移动通信网 赵哲超
格创东智正式发布AI EES(Equipment Engineering System)智能设备工程平台,并向先进制造领域定向开放100个免费授权名额,旨在通过原生人工智能架构重构制造业核心生产力。当前,半导体制造与精密电子组装现场的控制架构已极度繁杂,工厂普遍部署了DCS、SCADA以及EAP等控制系统,同时辅以EAM资产管理、备件系统和PMS运维管理模块。此外,车间级应用深度集成IoT物联、MES安灯、OEE报表、APC过程优化控制及PHM预测性维护系统。尽管设备数据维度日趋完善,但工程团队的工作流并未实现跨越。报警触发后,工程师仍需跨系统检索海量数据、调取设备履历、比对趋势曲线并依赖现场经验进行逻辑研判。工业制造现场面临的核心矛盾,已从物理数据采集难度,彻底转变为多维数据计算、根因诊断以及决策闭环的算力与算法瓶颈。此次推出的AI EES平台,直接切入设备工程管理的算力盲区,将离散的IT系统整合为具备强计算能力的智能中枢,推动制造业从传统监测向深度决策执行演进。通过“设备智能工程千人百厂”专项行动,该平台计划精准覆盖100座示范工厂,提供系统级深度使用权限,并同步完成1000名制造业技术骨干的AI工程化技能重组。
【关键数据】
[1] 开放100个免费授权名额,覆盖100座示范工厂
[2] 每秒产生超过10万个时序数据点,提取超50个关联维度特征
[3] 全球工业设备资产管理软件市场规模达420亿美元,AI平台年复合增长率达28.5%
[4] 部署实施周期压缩至8至10周,关键机台稼动率提升8%至12%
[5] 备件库存周转率提升40%,非计划停机时间整体降低30%
AI EES平台的技术底座建立在AI原生架构之上,彻底摒弃了传统EAP或EAM系统基于静态规则触发的线性逻辑,引入多模态数据融合计算与工业大模型推理机制。在半导体晶圆制造或面板组装场景中,核心设备包含数千个高频传感器,每秒产生的时序数据点超过10万个。传统PHM系统通常仅对振动、温度或电流进行阈值报警,而AI EES通过内嵌的深度学习算法,将物理传感数据与MES系统中的批次工艺参数、EAM系统中的维护日志进行动态时空对齐。当机台出现异常停机先兆时,平台能够在毫秒级延迟内,同步提取超50个关联维度的特征变量进行联合计算。其核心创新点在于构建了“数据统一-可计算-可诊断-可闭环”的工程引擎。平台内置的因果推理网络能够自动生成故障传播路径图,将原本需要资深工程师耗费4到6小时进行的跨系统排查与逻辑推演,压缩至120秒内完成。系统不仅精确定位具体故障部件,还能直接输出包含操作指令的维修策略,实现了从物理数据感知到认知计算的跨越。这种计算架构打破了系统间的信息孤岛,让设备工程管理真正具备了自主分析和决策验证能力。
从全球智能制造市场格局审视,设备工程系统正经历从传统信息化控制向认知型自动化的范式转移。市场调研机构数据显示,2023年全球工业设备资产管理与分析软件市场规模已突破420亿美元,其中具备AI深度诊断能力的平台年复合增长率高达28.5%,远超传统SCADA或EAM系统6.2%的增速。格创东智此次推出AI EES,直接对标国际头部厂商应用材料旗下的FAB300设备工程方案以及西门子OpsCenter数字化系统。与国际竞品高度依赖半导体特定工艺封闭生态不同,AI EES在架构设计上具备更强的横向延展性与算力性价比。传统国际厂商的设备工程系统部署周期往往长达9至12个月,单厂授权与实施成本动辄超过300万美元。格创东智依托本土供应链与算法优化,将部署实施周期极限压缩至8至10周,综合实施成本降低约45%。在OEE(设备综合效率)提升这一核心指标上,应用该平台的工厂在3个月内即可实现关键机台稼动率提升8%至12%。通过开放100个免费授权名额,格创东智试图快速抢占包括泛半导体、新能源电池以及精密机械加工在内的核心市场份额,利用规模效应构筑行业壁垒,迫使竞品重构现有的收费体系与服务模式。
AI EES平台的落地部署正在引发工业制造上下游产业链的结构性重组,大幅改变了传统设备工程项目的成本构成比例与资源分配模式。在传统的智能工厂架构中,底层IoT数据采集硬件与基础联网设施通常占据项目总预算的45%,软件系统仅占25%,剩余30%为实施与后期运维服务。在AI EES的工程模式下,软件平台与AI算力算法的成本占比攀升至55%,基础硬件投入被极限压缩至20%。这种成本结构的倒置直接重构了供应链利益分配。底层的传感器供应商与工业网关制造商面临极大的降本压力,部分企业单台边缘计算网关的采购均价已下调至1200元以下。相反,掌握工业数据模型构建能力的算法供应商获得了溢价空间。对于制造工厂而言,引入该系统带来的供应链价值集中体现在备件库存周转率的提升与非计划停机成本的削减上。以一条典型的半导体封装测试产线为例,核心测试设备的意外停机会导致每小时超过15万元人民币的废片损失。AI EES通过精准的寿命预测与智能维保排程,使得关键零部件库存周转率提升40%,并将非计划停机时间整体降低30%,从而极大优化了工厂的运营现金流。
在商业化落地与具体应用场景方面,AI EES已经穿透了半导体制造与先进电子组装的多个核心工艺环节,验证了其工程应用价值。在液晶面板显示制造领域,阵列工程中的成膜设备与光刻设备对真空度与微震动要求极度苛刻。通过部署AI EES平台,某头部面板大厂的TFT-LCD生产线成功接入了超过120台核心高价值机台。系统实时抓取真空泵的运行电流频段数据,利用深度神经网络提前48小时预测微型泄漏趋势,避免了整批基板报废的严重后果。在半导体晶圆制造的刻蚀工艺段,腔体内的部件腐蚀直接关系到晶圆良率。AI EES整合了EAP系统内的高频传感器数据与电子显微镜的缺陷扫描图像,自动构建了部件腐蚀速率模型。该模型将工程师需要人工干预的参数调整频率降低了65%,并使得刻蚀均匀性误差被严格控制在1.2%以内。此外,在PCB高频高速覆铜板压合工艺中,系统通过动态调节热压机各温区的温度曲线,将不同批次树脂的固化时间缩短了15%。这些具体的工程落地案例证明,AI已经不再停留在车间大屏的报表展示阶段,而是深度嵌入了生产控制的核心微操环节。
当前,人工智能技术正在以不可逆的态势深度解构并重塑制造业的底层工程逻辑,推动工厂运营从经验驱动向算法驱动进行系统性转变。格创东智在半导体和先进制造领域的战略意图非常明确,即通过底层架构革新,彻底取代沿用数十年的传统静态设备控制体系。除了推进现有设备的AI工程化改造,企业正加速在边缘计算节点融合轻量化工业大模型,使得单片机级别的现场控制器也能具备基础的实时自适应推理能力。工厂端的数据采集颗粒度正在从秒级向微秒级迈进,海量高频数据训练出的工业算法模型,其计算精度已超过人类资深工程师的经验极限。面对苹果供应链及全球顶级芯片制造商对良率与碳排放指标日益严苛的要求,传统制造企业若无法实现设备底层数据的实时计算与闭环,将面临直接被踢出头部供应链的生存危机。格创东智通过开放100个免费授权并培训1000名核心骨干,实际上是在推行一套以AI为核心的设备工程操作标准协议。这迫使工厂管理者必须重新评估IT架构与OT架构的融合路径,加速淘汰旧有的基础控制系统,全面迎接基于算力与认知模型的智能制造体系重构。


