AI 不是从模型开始:曼森集团的 AI 就绪启示

「文智助手」全场景办公AI助理AI+OPC全流程实践方案(大赛作品) 阅读详情

Lead:企业上 ERP,不只是为了今天管理更规范,也是为了让未来的 AI 真正懂业务、进流程、能决策。


过去一年,几乎所有企业都在谈 AI。很多老板开始试用大模型,员工开始用 AI 写文案、做表格、查资料,会议上也越来越多出现“智能体”“Copilot”“行业大模型”这些词。


但对制造企业来说,一个更现实的问题是:AI 到底能不能进入企业真正的经营现场?它能不能帮计划员提前看见缺料风险?能不能帮老板判断哪些订单会拖期?能不能让排产、齐套、成本、质量这些复杂问题更早被发现?


答案并不首先取决于模型有多强,而取决于企业有没有一套能让 AI 读懂的业务底座。


这也是曼森集团这次数字化升级最值得观察的地方。它不是为了追 AI 热点而上系统,而是在 AI 真正进入企业之前,先把流程、数据、规则和标准放进同一套经营系统里。


很多企业误解了 AI 的起点


个人使用 AI,起点可以是一个提示词;企业使用 AI,起点必须是业务数据。


奥维奥董事长胡鹏程在对话中说得很清楚:企业级 AI 和个人 AI 是两个维度。AI 在企业里不能只停留在工具层,它必须嵌入内部关键场景,解决效率、瓶颈、预测和计划问题,而这些都取决于好的数据基础。


这句话非常关键。很多企业今天谈 AI,容易把注意力放在“模型能不能回答问题”上,却忽略了企业级 AI 真正难的地方:它要回答的不是开放式问题,而是业务问题。


比如,某张订单能不能按时交?某个工厂下周产能是否冲突?某批面辅料是否齐套?哪个客户、哪个款式、哪个订单的利润正在被加急、返工、错配慢慢吃掉?这些问题如果没有结构化订单、库存、生产、采购、成本和质量数据,AI 很难真正给出可信答案。


ERP 是 AI 进入企业经营的第一层语法


对制造企业来说,ERP 不只是财务和进销存系统,而是企业经营数据的语法系统。它定义了订单怎么来,物料怎么动,生产怎么走,成本怎么归集,财务怎么反映,责任怎么追溯。


没有这套语法,AI 只能在企业外面“会说”;有了这套语法,AI 才可能进入企业内部“会做”。


曼森集团董事长陈海锋选择 SAP Cloud ERP,不是为了“高大上”。他反复谈到的是企业规模化后的管理焦虑:过去靠人、靠经验、靠某个强人把客户维护好、把产品交付好,但当体量变大、客户要求升级、供应链变复杂,这种方式已经不够用了。


他看重 SAP 的国际性、承载力、开发能力和包容力,本质上是在为曼森集团未来 10 年、20 年的发展搭建底座。这个底座不仅支撑今天的经营标准化,也支撑未来 AI 对业务数据的理解、调用和判断。


排产和齐套,是企业级 AI 最容易被看懂的价值场景


服装制造的 AI 价值,不应该停留在生成设计图或客服问答上。更大的价值,可能发生在那些过去最依赖经验、最容易出问题、也最影响交付的环节,比如排产和齐套。


胡鹏程在对话中举了一个很具体的方向:围绕生产排程和齐套性检查,企业可以通过更好的数据基础,提前 8 到 12 周模拟物料齐备情况和交付风险,避免等到交期临近才发现赶不上。


这不是一个炫技场景,而是制造企业每天都会碰到的真实痛点。过去计划员可能只能基于本周、本月的信息去排;老板可能等到现场报警、客户催货、物料短缺时才知道问题。未来,如果系统能提前把订单、库存、采购在途、在制、产能、优先级放到一起预演,AI 就不再是概念,而是交付风险的提前预警器。


但这里有一个前提:数据必须是真的、实时的、能被业务规则解释的。没有 ERP 的流程底座,没有现场执行数据反馈,没有统一主数据,AI 看到的只会是一堆碎片。


AI 不是替代老板经验,而是放大组织能力


很多制造企业老板对 AI 既期待又担心。期待的是效率提升,担心的是 AI 不懂行业、不懂现场、不懂自己的企业。这个担心并不多余。AI 要真正有用,不能只是外部模型,而要和企业自己的业务规则结合。


陈海锋在谈到曼森集团数字化时说,企业过去优秀的东西不能丢,新的东西也要大胆拥抱。这句话也适用于 AI:AI 不是要抹掉企业经验,而是要把过去沉淀在老板、计划员、车间主任、采购经理脑子里的经验,转化成数据、流程和规则,让组织可以持续使用。


这才是 AI-ready 的本质。它不是买一个 AI 工具,也不是做一个演示 Demo,而是让企业先变成一个可以被 AI 理解的组织。


奥维奥的价值,是让标准系统真正进入业务现场


企业要实现 AI 就绪,不能只看模型层,还要看业务底座、行业场景和实施落地。SAP Cloud ERP 提供的是标准化、全球化、可持续升级的经营能力;奥维奥的价值,则是通过行业理解、实施方法和持续陪跑,把这套能力落进曼森集团真实业务现场。


陈海锋对奥维奥的评价很有意思。他没有只说“专业”“高效”,而是说和奥维奥团队合作,是这些年做项目里“最舒服”的一次。因为很多系统会要求企业适应系统,但奥维奥在实施过程中,会把曼森集团真实的诉求和体验放进去。


企业级 AI 的落地也是同样道理。标准平台很重要,但行业伙伴更重要。因为模型不懂企业的沉默知识,系统也不会自动理解行业复杂性。需要有人把 SAP 的标准能力、服装行业的业务场景、曼森集团自身的管理特色连接起来。


AI 就绪不是技术命题,而是经营命题


今天很多企业以为 AI 是技术部门的事。实际上,对制造企业来说,AI 就绪首先是经营命题。企业有没有统一数据?流程有没有标准?计划和现场能不能闭环?成本能不能追溯?质量问题能不能定位?这些问题不解决,AI 再先进,也很难真正进入企业核心场景。


曼森集团的启示正在这里:它不是为了今天多一个系统,而是为了让未来的经营能力有底座。
当订单、物料、产能、工序、成本、质量、财务都进入同一套系统,AI 才有机会真正理解业务。它才能从“回答问题”走向“提前发现问题”,从“辅助办公”走向“辅助经营”,从“个人效率工具”走向“组织能力放大器”。


AI 不是从模型开始,而是从企业愿不愿意把流程、数据和规则变成可被机器理解的资产开始。曼森集团这一步,表面看是 ERP 建设,深层看,是在为未来十年、二十年的智能经营提前铺路。
 

船载 OpenHarmony AIS 航海工作台:告警与防碰撞预警系统 船载OpenHarmony AIS航海工作台的告警与防碰撞系统,集成十余类告警(超速、偏航、会遇、SOS等),通过网格空间索引实现高效邻近判定,保障实时性。告警管理器统一调度规则、去重、通知与日志,支持悬浮球、语音、跑马灯、弹窗多渠道触达,确保航行安全。SOS紧急通道独立运行,避免干扰。系统设计强调性能优化与多场景适配,为航海安全提供核心支撑。 阅读详情

相关推荐

AI 应用开发:四维架构落地实战——以 HR Agent 为例拆解感知·推理·记忆·执行【意图路由、规划编排、长期记忆、工具执行、面试题】

本文基于四维架构(感知·推理·记忆·执行),以HR Agent为例,系统拆解大模型应用从“聊天”到“生产可用”的落地路径。通过Spring AI实现意图路由、规划编排、RAG检索与工具调用,结合真实踩坑复盘,揭示架构化设计对安全、成本与可维护性的关键价值,为AI Agent工程化提供可复用的实战框架。

王大师企业官方博客 1325

SNP亮相2026思爱普中国峰会,助力企业加速数据价值兑现

摘要:6月3日,SAP中国峰会在京举办,聚焦AI商业落地与"自主运营企业"战略,推出Joule Studio 2.0开发平台及200+行业AI代理。SNP作为合作伙伴,通过数据迁移、系统集成等核心技术,帮助企业构建AI-ready数据基础。IBM与SAP联合发布白皮书,强调统一ERP底座对AI规模化的重要性。三一、联想等企业分享了AI与数字化融合实践。峰会从战略到落地全面探讨了企业AI转型路径,助力迈向自主运营新时代。(149字)

SNP公司——中国数据转型公司 262

从零到一:用AXI DataMover在Zynq MPSoC上实现高效DMA传输(附Vitis HLS驱动示例)

本文详细介绍了如何在Xilinx Zynq UltraScale+ MPSoC平台上使用AXI DataMover实现高效的DMA数据传输。通过解析AXI DataMover架构、Vivado工程配置、Vitis HLS驱动开发及性能优化技巧,帮助开发者快速构建高性能数据传输通道,并提供了可直接复用的代码示例。

weixin_42520796的博客 430

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 341

Jasypt 开源加密库使用教程

Jasypt 加密框架概述 1、Jasypt Spring Boot 为 spring boot 应用程序中的属性源提供加密支持,出于安全考虑,Spring boot 配置文件中的敏感信息通常需要对它进行加密/脱敏处理,尽量不使用明文,要实现这一点,办法有很多,自己手动对敏感信息进行加解密也是可以的。 2、有需求就有人奉献,Jasypt 开源安全框架就是专门用于处理 Spring boot 属性加密的,在配置文件中直接配置密文,然后应用启动的时候,Jasypt 会自动将密码解密成明文供程序使用。 3、

蚩尤后裔-汪茂雄 3万+

Unity卡牌游戏UI框架:数据驱动与模块化设计实践

在Unity游戏开发中,UI系统是连接玩家与游戏逻辑的关键桥梁,其核心在于实现数据与表现的高效同步。数据驱动设计通过分离数据模型、逻辑状态与视图表现,利用观察者模式自动响应状态变化,确保了代码的清晰与可维护性。这种架构显著提升了开发效率,尤其在需要复杂状态管理和实时反馈的交互场景中,如卡牌游戏的拖拽、布局与动画系统。基于模块化思想,开发者可以将卡牌视图、布局管理、区域控制等组件像积木一样组合,快速构建出动态的手牌弧形布局、战场区域管理等特色功能。通过集成对象池、图集优化等性能方案,还能有效管理绘制调用与网格

weixin_34262482的博客 454

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 280

HAL库硬件SPI驱动ST7735 TFT屏幕:从零实现高效刷屏与图形绘制

本文详细介绍了如何使用STM32的HAL库硬件SPI驱动ST7735 TFT屏幕,从硬件连接到SPI配置优化,再到图形绘制与文本显示的实现。重点分享了DMA传输、局部刷新等高级优化技巧,显著提升刷屏效率,帮助开发者快速掌握屏幕驱动技术并应用于实际项目。

pink的博客 741

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 616

《2026国赛命题趋势前瞻:从近年真题看今年高教社杯的三大热点方向》

距离2026年“高教社杯”全国大学生数学建模竞赛,只剩下不到一个月的时间。如果你还在盲目刷往年真题,如果你还在死磕传统的微分方程和线性规划,如果你还在用五年前的论文模板——那么很遗憾,你很可能已经在起跑线上落后了。这不是危言耸听。过去三年,国赛的命题风格发生了肉眼可见的剧变。国赛正在从“数学技巧比拼”全面转向“数据科学能力+工程落地思维”的综合较量。2026年,恰逢国赛创办第35周年。在这个特殊的节点,命题会走向何方?哪些方向会大概率成为今年的“爆点”?

YOLO 25

麒麟V10安装图形化界面

在配置VNC时发现,原本麒麟V10系统最小化安装,导致无图形化界面,先需要对其进行安装。 首先确保无图形化界面,可以在终端输入startX命令查看是否报错。 安装介绍: 1、 安装图形化界面 yum grouplist //查看可用yum安装组 注:这里一般会有缺少包或者出现包不符合的问题 导入软件包分组信息文件xxxx-comps.xml arm: 将此文件传送到源服务器, 然后createrepo -g导入到arm的base目录和updates目录 createrepo -g e33dc

Pro_jhf的博客 8076

抽象主义人工智能和生命体AI的内在联系

彭军辉提出“抽象主义人工智能”作为第四大AI范式,批判符号主义、连接主义、行为主义剥离生命本体的误区,确立“智能是现象,生命是本体”的核心公理。主张原生智能必须依附具备存续诉求的生命本体,提出“生命体AI理论”,构建七层演化阶梯与自闭环工程框架,强调智能不可跳过底层存续机制直接模拟语言。该体系为生成式AI提供科学边界,推动从“仿真表象”向“原生智能”的范式跃迁,开辟硅基人工生命新赛道。

抽象主义人工智能和生命体AI 209

SwinTransformer改进(5):与CBAM结合的视觉模型

这个模型的核心思想是将Swin Transformer的强大特征提取能力与CBAM的注意力机制相结合,以提升模型对重要特征的关注度。​​CBAM模块​​:包含通道注意力和空间注意力两个子模块​​Swin Transformer主干网络​​:作为基础特征提取器​​集成结构​​:在Swin Transformer的不同阶段插入CBAM模块使用移动窗口(Moving Window)机制减少计算量层次化设计,特征图逐渐缩小,通道数逐渐增加在不同阶段使用Patch Merging进行下采样。

2401_82355416的博客 688

OpenAI Control Room 架构拆解:给企业 AI Agent 加一套可审计的急停系统

OpenAI 公开了用于追踪和停止研究模型工作负载的 Control Room。本文拆解 job_id、推理前鉴权、35 秒撤销窗口与 Fail Closed 设计,并给出企业 AI Agent 急停控制面的数据模型、FastAPI 参考实现、缓存撤销策略和故障演练清单。

jerry764的博客 345

华为OD机试 - 开源项目热度榜单(Java 2025 C卷 100分)

H = Wwatch X#watch + Wstar X#star +Wfork X#fork +Wissue X#issue +Wmr X#mr H表示热度值,Wwatch、Wstar、Wfork、Wissue、Wmr分别表示5个统计维度的权重,#watch、#star、#fork、#issue、#mr分别表示5个统计维度的统计值。

学Java,找哪吒 1756

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

OpenClaw 深度调查:把 AI 助手做成你自己的控制平面

对 openclaw/openclaw 的完整技术尽调:Gateway 架构、Agent 运行时、工具与沙箱、30 个消息通道、181 个插件、安全信任边界、工程代价与采用建议。17 章 / 10 张图,全部数字标注口径,数据截至 2026-10-31。

厚积薄发 363

文档:亲测可用解决vnc灰屏,黑屏,鼠标大黑叉情况

主要解决vnc-viewer灰屏,黑屏,鼠标大黑叉等现象,详细见文档。

AI赋能智慧港口建设|造形家快速生成港口全要素三维场景

随着智慧港口、港口数字孪生项目的持续推进,港口三维场景的需求日益旺盛。传统港口三维建模,往往需要航拍倾斜摄影采集数据,再人工搭建吊机、岸桥、船舶、集装箱等大量工业设施模型,项目周期长、人力成本高,修改迭代繁琐,制约港口可视化项目落地效率。国产AI三维建模工具,依托卫星影像 AI 识别能力,无需航拍作业,一键快速搭建港口完整三维场景,为港口数字孪生、方案汇报、投标演示提供高效的场景解决方案。

m0_69539167的博客 87

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

从设备增点到治理闭环:老旧小区物业数智化落地实践

系统连接合同审批、银行流水、收费记录与项目台账,执行到期提醒、收入核验、异常标色和月度对账,让每一笔资金来源明确、去向可查。针对设施老旧、诉求响应慢、公共收益不透明等问题,津南以6类小区为试点场景,统一建设物业数字化底座,关联楼栋、单元、房屋、业主、空间、设施设备、工单、公共收益等核心数据。系统采用统一编码管理,将摄像头、路灯、井盖、道路、绿化等设施纳入资产台账,解决纸质记录更新滞后、故障责任难追溯的问题。基于历史工单建立分类模型和知识库,辅助识别照明、给排水、电梯、环境秩序、秩序维护等问题;

wuyeshuzhihua的博客 163

企业微信iPad协议详解:接口接入、实时消息同步与语音转码实践

深入解析企业微信iPad协议的技术架构与开发思路,涵盖API接口接入、长连接通信、实时消息同步、Silk语音转码、异常重连及高并发优化,帮助开发者了解企业微信自动化系统的设计与实现。

欢迎来到祖安! 514

Product Hunt 热榜 2026-11-13:Plurai Simulation、YouArt Desktop App、Omnigraph

2026-11-13 Product Hunt 新产品精选:Plurai Simulation、YouArt Desktop App、Omnigraph。汇总 15 款产品的中文介绍、功能关键词和产品链接。

LaughingZhu的博客 619

【AI Agent面试系列】AI Agent可观测、评测、安全相关的知识点

之前的文章介绍了和,本文主要介绍AI Agent的测评、可观测等知识。

408

Docling 原理解读:是什么、为什么、怎么样

从论文视角拆解 Docling 的整体架构、DoclingDocument 数据模型、PDF 预处理、版面分析、OCR、TableFormer 双解码器、阅读顺序与装配流程,并解释版面框与 OCR 框的区别。

PLANTTHESON的博客 402

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程

WorkBuddy 实战:一句话需求 → 七屏可交互原型,户外徒步 App 的 AI 设计全流程,跟着博主一起来还原整个过程。

夜郎King的博客 5168

从认识人工智能到理解机器学习:我的 AI 入门第一课

正式开始学习人工智能之前,我对 AI 的认识其实比较模糊:知道 ChatGPT、知道大模型,也知道现在很多岗位都在谈 AI,但如果有人问我“人工智能到底是什么”“机器是怎么学会识别一只猫的”,我未必能从头到尾讲清楚。上午的课程更偏向行业全景:人工智能的发展、研究方向、NLP、岗位分工、学习路线和 AI Coding 工具。下午的课程更偏向技术基础:机器学习的原理、有监督学习、深度学习、模型训练和评估方法。

chh563的博客 574

企业宣传片发前如何批量排查并遮挡视频里的敏感信息

做企业视频的人都会碰到一个具体问题:实拍画面里混进了不该出现的信息。办公室背景里有贴着客户信息的白板,采访对象的授权书边缘露出一串身份证号码,街采素材里路人面孔和车牌号直接入镜。人眼在时间线上扫视,会漏掉快速闪过的帧、画面边缘的小字、以及暗光区域里的证件号码。用抹影AI完成车牌、人脸和证件区域批量检测后,又手动补充了两个时间段的屏幕遮罩,最终导出时画面已无合规隐患。重点关注快速运动、遮挡、低光照条件下的目标,这些是漏检的高发区域。导入视频后选择要检测的目标类型(人脸、车牌、证件号、二维码等)。

Mysssone的博客 182

面向工业对讲的双通道声学 DSP 模组 A-59(NR2050-A)方案解析与工程落地案例

A-59模组以NR2050-A DSP为核心,37.5×16mm邮票孔封装,支持-40℃~85℃工业温域,兼容A-06/A-09/A-29系列,可低成本替换存量设备。通过固件切换实现三种模式:模式一(低改版成本,适配矿井、电梯);模式二(最优AEC,用于医院呼叫);模式三(双波束独立输出,支持双人会议语音分离)。集成AEC、ENC、BF与AGC算法,有效抑制回声、噪声与串扰,解决对讲系统核心声学难题。选型需注意参考信号路径、麦间距与温度匹配,建议先做声学测试再量产。

R190_6589的博客 374
上一篇: 不在餐桌上,就在餐盘里:被卷入“新全球化”的先进制造企业,如何从便宜供应商升级为可信运营节点 —— 企业全球运营能力自查、标准建立、系统选型与落地实施白皮书
下一篇: ERP财务哪家强?老板真正怕的不是报表晚, 而是公司失控了还以为账是准的
SAP_奥维奥科技
博客等级 码龄3年 447粉丝 143原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值