繁體
  • 简体中文
  • 繁體中文

熱門資訊> 正文

知微行易與三花智控正式簽署戰略合作協議,揭祕中國智造千億龍頭的工業AI突圍之路

2026-09-07 11:17

原標題:知微行易與三花智控正式簽署戰略合作協議,揭祕中國智造千億龍頭的工業AI突圍之路

這一幕,正發生在中國最 優秀的一批製造企業身上。它們並不缺系統——ERP、MES、PLM、CRM、SRM、APS、MDM,國際和國內的頭牌產品該上的都上了;核心業務全面在線,流程標準化、審計留痕,全球化經營與合規都有了支撐。以信息化的任何一把尺子來量,這都是一張漂亮的答卷。但正因為答到了高分,新的課題也隨之顯現:數據被完整地記錄了下來,卻還沒有被充分地用起來——它們更多是業務運行的留痕,而不是能被隨時調用、直接參與經營決策的資產。上一程把數據裝進了系統,下一程要讓數據自己動起來。這不是「哪家企業沒把信息化做好」的問題。恰恰相反,它是那些已經把信息化做到極 致的成熟龍頭,共同撞上的下一道天花板。而更讓管理層坐不住的是另一重可能——這一輪AI,對手若先跑通,就是一次彎道超車;自己先跑通,則能和同行拉開一個身位。三花智控正是其中的典型。作為市值超千億的精密製造龍頭,它的信息化在業內長期被當作學習對象:十余套業務系統大多出自國際一流廠商,ERP、PLM、CRM、SRM一應俱全;IT1.0 階段的重頭戲,是把OTD(訂單到交付)這條主干流程系統性地貫通了一遍。也正因為走在最前面,三花智控更早看清:單純把流程線上化的傳統架構,已無法支撐全球化多廠區、多品類柔性生產的長期需求。要讓數據從「被記錄的系統輸出」變成「能被直接調用的經營資產」,必須搭建一套深度理解業務、可持續自主迭代的AI底層基礎設施。於是,風向標一幕出現。投資界獲悉,三花智控已與知微行易正式簽署戰略合作協議,共同推進其面向AI時代的智能化升級。而大多數人的第 一反應是好奇:一家成立僅六年的上海初創公司,憑什麼拿下一家千億龍頭的信任票?一筆標杆訂單落地「緣起其實很偶然。」知微行易首席技術官黃曉輝向投資界聊起。這份淵源始於2025年中。當時,知微行易創始人謝少毅在一次行業技術分享會上做演講,三花智控董事長張亞波就坐在臺下,對這套AI原生架構產生了濃厚興趣。隨后,雙方啟動了第 一個試點——在工廠落地面向藍領工人的iHR。值得一提的是,iHR並不是又一個獨立系統,而是MES向「人」這一側的延展:把工廠里「機器·工序·物料」的實時調度邏輯,複用到「人員·技能·班次·調動」上,將生產環節里的工人、班次、技能、工時一併打通。知微行易很快完成交付,AI原生能力得到有效驗證,試點效果遠超原有的傳統系統。信任漸漸生長起來。與此同時,三花智控的產能、營收、利潤持續穩步增長——2025 年實現營收約310億元,同比增長10.97%;這家龍頭的主業版圖,也從家電、汽車零部件逐步向新能源、AI機器人等新興產業延伸。業務在長,系統也早已齊備,企業上下對「智能化」的要求隨之抬高。三花智控對IT2.0的定義相當清晰:要建的不是更多系統,而是一支24小時工作的數字員工團隊——人負責創造,Agent負責執行。圍繞這個定位,三花智控提出了三個戰略目標:讓數據資產真正成為核心競爭力,通過2.0革命性地提升組織與人,以及最朴素也最重要的一條——這場轉型只能成功,不能失敗。路徑同樣務實:不追求一步到位,而是分兩個階段有序鋪底。第 一階段是試點,跑通之后,再進入第二階段,向集團其他業務板塊複製推廣,並把更多Agent場景逐步擴展開來。而市場上多數服務商給出的方案,是多套異構系統的簡單拼接,依靠人工做大量集成適配,完全匹配不了千億集團的複雜運營訴求。經過多輪技術與落地能力的綜合評估,三花智控最終選定知微行易作為集團底層服務商,組建專項駐場小組,攻堅OTD全鏈路重構。這樣的合作在業界並不多見。畢竟對製造企業而言,「從訂單到交付」是最核心、也最複雜的一條主流程,牽一發而動全身。更值得強調的是,這一次要解的題,和IT1.0完全不同。知微行易首席科學家彭俊松反覆提醒,不要把它理解成「再把流程梳理一遍」,也不要糾結於單點的排產、排班。真正的分野在於:三花的信息化本就足夠成熟,知微行易要做的,不是把它當成一個「交易系統」再優化一遍,而是用一種全新的智能化方式,去重新求解OTD這個龐大的管理問題。當一個行業先行者願意放下已有成果,去擁抱新的可能,一個製造業智能化轉型極 具代表性的產業故事,躍然眼前。三件事,重解「從訂單到交付」真正打動三花智控的,是知微行易技術路線的稀缺性。彭俊松博士深耕企業數字化近三十年,完整經歷了四代AI技術迭代。在他看來,當下企業做AI的最 大誤區,是還在用「機械論」的老腦子,去解決大模型時代的新問題——要麼迷信「數據必須先做到99.999%準確纔敢開始」,迟迟不敢動手;要麼走向另一個極端,以為「給老系統套一層大模型外殼」就完成了智能化。他打了個形象的比方:這類改造如同給黑盒系統刷一層外牆,AI僅能調取表層數字,卻看不懂底層工藝與管控邏輯,一遇到混線排產、跨廠區調度這類複雜場景,極易失效。這也是市面上絕大多數工業AI方案的通病,爛尾案例比比皆是——有企業開發了數萬個智能體,最后能用的只剩幾百個;有的做了上百個,最終全部推倒重來。深諳製造業智能化轉型的核心癥結,知微行易選擇從底層重寫工業軟件的構建方式,把製造業的知識、流程與經驗,轉化為AI可理解、可推理、可執行的「工業AI基礎設施」。這也正是公司名字的由來:「知微」,是看清車間里那些細碎卻致命的管控痛點;「行易」,是用底層技術把複雜的數字化改造真正簡化落地。整套技術體系層層遞進,由三大核心底座構成。首先,把黑盒變白。傳統工業軟件的代碼、流程與業務規則深度耦合,如同密閉黑箱。知微行易重寫了企業軟件的底層表達方式,將全部業務規則轉化為人和機器都能讀懂的語言。比如系統可以直接告訴一線員工:檢測到供貨時序斷檔,已自動匹配線邊安全緩存,建議觸發排序器——和屏幕前的人,同頻共振。其次,把大系統拆小。傳統ERP、MES體量龐大,全盤替換成本與風險雙高,這也是多數製造企業不敢大刀闊斧改造的核心顧慮。知微行易把厚重封閉的傳統系統,拆解為2000余個可獨立複用的iPBC,每個模塊承載單一標準化業務能力,支持自由組合、單獨迭代。比如面對海內外工廠的生產節奏差異——國內車間三班運轉、海外廠區單班生產——模塊化智能體可快速適配差異化約束,無需重構整套系統,大幅降低智能化的試錯成本,讓數字化從一次性的大型工程,轉變為可持續迭代的長期工程。這也正是「先試點、再推廣」能夠成立的技術前提。最后,讓它們説同一種語言。大型集團多廠區、多供應商並行,各系統對物料、工序、設備的定義標準割裂,各類智能體「各説各話」,數據孤島長期難以根除。知微行易以低侵入的方式,依託本體論搭建全域統一語義底座,覆蓋財務、供應鏈、倉儲、人力全職能,統一行業基礎標準,實現跨主體智能體的秒級協同交互,同時規避通用大模型的數據幻覺,保障生產、財務等核心場景的決策穩定可追溯。依託這套底座,OTD鏈條上的每一步,都可以由智能體協同完成:訂單自動派工、缺料自動提醒、進度自動跟蹤、異常自動處理——真正實現的,是訂單自己從頭跑到尾。一個工業AI突圍樣本如果説白盒化、模塊化、語義底座是支撐整套工業智能體系的堅實地基,那麼真正拉開知微行易與同行代差的,是建立在底座之上的「模數共振」。通用大模型只具備大眾化常識,難以理解制造業場景里層層疊加的現實約束。彭俊松舉了一個生動的例子:一船貨發往洛杉磯,半路遇上港口罷工,通用大模型只會簡單建議改港西雅圖,完全忽略遠洋改港的實操成本、航線擁堵風險、客户交付時限等產業現實。由此可見,製造企業真正需要的,不是照本宣科的標準答案,而是深耕產線數十年沉澱下來的專屬工藝與供應鏈經驗。這類核心產業知識,只能沉澱在企業自有的數據體系內。梳理市面上的外掛式AI方案,本質是把企業核心工藝、經營數據上傳至公有通用大模型,企業無法留存專屬數字資產。而知微行易通過「模數共振」的邏輯,推動企業私有產業數據、獨 家工藝知識與私有化垂類小模型深度耦合、雙向激活,依託AI原生底座驅動全場景應用落地,完整打通「數據→模型→應用」的閉環。如此一來,原本沉睡在各系統里的零散數據被充分盤活,垂類模型持續吸收企業專屬經驗、不斷迭代優化,AI應用則依託二者輸出貼合生產現實的可執行決策。數據不再是靜態存檔的記錄,模型也不再是脱離產業的通用工具,二者共振共生,沉澱出同行無法複製的專屬工業智能能力。更深遠的價值,藏在資產盤活里。知微行易的統一語義底座,能打通全球多家工廠的數據壁壘,讓大量長期積壓、無人運營的冷門產品和閒置庫存,被AI重新識別、激活。行業數據顯示,這類工業AI改造,平均能帶來3.7至10.3倍的投資回報。這也解釋了,為什麼一家千億龍頭願意和一家初創公司簽下戰略合作——比拼的從來不是團隊規模,而是誰真正握着通往下一程的方法論。在知微行易的合作名單上,除了三花智控,還有寧波華翔,以及十余家央國企和汽車零部件、高端裝備、能源領域的頭部企業。目前,公司年收入已超2億元,積累了30余家500強客户,身后站着凱輝基金、博潤資本、華興資本等一眾知名機構。下一個十年的分水嶺放眼行業,幾乎人人都在談工業AI,可多數企業依然停在原地。彭俊松給出一個略顯緊迫的判斷:留給製造企業調整底層架構的黃金窗口,大約只有18個月。未來十年,企業之間的差距不會體現在「有沒有上AI工具」——像Copilot這樣的通用工具,誰都買得到,走在前面的企業甚至早已全員鋪開——而在於選了什麼樣的底層架構。繼續走外掛大模型、零散堆砌智能體的老路,只會長期陷在反覆改造、持續返工的內耗里;而選擇語義底座、多智能體、白盒自治一體化體系的企業,能夠持續沉澱獨有的工業知識資產,形成同行難以複製的競爭壁壘。「智能化從來不是一個短期的信息化項目,而是企業底層運營邏輯的重構,一步選錯,可能永 久丟失產業競爭機會。」彭俊松提醒。回望過去數十年,中國製造在軟件層面一直跟着海外巨頭的路徑走,所謂本土的數字化改造,大多是在別人搭好的地基上修修補補。知微行易正在嘗試的,是用AI時代的方法論,重新定義工業軟件的構建方式,為中國製造鋪一條屬於自己的跑道。正如彭俊松所篤信的:「中國是全世界最 大的製造業大國,製造數據都在中國。用中國的產業數據,一定能創造出最 大的價值。」我們正在親歷着這一幕。文章來源:投資界原創 | 作者:

周佳麗

原文地址:https://news.pedaily.cn/202609/568586.shtml

風險及免責提示:以上內容僅代表作者的個人立場和觀點,不代表華盛的任何立場,華盛亦無法證實上述內容的真實性、準確性和原創性。投資者在做出任何投資決定前,應結合自身情況,考慮投資產品的風險。必要時,請諮詢專業投資顧問的意見。華盛不提供任何投資建議,對此亦不做任何承諾和保證。