嚴格法規(guī)（如中國 CCC 認證、歐盟 ECE 認證），合格證數(shù)據(jù)需與實際裝車輪胎完全一致。若存在偏差，車輛將無法通過出廠檢驗或市場準入審核，面臨停產(chǎn)、召回或罰款風險。

利用AI圖像文字識別手段，對生產(chǎn)車輛的輪胎標識尺寸（圖例五）進行識別（圖例六），識別數(shù)據(jù)再與該車輛合格證上輪胎尺寸數(shù)據(jù)進行對比，達到實際尺寸和證書尺寸強校驗的目的。

圖片5.png

（圖例五）

圖片6.png

（圖例六）

3)AI數(shù)字人之人員培訓考核

在制造業(yè) “存量競爭” 與 “技術顛覆” 并存的時代，員工培訓已從 “可選項目” 變?yōu)?“生存剛需”。明智的企業(yè)會將培訓視為 “人力資本增值引擎”——企業(yè)更需通過培訓將員工從 “重復執(zhí)行者” 升級為 “問題解決者”，這才是穿越周期的核心競爭力

而傳統(tǒng)員工培訓方式本身面臨諸多挑戰(zhàn)，利用AI+輔助培訓執(zhí)行方式，將打破傳統(tǒng)培訓方式的相關壁壘和難點。（圖例七）

圖片7.png

（圖例七）

利用AI+方式，并非替代傳統(tǒng)培訓，而是解決其 “非個性化、低互動性、難量化” 的固有痛點，在制造業(yè)，AI + 培訓正從 “效率工具” 升級為 “生產(chǎn)力要素”—— 通過精準匹配技能需求、模擬極限工況、量化能力成長，推動員工從 “被動接受知識” 轉向 “主動構建能力”。

分層分類梳理針對不同角色、技能、崗位所需的培訓材料，將材料知識利用“切片模型”（Chunking Model）切片存入向量數(shù)據(jù)庫中供知識庫使用。
多維感知控制服務（業(yè)務系統(tǒng)數(shù)據(jù)變化監(jiān)控）感知崗位人員變化信息，自驅動人員對象模型屬性變化，下發(fā)業(yè)務指令
人員相關管理系統(tǒng)接收相關指令自動生成培訓、考核相關待辦任務
AI數(shù)字人根據(jù)培訓待辦自動抽取知識庫相關培訓考核內(nèi)容，對話式引導對應人員培訓和考核
關鍵崗位配置視覺識別系統(tǒng)或班組長巡查，跟蹤人員培訓執(zhí)行動作效果

AI優(yōu)化探討場景

1)開收班點檢AI助力

開收班點檢是指在設備或產(chǎn)線啟動（開班）和結束（收班）前，對關鍵部件、運行參數(shù)、安全狀態(tài)等進行檢查，確保生產(chǎn)安全、穩(wěn)定運行。

核心目的：預防故障、降低停機風險、保障產(chǎn)品質(zhì)量、記錄設備狀態(tài)。

傳統(tǒng)方式：

依賴人工經(jīng)驗，漏檢、誤檢率高
記錄易丟失、難追溯，數(shù)據(jù)利用率低
異常響應慢，故障處理滯后

圖片8.png

（圖例八）

隨著數(shù)字化的普及，開收班點檢場景從傳統(tǒng)作業(yè)記錄方式V1.0升級到數(shù)據(jù)化V2.0（圖例八）。然而該場景下數(shù)字化V2.0只是把線下填報表單搬到了線上，同時增加了多媒體信息的一些錄入方式，該方式同樣面臨問題和挑戰(zhàn)：

執(zhí)行項目的勾選與實際存在偏差
錄入耗時
傳遞信息簡單的風險、以及問題

本次AI探討，將該場景進行AI結合分析，通過AI相關的技術方式和手段，能大大簡化信息識別錄入過程、提高信息利用率（圖例九）

圖片9.png

（圖例九）

整理提交不同崗位、不同產(chǎn)品開收班點檢事項及圖例資料，并將材料知識存入AI知識庫。
開收班執(zhí)行：拍攝點檢內(nèi)容項目、口述交接班注意事項
AI分析比對知識庫對應項目，判斷點檢執(zhí)行效果及合規(guī)性。分析語音內(nèi)容，識別注意事項和待辦任務，推送信息至下班次對應崗位人員。

2)ANDON管理AI助力

ANDON（安燈）管理起源于豐田生產(chǎn)系統(tǒng)，通過可視化信號（如燈光、看板）實時反饋產(chǎn)線異常（如設備故障、物料短缺、質(zhì)量問題），實現(xiàn) “問題即停、快速響應”。

核心目標：縮短異常處理周期、減少生產(chǎn)浪費、保障流水線連續(xù)性。

傳統(tǒng)方式：

依賴人工觸發(fā)，存在 “瞞報” 或 “延遲上報” 風險
異常定位模糊（僅能定位到產(chǎn)線區(qū)域）
數(shù)據(jù)碎片化，無法分析趨勢（如高頻故障點）
主要依賴廣播和安燈顯示，若工人未關注廣播或安燈（如環(huán)境嘈雜、注意力分散），易錯過信息，且難實現(xiàn)個性化、精準化通知到人

AI+ 方式：（圖例十）

借助 AI 語音模型解析，能精準識別工位 ANDON 的語音交互內(nèi)容（如物料求援具體缺啥、質(zhì)量異常具體問題等）
除傳統(tǒng)方式外，增加手環(huán)通知、看板推送等，可精準觸達責任人，通過看板讓相關區(qū)域人員知曉，可聯(lián)動任務 / 通知 / 異常系統(tǒng)，實現(xiàn)信息多維度流轉
從問題觸發(fā)（工位 ANDON ）、解析（AI 模型）、通知（多渠道）到問題響應閉環(huán)，可跟蹤問題處理進度、結果，利于企業(yè)沉淀數(shù)據(jù)，分析異常
AI 自動解析、分配通知，減少人工識別、傳達環(huán)節(jié)，提升異常處理響應速度，適配復雜生產(chǎn)場景下的多元需求

圖片10.png