集成供应链的 APS，对库存、产能、订单交付等进行智能匹配，提升库存周转率、订单按时交付率；物料调度系统，通过规则布置、模型推荐、AI 智能调度算法等，实现物流最优路径；设备预测性维护，持续评估设备健康状态并提前预警故障，减少突发停机，延长设备寿命，提升整体设备效率；包装 AI 防错，解决包装环节的漏装、错装等问题……如今，这在惠州德赛西威的惠南工厂、仲恺工厂，是日常一幕。

德赛西威正以自研多模态大模型 Pangoo 为底座，将人工智能深度嵌入研发设计、供应链管理等环节，推动企业从 " 制造 " 向 " 智造 " 完成关键一跃

在广东全力打造人工智能产业新高地的背景下，德赛西威正以自研多模态大模型 Pangoo 为底座，将人工智能深度嵌入研发设计、供应链管理、生产制造、质量管控等环节，推动企业从 " 制造 " 向 " 智造 " 完成关键一跃，同步也向外界展示 AI 如何真正 " 沉 " 进车间、" 扎 " 进产线。

" 数据说话、AI 拿主意、系统自己纠偏 "

2015 年，当多数制造企业仍在观望数字化转型时，德赛西威已将智能制造、数字化转型确立为公司级战略。近十年持续投入后，其于 2023 年通过国家《智能制造能力成熟度模型》四级认证（CMMM4），成为国内汽车电子行业智能制造的标杆。

" 汽车电子对高柔性和高可靠性的要求，决定了 AI 不能只做几个孤立的应用。" 德赛西威有关负责人介绍，按照国家智能工厂卓越级、领航级的定义，AI 应用场景比例分别要不低于 20% 和 60%，这让我们必须全面布局 AI。

德赛西威给出的答案是打造 " 数据驱动—智能决策—动态优化 " 的闭环智造模式。

为此，德赛西威技术团队搭建了一套 " 数据底座 + 模型中台 + 业务场景 " 的三层架构，形成全链路智能制造体系。底层统一数据底座打通产线实时工况、MES、ERP 等全域数据，实现所有场景数据同源互通；中层 AI 模型中台沉淀视觉检测、时序预测等通用模型资产，为全场景提供可复用的标准化智能能力。上层 16 个场景形成端到端业务闭环，各场景深度联动、数据互通、能力共享。

在德赛西威工厂，AI 优化生产流程、实现智能决策，生产效率大大提升

" 这彻底打破传统工厂 AI 单点碎片化应用弊端，同步实现工厂全局降本、提质、增效的整体最优解。" 德赛西威有关负责人表示，其核心逻辑可概括为：先让数据 " 说话 "，再让 AI" 拿主意 "，最后让系统 " 自己纠偏 "。

这套逻辑在项目实施的过程中得到了充分验证。如通过大数据和 AI 优化生产流程、实现智能决策，生产效率大大提升，助力年营收实现大幅度增长；质量方面，产品过程不良率大大降低，电子器件缺陷检测系统将多产线、多厂区缺陷识别率提升 100%，包装防错覆盖率提升至 100%，订单按时交付率提升至 98%-100%。

五个 " 首次 "，让 AI 真正读懂车规级产品

在车规级制造中，一块电路板上的微小缺陷，都可能成为行车安全的风险敞口。传统 AOI（自动光学检测）设备误报率高，需要大量人工复判。而市面上通用大模型又缺乏对汽车电子制造场景的 " 专业认知 "。因此，德赛西威选择了自研 Pangoo 多模态大模型。

在德赛西威的 AI 应用版图中，缺陷检测是最具代表性的场景之一。" 基于多模态大模型的汽车电子元件缺陷检测应用 " 系统采用 CLIP、PointMAE、LM4TS 等大模型，结合 GANs、VABs 的图像生成方法和数据增强技术，构建起高密度电子部件的缺陷检测体系。经测试应用，该系统在多产线、多厂区实现了至少 99% 的缺陷识别率。

对于车规级产品而言，1% 的漏检差距意味着什么？" 可能影响行车安全。" 德赛西威有关负责人介绍，而 AI 通过学习海量真实样本，能更准确地区分 " 真缺陷 " 和 " 正常波动 "，大幅减少了误判。

而这项技术背后，创新实现了五个 " 首次 " 的突破：首次利用元数据和生成模型构建 10 亿量级电子部件缺陷多模态大数据集，大大降低了大数据集建立成本；首次提出建立基于点云、图像、时序等的多模态大模型，实现对高密度电子部件多类缺陷同时检测、精准识别；首次提出基于多模态大模型的自适应迁移学习，结合领域预训练和低成本学习实现有效迁移学习，提高了多模态大模型泛化和在新任务上建模速度；首次提出基于多模态大模型的在线学习算法，适应高密度电子部件生产中新缺陷类型的问题，提高了其对新缺陷类型的检测效果；首次提出基于多模态大模型的自适应加速部署方案，解决现有大模型参数量巨大在推理过程消耗大量时间和算力的问题，实现在线复杂场景下的应用落地。

在德赛西威的智能化产线上，AI 让流水线告别传统人工模式，产能精度与运转效率双双跃升

同样，在德赛西威工厂的生产线上，AI 正在做一件更 " 超前 " 的事——预测设备何时会出故障。" 基于人工智能的汽车电子制造产线装备预测性维护系统 " 集成了自注意力机制的时序预测模型，结合 SPC（统计过程控制）理论，从振动、温度、电信号、声学与超声、油液与介质、工况与运行日志六大类数据维度实时感知设备健康状态。通过建模得到 " 健康指标 " 和 " 剩余寿命 " 预测。

德赛西威有关负责人介绍，这对产线运营模式带来了根本性改变，主要体现在四个方面：维修范式转变，从时间驱动到状态驱动 + 预测驱动；数据角色转变，从事后归档到实时决策依据；决策权重再分配，AI 提建议、人做决策；设备管理从成本中心到数据资产。

从标杆工厂到对外赋能，广东 " 智造 " 的鲜活样本

德赛西威的 AI 实践已获得工信部 2024 年人工智能赋能新型工业化典型应用案例、2026 年广东省人工智能赋能新型工业化标杆项目等多项官方认可。这些荣誉背后，是广东在数字时代推动人工智能与制造业深度融合的清晰政策导向——以 " 链主 " 企业为牵引，加速 AI 技术在重点产业链的规模化落地。

如今，德赛西威正将这套沉淀了数年的 AI 能力产品化，通过子公司威汇智能，将工业 AI 边缘计算器、APS（高级计划与排程系统）等解决方案对外赋能，系统性地推动产业链企业从 " 制造 " 向 " 智造 " 加速跃升。据介绍，目前威汇智能已通过工业 AI 视觉方案、工业软件等产品赋能多个客户，主要聚焦在珠三角等汽车电子、消费电子等行业企业。

" 对外输出也能给企业带来不错的效益。" 德赛西威有关负责人介绍，在内部方面，外部客户的多样化场景反哺 AI 模型迭代，形成 " 内部实践→外部验证→ 模型进化 " 的正向循环，同步也能将多年转型经验、AI 算法模型等，系统化沉淀为可复制的知识资产。在外部方面，企业多年的转型经验和 APS 上线经验，可缩短客户上线周期，也能可将内部实践中遇到的主数据治理、工艺路线维护、外地仓数据同步、标准工时校准、MRP 运行节奏等问题的前置解决方案带给客户，帮助客户少走弯路。

展望未来，德赛西威的目标是进一步打通研发设计、生产制造、质量管控的数据链路，让 AI 不只是 " 挑毛病 "，而是主动指导工艺参数调优、产品设计迭代、生产排程优化等多个层面，实现真正的 " 数据反哺 "。同时，实现从 " 通用检测 " 走向 " 高精度、高柔性并存 "，让 AI 系统既要保持极高精度，又要具备快速适应新产品、新缺陷类型的能力。

德赛西威的实践并非孤例。在广东这片制造业热土上，AI 正在深度融入各地产业运行的底层逻辑。广东省已明确提出，力争到 2026 年底，建设 200 家以上智能工厂和智能体工厂；而 2026 年新设人工智能与机器人产业发展资金，将重点支持工业领域大模型研发及应用解决方案。

当前，广东拥有深厚的产业基础、丰富的应用场景、活跃的创新生态。相信不远的未来，当人工智能的下半场从 " 秀参数、拼算力 " 转向 " 切入真实场景、跑通量产交付 "，广东的制造业优势也将随之转化为独特的竞争优势。

文｜记者 杨锦强