ENI经济和信息化网总编程艳玲：高总在AIGC 领域落地了一系列应用场景。此前交流中提到了RPA开发、大语言模型应用，且这些场景仍在持续深化推进，这一方向的效益也较为显著，例如，相关工作人力需求从千人规模精简至百人，甚至几人，如今单人即可独立完成。但目前仍存在一个难点：AIGC 的核心价值之一是优化重复的通识性思维，但业务部门同事普遍不愿承认自身岗位属于固定思维或重复性思维范畴。这是否给我们的AIGC需求挖掘与场景拓展带来了挑战？现阶段这项工作具体是如何开展的？

明基材料IT经理高峰：针对AI推展，我们公司有成立数位转型委员会做推进，工厂内的重复性动作会通过自动化技术解决，重复性的系统操用RPA。而如今我们希望用AIGC去取代重复性的常识性思维，这个过程确实有一定的挑战性。各个部门鲜少能自行梳理出此类场景，往往需要IT人员深入各业务单位挖掘相关场景，并将已发现的典型场景进行内部分享。

以某部门为例，该部门每周需耗费半天时间，下载公司产品在网络平台的用户评论并进行分类——区分好评与差评，同时对差评类型进一步细化，这类典型的通用重复性通识性思维任务，通过AIGC技术配置相应提示词并提供少量示例，系统即可快速完成评论分类，精准识别好评、差评及具体问题类型（如针对眼镜产品的“镜片易变红”“佩戴不舒适”等）无需人工介入，可快速完成。目前，我们仍在持续挖掘AIGC应用场景，相关推广工作主要由IT部门牵头推进，并展现良好效果。目前，越来越多的场景逐步落地，例如我们采用RAG技术，为工程、制造、IT、人力资源、财务等部署了专属智能客服机器人。

在此过程中，我们总结出一个关键经验可供参考：对于用户因担忧幻觉而不愿使用的问题，我们优化了智能客服机器人的输出逻辑：会清晰说明答案来源，源自知识库的必定准确，基于提示词生成的专家建议则会明确标注。

此外，关于AIGC在企业中的应用场景的困扰，如生产型企业，核心数据多存储于关系型数据库中，而非文档内，因此AIGC能否与关系型数据库实现有效对接，成为关键突破点。

目前，我们已实现这一应用：当管理层需查询实时业务数据（如“今日公司销量Top3的产品及具体销量”）时，可通过自然语言提出需求。理解需求之后，依据数据字典生成SQL语句；该语句发送至数据库后提取所需数据，最终由大语言模型对数据进行解读并生成回答，甚至可直接渲染可视化图表。

数据安全方面，尽管采用OpenAI模型处理需求理解与SQL语句生成，但仅向其暴露数据库表结构，不传输核心业务数据；核心数据提取后，均由本地部署的蒸馏版Qwen14B模型完成后续的数据处理、回答生成及图表渲染工作，经实践取得了不错的效果。

ENI经济和信息化网总编程艳玲：这是一个详细的说明书，有这样规划的各位同仁，应该可以直接拿来用了。接下来，我想请汤总对第二个问题分享一下见解，以汤总所在企业的性质而言，紧跟政策导向、积极响应国家号召，是企业的特点。数字化肯定也会有同样的特点，正如刚才谈到的智能工厂建设是当前的核心议题。然而，当下AI热度居高不下，企业决策者是否会产生相关焦虑，且将这种压力传导至执行端？针对这一情况，我们应该如何应对？

中船动力镇江有限公司信息化主管、研究员级高级工程师汤永俊：AI应用这部分，我们构建了多层级、动态化的规划体系，既涵盖中长期规划、五年规划、三年规划，也包含年度规划，且各类规划并非一成不变，而是持续迭代更新。目前，明年的年度规划及固定资产投资计划均已正式定稿。依托“三独” 模式所衍生的多元业务场景，我们通过常态化调研与逐级反馈机制，完成了规划的初步拟定。同时，规划执行保留了灵活调整空间：若业务端产生实际需求，可通过项目变更或追加的方式，经逐层审批后落地执行。

从集团化管理视角来看，顶层设计与整体规划的重要性不言而喻。尽管这类规划模式看似带有计划经济的色彩，虽然大家听起来有点计划经济时代的影子，但绝非个人主观臆断的结果，而是经过层层筛选与科学决策形成的。以中长期规划、三年规划和一年规划的制定为例，整个过程依托集团科技委展开。科技委汇聚了集团公司各领域的顶尖专家，并细分为多个专业组，如信息化组等。

各专业组成员针对集团及下属企业上报的需求，还会充分结合国家、省级相关政策与标准。例如作业工厂的要素指引，先进智能工厂要素的指引，以及集团战略性高质量发展策划的纲领性文件等等，最终形成契合公司乃至集团发展的年度策划与三年规划。

ENI经济和信息化网总编程艳玲：接下来有请钟总分享下，刚刚高总详细地介绍了这个场景是怎么样产生，包括经验和窍门。对于钟总公司而言，也是有非常成熟的场景，例如业务对于AI应用的高需求，所以应用方面应该不是问题。但AI应用落地的过程中，您提到研一代，试一年，用一年。我们很多的数字化建设项目可能也都会有这样的想法或者是过程，您公司这方面是怎么样做的，怎么样思考的？

维信电子IT负责人钟航：首先跟我们公司所处的行业有一定的关系。我们属于消费电子，我们专注于其中的柔性线路板，由于行业迭代速度极快，柔性线路板的产品需求也随之高频变化。为快速响应客户需求的动态调整，结合不同客户的设计差异与市场定位，在产品尤其是AI应用落地部分，构建了研一代、试一代、用一代的推进策略。

以产品外观缺陷为例，在高峰时期，外观检验需要动用了上千人。研一代是“半自动+自动”结合，整合机构硬件与软件系统形成的一套方式。

基于客户需求的变化，我们会在原来已研究的基础上做新的改良，把它称为试一代。这一阶段，我们会通过验证新方案模块，积累的各类经验教训，完成全流程可行性与稳定性验证。随后，便进入规模化应用的“用一代”阶段。

“用一代”的大规模复制推广，使得我们在AI产品缺陷检测领域取得了较好的收益。

此外，我们还将AI应用于智能排程场景。不同的客户要求对产品不同客户对产品交付周期、出货量的要求差异较大，且需求动态变化频繁。传统人工排程模式难以应对大规模生产的复杂情况，多达10多万个工单需要安排生产，人工排程根本无法胜任，还会导致资源抢占等问题，此前我们曾采用APS排程系统，但该系统的逻辑自定义灵活性不足。

为了解决这一难题，我们引入了AI智能排程系统。在搭建基础版本后，计划员可直接通过输入表达式实现排程规则调整，系统可自动响应并优化结果，无需IT团队额外开发程序。这种灵活适配用户需求的调整模式，是智能排程领域的重要成果。目前该AI排程方案仍处于“试一代”阶段，后续将在批量应用场景中完成最终验证与全面落地。总体而言，我们对其规模化落地与价值兑现充满信心。