关键字: [亚马逊云科技， 生成式AI， IQ， Ai制造供应链， 多智能体协同推理， 自动化流程， 异常分析， 库存优化]

导读

在这场演讲中，演讲者介绍了亚马逊云科技在制造和供应链领域的AI应用场景。他阐述了AI在生产线运营助手、制造缺陷分析、库存分析和工业控产等方面的应用，并通过客户案例展示了AI如何实现生产线实时监控、缺陷原因分析、库存查询和订单追踪等功能，提高生产效率、缩短故障处理时间、优化库存管理和订单交付。演讲者还介绍了支持这些应用的技术进步，如推理模型、多智能体协同等，以及亚马逊云科技在推动AI与企业核心业务系统整合方面的努力。

演讲精华

以下是小编为您整理的本次演讲的精华。

下午好，各位嘉宾。我将为大家分享深层次人工智能在制造和供应链领域的一些场景应用。

相信在过去一两年的尝试中，大家可能在研发、营销、产品设计等场景应用了不少新兴AI技术。但在供应链和制造领域的应用相对较少，主要原因在于这些领域的流程和数据较为复杂，早期AI的能力和推理能力相对较弱。然而，从今年开始，我们看到了一些新的变化，越来越多的企业开始在这些领域尝试AI应用。

我们可以看到，AI的适用范式不断迭代。最初，大家普遍使用AI进行写作、查询等个人助手类工作。随后，出现了IT流程自动化和AGI(通用人工智能)，可以完成一些流程自动化工作，提高效率。在过去一年多，我们服务了许多客服类应用，实现了工作人员的自动化。今年，提出了AI系统的概念，对应多智能体协同框架。在这一概念下，AI模型不仅具备推理、决策能力，还可编排完成复杂流程。

目前，我们有合作伙伴和客户开始探索AI平台在制造和工业领域的应用场景，并尝试落地。接下来，我将尽可能从三个具体场景的维度分享我们的合作伙伴和客户在制造或工业领域的探索。

首先是制造场景，我们介绍两个相对通用的场景。第一个场景是产线运营助手。我们与一家知名战略咨询合作伙伴合作，为一家大型企业的海外工厂开发了这一系统。在产线上，人员经常面临各种生产异常，需要不停查找原因、汇报主管并寻找解决方案，这是一个应对生产异常的救火过程。我们为他们配备了助手，实时监控产线数据、设备状况、物料运输情况，一旦出现异常就会预警，并给出相应分析和下一步建议。这样可以有效提高效率，让员工将更多时间专注于工作改善，而非应对突发状况。

第二个场景是制造缺陷分析。在我之前的工作中，我发现制造行业的生产流程通常非常复杂，因此经常会出现一些复杂的生产缺陷。对于这些缺陷，需要经验丰富的资深工程师带领初级工程师，花费大量时间才能找出原因。他们需要查阅各种系统数据、参考历史经验和技术文档，进行数据收集、统计分析，最终得出结论。这是一个极为耗时的过程。如果能够将这一分析处理过程自动化，就可以大幅节省发现问题的时间。在许多复杂产业中，一旦出现异常，产线可能已经停止运行，造成损失。因此，缩短分析时间可以大幅减少停产损失，提高产量。

我们可以看一个客户的实践案例。这是一家领先的制造企业，主要生产PC，他们在海外工厂已经落地了这一系统。在这个案例中，生产线人员通过耳机APP实时获取产品异常和指标偏离信息，这些信息也会直接报告给生产主管。主管可以看到相应的分析报告，了解是哪些根因导致了问题，比如供应商物料延迟等。同时，一旦出现这样的问题，也会通知维修工程师。无论是运维人员还是维修工程师，他们都有助手支持，在一个协同平台上集成了工厂的ERP系统和数据，实现实时洞察和快速解决问题。

同样，每天早上的例会上，他们可以清楚看到前一天哪个区域、哪个单位的产出出现了异常，快速钻取细节，提取相关数据，并基于KPI值持续改善，追溯改善效果。

我们再看一个例子，假设我是一名厂长。作为经验丰富的管理者，我可以看到当天的生产报表，了解整体情况。如果我想知道为什么某个工序的优品率下降，系统会层层分解与优品率相关的KPI，找到影响优品率下降的主要根因，再分析这一根因发生的具体原因。通过这样的分析，作为厂长或制造部门负责人，我不仅知道发生了什么情况，还清楚了解发生的原因。

接下来是一个合作伙伴在半导体领域的应用案例。他们遇到了一个复杂的生产缺陷:在某道工艺之后，生产出的半导体界面上出现了细小但明显的划痕，如果不去除这些划痕，芯片就需要报废。通常情况下，资深工程师根据经验，可能会判断出10种可能原因，如环境、供应设备、传输机械手臂或设备污染等。他们会带领初级工程师，先到相应设备收集数据，进行统计分析判断当时设备是否正常运行。做完统计分析，再与预设的判断标准对比，最终得出是哪一个或几个原因导致的。

这个过程包括可能原因判断、数据采集、统计分析、推理分析和生成报告等步骤。在一些复杂的制造业，这个过程可能需要花费一两周时间，期间可能会导致产线停止运行或持续生产出现隐患。

为了解决这一问题，我们设计了一个AI集成系统，将这一过程自动化。我们将入口设置为一台测试设备，在测试过程中发现产品表面出现划痕。系统首先会通过一个支持AI模型，辨别划痕的位置、大小和形状，判断属于哪一类划痕，然后根据知识库判断出可能的原因。

接下来，支持AI会为每一类可能原因编排实验流程，我们相应构建了数据采集AI、统计分析AI和推理AI，组成一个AI集成系统。在支持AI的编排下，这三个AI分别完成数据采集、统计分析和推理分析任务，最终汇总形成报告。通过多智能体协同，系统自动编排了四条流程，完成了整个分析过程，比人工分析节省了大量时间。

接下来介绍供应链场景，我将分享两个场景。第一个是库存分析。对于企业来说，库存管理非常重要。无论我是计划员还是生产管理人员，避免过多或缺货库存都是重要的KPI考核指标。传统上，他们需要查询相关系统，由专业人员调取数据并分析。现在，我们可以配备辅助助手，通过交互式查询，快速列出过多或延迟采购订单的库存，分析出现问题的根因，并提出改进流程的建议，甚至直接执行预设流程。

第二个场景是工业控产。我们讲的是一个智能控产系统，有点类似于制造场景中的运营助手，它会全局管控工业运营状况。工业运营无外乎两个方面:一是预测风险并提前预防，避免延期交付;二是实时跟踪订单交付状态，确保准时交货。如果我们为企业打造一个多智能体协同的制造平台，就可以完美实现这两个目标。当发现异常时，系统还可以提出弥补措施，最终确保订单按期交付。

我这里演示一个简单的Demo，对应库存分析场景。我们接入了AR合作伙伴的产品源数据。你可以直接问系统“帮我看一下有哪些过多的库存”，它就会自动列出过多库存的信息。你也可以问“告诉我哪些采购订单延迟了”，系统会显示出延迟的采购订单，并告知影响的金额。

对于工业控产场景，我们欢迎合作伙伴天宇介绍一下联想在自身环境中开发的IQ智能控产平台。联想的IQ系统实现了智能控产，可以全局管控工业运营状况，预测风险并提前预防避免延期交付，实时跟踪订单状态确保准时交货。一旦发现异常，系统还可提出弥补措施，最终确保订单按期交付。

总的来说，这一演讲分享了人工智能在制造和供应链领域的创新应用，利用多智能体协同推理实现自动化，提高生产效率、降低损失。关键在于AI模型的推理和决策能力、多智能体系统的协同、与企业系统的融合、开放的模型开发和案例复用等因素。未来，AI将在这些传统领域发挥越来越重要的作用。

下面是一些演讲现场的精彩瞬间：

在分析生产问题的过程中，涉及到复杂的数据收集和统计分析，可能导致设备暂时停止或持续生产，引发潜在问题。

通过专业人员的辅助，帮助企业进行库存分析、问题根因分析和流程优化，提高供应链管理效率。

总结

在这场精彩的演讲中，讲者分享了人工智能在制造和供应链领域的创新应用。他首先阐述了人工智能技术在企业应用中的重要性，尤其是多智能体协同推理系统的兴起。接着，他从制造场景和供应链场景两个角度，分别介绍了具体的应用案例。

在制造场景中，他重点介绍了两个案例:一是产线运营助手，利用人工智能实时监控生产线数据，预测异常并提供解决方案，提高生产效率;二是缺陷分析系统，通过多智能体协同推理，自动分析复杂生产缺陷的原因，大幅缩短分析时间。他还分享了一家领先制造企业在海外工厂的实践案例，展示了人工智能如何提升生产线管控和问题解决能力。

在供应链场景中，他同样介绍了两个案例:一是库存分析助手，通过人工智能查询和分析库存状况，识别潜在问题并提供建议;二是智能控产系统，全局监控生产运营风险，实时跟踪订单交付状态，并在异常时提供应对措施。最后，他还现场演示了一个简单的库存分析场景。

讲者强调，推动人工智能在企业应用的落地，需要模型能力的突破、企业数据的整合、安全基础设施的支持以及开放的生态系统。他呼吁企业抓住机遇，与合作伙伴携手探索人工智能在制造和供应链领域的更多创新应用。

我们正处在Agentic AI爆发前夜。2025亚马逊云科技中国峰会提出，企业要从“成本优化”转向“创新驱动”，通过完善的数据战略和AI云服务，把握全球化机遇。亚马逊将投入1000亿美元在AI算力、云基础设施等领域，通过领先的技术实力和帮助“中国企业出海“和”服务中国客户创新“的丰富经验，助力企业在AI时代突破。