大模型落地最佳实践 | 百年施耐德的数字化转型与AI应用探索
12月12日，由中国人工智能产业发展联盟（AIIA）指导、北京中关村科金技术有限公司主办的【2024 大模型技术与应用创新论坛】在北京成功举办。论坛汇聚了来自国内外学术界、产业界的多位大咖嘉宾以及 500 余位关注大模型发展的各行各业先锋代表。
论坛现场，中关村科金总裁喻友平正式发布中关村科金大模型时代的“三级引擎战略”，并重磅推出得助大模型平台 2.0，以及一系列深耕场景的大模型应用。喻友平认为，大模型行业的发展已不再是暴风骤雨的狂飙状态，而是真正进入到精细化落地的进程中。
在大模型落地的实践分享环节，论坛邀请到施耐德电气（中国）数字化转型总设计师毛春景，他带来了《施耐德数字化转型与AI应用探索》的主题分享。他介绍说百年历史的施耐德电气根据 1-4-4 转型框架即将完成自身的数字化转型，并且施耐德电气鼓励所有团队积极探索AI应用，从产品到内部运营提效实现AI赋能，深入探索下一阶段的智能化转型。
施耐德电气中国自2020年起组建AI Lab，利用AI技术进一步赋能软硬件产品创新，推动AI在能源管理和工业领域的应用落地。通过嵌入行业Know-how 不断积累各类工业算法模型，打造独立自主的对外AI服务和解决方案。此外，他提到施耐德电气的AI变革管理的思路是，由浅入深地导入AI应用场景，这可以大大降低促成AI应用落地实现量变到质变的变革难度。同时，施耐德电气也在积极寻找各类技术合作伙伴，如中关村科金，助力其加速实现AI应用落地。他表示，施耐德电气期待与中关村科金在未来携手共创更多AI赋能客户的案例。
以下为演讲实录：
跟大家分享一下电气数字化的工作和在这方面的判断。分三方面，一是施耐德电气发展与数字化转型，二是施耐德内部AI应用探索与思考和应用，三是施耐德对外服务的AI能力建设。由于我们的业务特点，也做了很多面向制造业和工业行业的场景。其实在传统的金融行业、零售行业的核心业务流程里，天然就跟数字、算法、模型相关。但制造业不太一样，尤其是我们作为一家toB的制造业，在运用数字化的过程中有很多场景、回报和实务结合的问题，在这方面跟大家一起探讨一下。
一、施耐德电气发展历程与数字化转型
施耐德是一家非常传统的电气装备、自动化装备、能源装备的设备生产商，我们是生产实实在在硬件设备的。这家公司有近一百年的历史，整个业务发展过程中最初是做钢铁，之后进入电气设备行业，又进入自动化装备行业，到现在为止，公司又抓住世界变化的趋势，开始进入数字化领域。
施耐德选领域是相对比较聚焦，我们在做大量能源管理的软件和工业软件的行当。我们的软件大部分是跟流程和传统的制造相关，比如设计、管理、运营、优化，这是一个非常简单的介绍，告诉大家施耐德一直在做转型。转型工作大概十年前已经开始了，我们一直致力于把公司从硬件公司向工业软件公司转型。现在我们有近五分之一的业务不是靠卖设备活着，我们开始做软件数字化中心。今天非常有幸在这样的场合跟大家分享一下施耐德的做法。
当然转型过程中，公司从硬件企业变成数字化的企业需要一个方法和过程。我们没有按传统IT公司跟大家讲技术驱动一切变革，软件技术多么伟大或者人工智能技术是否可以真正改变我们传统设备的生产，我们说还是不能的。我们的逻辑还是从一个企业的战略出发，做AI也好，做数字化的转型都是从战略出发。
施耐德的企业战略，包含了高效运营和可持续发展两个方向。在这两个方向里，我们用数字化技术、AI技术作为驱动高效运营和可持续最重要的支柱。基于这样的目标，我们运用了大量的数字化技术来不断提升我们的创新、客户体验和整个内部的运营，以及我们自己的管理提升。这个提升是全面的，跟过去基于ERP只做财务监管不一样，我们是全方位做这件事。
一个企业做数字化和AI建设的时候，任何一项技术哪怕是成熟的技术，在传统企业结合应用的时候，对使用方意味着什么？我们发现，其实对使用方来说对技术的关注比较弱，更重要的是在企业原有能力的基础上要建立新的能力，这个新能力在数字化时代是什么？
我们将能力归结为四方面，分别是流程重塑的能力，数据和技术使用的能力，当然还有组织、人才与文化变化的能力，以及新环境下创造协同生态的能力。这是作为技术使用方，从过去钢铁行业转道电气行业，从电气行业转道自动化行业，以及自动化行业走向数字化行业漫长的过程中总结出的四个基础能力的建设。对施耐德来说不是找个人的问题，而是公司战略层面对公司能力要求转变和提升的过程。
今天的主题跟数字化有关，我想讲讲施耐德的转型如何构建这样的能力，如何构建对外的服务能力，以及转型过程中如何把数字化和人工智能的能力和传统的能力相结合，形成一种新的对外创新的服务。上面这张图是结合数字化技术和人工智能技术的发展，施耐德做战略研讨的结果。我们把数字化的规划、战略上的定位和过去硬件的产品、服务和渠道，以及人工智能技术可以嵌入到的业务流程中，对流程起到的效率提升、产品创新、体验提升结合在一起，构建了战略到运营到系统的落地和硬件支撑体系。这个体系就是我们看到的，结合企业自身的优势改变我们自己，利用我们的能力改变我们的客户，再影响我们的合作伙伴的具体做法。
二、施耐德内部AI应用探索与思考
前面给大家介绍了施耐德的历史和面对数字化、AI智能，施耐德一贯应用的方法。过去一百多年，施耐德在每一次技术跃迁和变化的时候都是这样思考的。面对AI、大模型这个新技术，施耐德内部是如何探索和思考这件事？
这张图和别的不太一样，有很多企业，比如我们提供AI服务的企业，上来就讲人工智能的技术应用场景很大，技术很好，我看了大量的实例可以做得非常好。但我们一直在小心翼翼思考，当人工智能技术来临后，对施耐德这样的传统制造企业，我们该如何应用新技术，赋能我们的技术？
施耐德的做法首先是挑选哪些技术、哪类技术可以在业务场景进行应用，我们判别方式是技术的成熟度。成熟度包括技术本身的可靠性、稳定度、市场对技术的认可，技术应用案例以及技术部署实施过程中的投资回报率。大家刚才看了很多案例，哪怕是非常小的客服场景，为了让这个场景变得更精确、准确，除了核心引擎还需要有大量的知识和数据梳理和清理以及不断的维护。反过来，如果使用这样技术的人不够多或产生的回报不够，那对我们来说技术的使用还处于探索阶段，不会大规模部署。
基于此，大家看到这张图有两个坐标，一个是Y轴，在技术上我们选用了视觉检测技术，这对零散制造业的大规模生产和检测环节非常有用。我们是一家制造型企业，在全球有300家工厂，在中国有30家工厂，产线每个工厂有10条，中国大概有300个产线，每个产线质监工位，至少有三个质检环节，至少有几千个工位环节，三班倒，影响到的员工近两万人。而且我们发现视觉检测技术，哪怕不用现在的大模型用小模型，用自己特有的数据进行训练，其实是很容易达到一定的准确率，投入不用那么高。
所以我们选择了这个场景做了非常多的检测工作。这项工作从五年前开始，做完之后，对施耐德的生产改进和生产流程工艺的改进起到了非常重要的作用。现在我们把这个技术在全世界300家工厂推广，所有的环节里都在适用这样的场景。经过合理的测算，它确实对我们提升生产线效率、节省成本发挥了作用。最重要的是，施耐德在欧洲也有工厂，对缓解工人疲劳度、提升准确度起到了非常大的作用。这样一系列的工作，对我们的成本、效率、可用性上都起到了非常大的作用。
另一个X轴，是企业价值创造的维度。施耐德在进行人工智能应用的时候，会考虑从市场营销、产品研发、生产制造、设备维护、交付与服务到中后台管理（财务、人事、管理、客服）的应用。结合我们的核心业务流程，我们遇到的挑战，团队转型，技术团队、业务团队会选择自己的应用场景进行探讨，在选择的过程中给大家普及一下。
施耐德做的是工业产品，不是一般的消费品，我们的产品都是toB的，销售公司都是代理商、集成商、服务商，专业的配电服务商，自动化服务商。哪怕我们的客户也都是企业里的仪器仪表部门，设备管理部门，都是专业用户。所以针对专业用户，我们经常和大家回访，发现对于我们在实现的过程中至少面临三个重大的挑战。
第一，这些知识不是在互联网上可以找到的，是我们产品独有的知识，尤其是我们的客户，在运用施耐德产品时所想了解和知道的，一定不是在互联网可以搜到的。所以对我们的重大挑战是原有的服务团队，服务了十几年积累下的大量知识、问答以及结合我们产品特性的独特的问题，需要重新再梳理、再管理。以前没有大模型的时候，由于我们产品销售的频次和销售过程中的客单价跟消费品不一样，我们对知识管理没有做得那么细。为了用大模型，我们要评估，值不值得在这样的时点把大量的知识再梳理、再管理、再优化，再结合到技术区域，对我们现有的服务团队，比如我们的服务团队有一百人、一千人和一万人，决策是不一样的。经过评估以后，我们在这里发现了很多问题。
第二，如果是toB的场景，面对的知识问答过程是非常复杂的，不像银行账号比较好关联。知识问答，很多Know-how是存在专员的脑子里，我们隐性的知识和经验如何变成显性的经验，这是非常难的事。所以我们做了好多的工作和努力，把现有文档的东西拿出来，但解答的准确率和客户的满意度还是不支持的，这是我们评估很重要的事。
第三，制造业大量的投资是在工厂设备和基础设施，跟银行、零售行业不一样，他们的生产设施就是计算机，而施耐德大量的投资是在实体设备，如果投资大量的计算机和基础模型，而服务的人群在整个工厂里的比例又不一致。中国有2万人，其中1万人是工厂里的生产工人，银行里有2万人，90%的人都是用计算机干活的前端人员，天天使用的工具就是计算机。所以两者的使用条件和企业文化又是不一样的。为此我们找了很多业务场景，针对数据和知识储备情况、知识安全的情况，真正地产生效益的情况以及产生后是否可以推广开的可能性，我们内部做了大量的探索和场景工作。
在座有很多给企业提供人工智能服务的服务商，提供给大家一些参考。当你们找到制造型企业提供服务时，除了技术的先进性、模型大小、算力节省，其实我们更多考量的是站在我们的场景上，业务条件在新技术的情况下是否具备。如果不具备，对我们这样的企业来说，不管模型有多先进，很难接受。
刚才国外专家讲，有多少人工就有多少智能，而我们有很多人工、很多智能，都是人工的，跟银行不一样，对我们来说要处理很多知识，建立很多结构，这对我们来说是一个挑战。使用人工智能这件事我们是深信不疑，认为是未来的趋势，就跟十几、二十年前做数字化应用时，从来没有想过做这件事就是开发一个系统。中国很多企业对数字化的浅层次认知，是因为国家讲了，因为同行做了，因为老板听到这个时髦的话题就做了决策。我们的决策很审慎，如果做这个方向，就知道这是方向，是五年之后的终局，所有的东西都数字化了。但十几、二十年前推数字化很难，业务团队不愿意投入，为什么要因为一个软件改变应用模式，我没看数据有什么作用，现场用秒表都可以数出来，为什么要上数字系统要做精益化管理和提升。
但今天不一样了，所有人都认识到数字化是做所有工作的必备工具，甚至我们公司都认为数字化是未来所有人享用的服务。工业制造领域从提供设备、提供动力、到提供控制、提供管理，整个工厂最有价值的是应用，而不是你买的设备，我们在慢慢转变思考。同时公司也在变化，刚刚讲到了我们有很多变化，从卖装备变成卖工业软件，今天的变化是十年前做战略决策时要做的。正确的事往往是难的，但未来带来的效果是巨大的，未来的转型已经看到这点。
今天的AI也是如此，我们认为AI技术并不是一定要找到一个特别的应用场景开发一个应用才有效果。我认为AI技术可以从各个维度得到实用，层次是从高到低。我们一直在讲，倡导大家在日常工作中使用人工智能技术，这一是种文化的转变，是一种工作模式的转变。没有这种工作模式的转变，十年之后成立一家AI驱动的公司，以我们的经验来看那是一句空话，不是一个高新的技术来做的。我们也不认为打造大模型做基础技术是我们这种企业的使命，我们的使命是使用它的应用，把应用嵌入到我们自己的产品中，把应用嵌入到我们自己的流程中去，把应用扩展到我们的业务模式中去。
基本上我们就有这几个层次，同时也提到了要完成的功能和内部的员工谁在用谁在做，我们也形成了一些事例。做的过程中采取非常开放的方式，既和国外的微软这样的大服务商合作，也跟国内的千问、字节建立关系。同时跟很多专业公司，比如我们与中关村科金的合作。因为他们在外呼场景、客服场景有多年的应用和积淀。施耐德是为制造企业提供装备、控制管理、解决方案的公司，所以我们不会为别人提供一个智能呼叫和智能分析的方案，我们也不具备这方面的专业能力，所以选择和业界专业公司合作。
第一个场景做智能外呼服务，我们也看到并特别认同中关村科金对这件事的判断，未来的外呼服务一定会被技术替代，因为它的场景复杂度以及场景本身所带来的价值还有公司人工成本上升和技术的成熟，从战略判断我们要做这件事。施耐德要实现它，就是知识的准备、经济性。哪怕做得再好也有经济性的问题，这是我们在特别努力推动的场景。
第二个场景是知识助手，因为我们也是一家研发型公司，全球研发团队有几万人，研发我们的断路器、软件和自动控制产品，产品线也非常长，有上万条产品，几万人的研发团队，在这里积累了大量的机械设计、电气设计、自动化设计、软件设计的知识。同时我们的很多产品是定制化的产品，比如对外提供增压系统的服务。这个楼要有很高的电压等级来支持灯亮，比如10万潜伏，每一个项目都是个性化的，因为每一个供电设施、供电面积、供电安全要求，供电容量要求，使用材料的要求都是不一样的。团队里每服务一次，就相当于积累了一个案例。
前几天我去一个制造企业，这个公司每年服务10万个客户，每一个客户都有大量的建筑、运用知识，这个企业运行了二十年，积累了天量的数据，现在来得及智能化吗？那就是我们讲知识管理的一个场景。这个场景如果可以把研发的电气设计工程知识总结出来，我相信一定会让我们产生更好的设计和创意，提供更好的产品设计的服务。
作为一家制造型的企业，我们有一个非常核心的东西，我们的产品是离散性的制造产品，产品供应商有上万家，而且施耐德是在全世界运营，中国、欧洲、美国是不一样的，供应链要有韧性，几万家供应商生产电子产品、机械产品等各种产品，这些产品构成了我们产品对外输出价值的70%，也就是说我们卖100块钱的东西，有70块钱是几万家供应商创造的。这几万家的供应商的产品能力、交付能力和服务能力、他们的过往经理和团队的特点对我们来说构成了核心竞争力的保障。这个过程的知识和管理构成了强大的供应商管理能力，随着人员流动这些知识会流失，要重新学习。对我们来说这些供应商的知识和能力如果可以管理起来，形成模型，无论是大模型还是小模型，我们选择一个合适的模型就好了，让我们可以快速、准确地找到这些知识，对我们来说也是非常有意义的。所以我们应该有一个项目在做，运用大模型，运用知识图谱，现在也在考虑AGI的东西。这是第二个场景，我们和中关村科金一起在探讨有没有落地的价值。也期待未来与中关村科金携手共创更多的AI赋能案例。
我们也在探索新的方向，这是我们内部关于AI技术应用的思考。之所以有这么多的思考，是因为施耐德的四次转型和数字化转型向软件转型的过程中，对战略运营的思考，所以用同样的方法面向AI技术的转型。
三、施耐德对外服务的AI能力建设
施耐德除了看内部，也认为人工智能技术会是我们产品创新的方向，也会对外提供人工智能技术服务。我们的客户是大量的制造业，提供的服务是制造业企业的生产和供应链部门。2020年的时候，我们就开始组建自己的人工智能实验室，更重要的是针对工业领域，建立了自己的产品和解决方案，也有一些收获和体悟。跟我刚才讲得一样，人工智能技术和数字化的技术是一样的，在传统的制造业里，化工厂、水泥厂、服装厂应用的过程，比在银行零售还是有很大的难度和挑战。
我们人工智能实验室组建的团队，做了一些工作，提升自己的能力。过去十年内紧密结合我们的业务，我挑出了一些案例，一类业务是能源管理业务，做了很多楼宇能源预测。比如这栋楼每年能源消耗，随着季节、时间和负荷的变化是不一样的。这对楼宇能量管理的团队来说也是挑战，所以做了能耗预测工作。
汽车组装线有四道工序，其中涂装工序大量消耗能源和材料，如何优化涂装工艺，按节点做。我们跟很多汽车企业进行了合作。啤酒在制作过程中加入硅藻土，对啤酒的新鲜度和工艺也是非常有价值的，但加多了浪费，加少了影响啤酒的质量，过去都是靠师傅的经验积累。大家随机来看，既有质量分散性的问题也有知识传承的问题。我们跟一些企业做了这方面的场景合作，这样的一些合作内容，运用到控制装备里，运用到能源装备里，形成这样一个智能化的啤酒产线的解决方案。
这些改进是跟施耐德自己的产品结合在一起。施耐德是提供自动化的硬件产品和管理软件产品，把自己的产品和场景结合，这就是我们在未来可能会构建出的，十年之后的产品都是自动化，里面包含了我们对工业场景的理解和模型建模的理解，当然这些东西的支撑，底层有大模型、框架等支撑。对施耐德来说，那些支撑的东西，我们还在观察要不要自己构建或者跟别人合作。对我们来说积累足够多的场景，在我们的产品和应用领域既要有足够的人才积累、流程积累、经验积累和价值计算的积累，才可以做更多的、更深入的探讨和投入。
我们还有很多行业Know-how和算法，举一个具体的例子，这是给一个汽车制造厂智能降碳改造项目。我们团队主要的工作是了解工业场景的使用情况、使用方法，这些使用方法其实和呼叫中心和预警不一样，我们是解读知识域再匹配技术，我们更多的是聚焦在工业领域的知识域，我们一直在做工业业务，也有很多行业专家，对控制、能源管理和工业生产的运作过程相当了解，所以可以和很多行业、企业建立链接关系。我相信这绝对是积累的过程，我也相信场景突破了人工智能的技术和算力才可以大放异彩，给我们创造价值。
我首先跟大家回顾了一下施耐德是干什么的，主要是为了讲后面的事。第二讲每次将一项新技术引入业务，真正赋予业务以动能和创新我们的思考是什么，第三也跟大家分享了施耐德在人工智能的框架和做法，以及最近几年取得的有限的落地的点。对我们来说，人工智能运用到制造业，虽然外面铺天盖地讲了很多，但今天我讲一句实话，还是要场景突破，打点去做，但我们一定要有未来的愿景，我们坚信十年后人工智能就跟现在的数字化应用，跟二十年前的自动控制一样，跟三十年前电气设备一样会成为工业应用的主流。
未来是美好的，但我们艰难在这条路上走，也希望在走的过程中能够得到业界专家、服务商和同行共创，共同寻找突破的路。虽然前途是光明的，这条曲折的路希望大家一起走过去，尽量少踩坑，让它走快一点，我就分享到这儿。谢谢大家。
