制造业AI应该从哪里开始？ 你的质量总监为什么第一个想上AI？
IT部门的人有时候反而会犹豫——这个算法准不准？数据量够不够？他们习惯从技术可行性的角度去评估。但质量部门的人想得很简单：现在漏检一个批次，客户投诉一次，损失多少钱？如果AI能把漏检率降下来，这笔账怎么算都是划算的。 这种"经营视角"的差异，是我在筹备这场大会的过程中反复看到的。真正推动AI落地的，往往不是最懂技术的人，而是最痛的那个业务部门。
行业动态
中国邮政储蓄银行副行长CIO牛新庄：破局商业银行大模型规模化应用
以人工智能大模型为代表的新一代信息技术已成为推动银行数智化转型、赋能金融高质量发展的重要引擎。然而，大模型在赋能银行业务创新的同时，在大规模应用推广过程中面临诸多挑战，如基础模型金融专业知识不足、易形成模型孤岛，推理成本高昂、资源利用不均衡，模型上线周期长、难以兼顾基础能力的稳固与场景迭代的敏捷等。
拒绝空谈AI！制造业三大系统（PLM/ERP/MES）算力边界与落地红线
在智能制造体系中，PLM（产品生命周期管理）、ERP（企业资源计划）、MES（制造执行系统） 是三大核心业务系统。随着AI深度嵌入，它们对 数据、模型、架构、算力、约束与边界临界 提出了差异化且日益严苛的需求。理解这些需求，是构建“AI原生”工业智能系统的关键。以下从 六大维度 对比分析三大系统在AI赋能下的核心诉求，并给出融合演进方向。
全球灯塔工厂已经有189家，中国占了将近80家 ，那么最好的AI工厂，长什么样?
中国最好的AI工厂，不是某一家具体的工厂。而是那些把AI做到了"看不见"的工厂。博世无锡，是我研究过的，最早让我理解这一点的地方。
企业AI最值钱的数据，不是知识库，而是意图库
我们聊了一个观点：很多企业AI项目做失败，不是因为模型不够聪明，而是AI根本没搞清楚用户想干什么，意图识别出问题了。这个问题背后，藏着企业AI建设里一个被长期忽视的东西：
告别“AI悬浮”：制造业服务化转型的三阶九步落地法
在制造业向“服务化、平台化、智能化”深度转型的进程中，基于服务的生态系统（Service-Based Manufacturing Ecosystem, SBME）已从理念走向实践。然而，许多企业在构建生态时面临三大核心挑战：
ERP项目烂尾的根源：多数故障，都是人为造坑
300多万的ERP，实施和开发占了2/3，听着好像利润不低，但是，项目至今第五年，还没验收，而且他表达：再给五年都验收不了，因为环环相扣的坑太多了，ERP系统已经被改的面目全非……
不是北京去不起，而是无锡更有性价比
北京、上海固然是好地方。但制造业AI这件事，真正的水位在工厂里，不在高楼里。我把AI中国行的第一站放在无锡，是想让这个品牌从诞生的第一天起，就站在制造业最真实的土壤上。
