AI日报 · 9月27日

FANUC 联合 Google 开发 AI Welding Agent（基于 Gemini Enterprise）：读取工程图纸即可自动生成焊接参数与机器人运动程序，实现零示教、零设置的自动弧焊，2026 年 12 月底开始出货，面向汽车、工程机械、造船等行业应对全球焊工短缺。

弧焊广泛应用于汽车零部件、工程机械、船舶等制造领域，但能优化焊接参数、示教机器人动作的熟练焊工全球短缺，导致生产交期拉长。FANUC 自 2025 年 12 月国际机器人展（iREX）发布 Physical AI 与开放平台战略后，客户对 Physical AI 方案需求旺盛。

熟练焊工不足导致交付周期拉长；传统机器人焊接需人工示教、逐项设置参数，门槛高、周期长、经验依赖强。

以"读图纸→AI 生成参数与运动程序→机器人直接焊接"替代人工示教，让缺乏资深焊工的企业也能快速部署高质量弧焊。

AI Welding Agent 基于 Gemini Enterprise（企业级安全生成式 AI）：用 CRX 平板示教器内置相机拍摄工程图纸，AI 理解零件材料与最终形状，自动生成①焊接参数（电流/电压）②机器人运动程序；操作员可直接执行或微调后执行；图纸等生产数据受企业级安全保护、不用于训练其他用户模型。

1. 选型确认：确认现场为 FANUC CRX 系列机器人；AI Welding Agent 与具体焊机电源无关，任意连接 FANUC 机器人的焊机均可使用。2. 开通订阅：通过 FANUC 既有商务渠道订阅 AI Welding Agent 服务，无需单独与 Google Cloud 另签企业协议。3. 拍摄图纸：用 CRX 平板示教器（TP）内置相机拍摄待焊零件的工程图纸，无需加装额外相机或专用设备。4. AI 自动生成：系统读取图纸、理解材料与最终形状，自动输出焊接参数（电流/电压）与机器人运动程序。5. 人工确认或微调：操作员可原样执行 AI 生成的参数与程序，也可在焊接前微调优化。6. 试焊验证：对首批零件试焊并检验焊缝质量，确认后投入批量生产。 ⚠️ 新手注意：AI 生成结果仍建议先小批量试焊验证；图纸拍摄需清晰完整，影响识别准确率。

实现零示教、零设置的自动弧焊；降低焊工经验门槛、缩短交付周期；图纸与生产数据受企业级安全保护；2026 年 9 月 16 日东京国际焊接展现场演示，12 月底开始出货。

Physical AI 的核心是"读现实、干实事"；将资深工匠经验转化为 AI 可执行输出，是解决技能短缺的可复制路径；企业级安全与轻量部署（无额外设备）决定落地速度。

Siemens 推出 Solid Edge 2026（Designcenter 方案），主打"性能与灵活性、AI 驱动"：新一代 AI 工具、沉浸式可视化与云端方案结合，帮助企业更智能、更快速地完成设计，并随版本演进持续融入 AI。

制造业设计环节面临周期缩短、协同要求提高、重复劳动多的压力；CAD 软件正从"绘图工具"转向"AI 驱动设计平台"，AI 已成为主流桌面 CAD 的默认能力。

重复建模与图纸整理耗时；设计周期长、跨地协同难；新手学习门槛高。

以 AI 提升设计生产力、以云端方案支撑分布式团队协同，缩短设计周期。

Solid Edge 2026 将 AI 工具、沉浸式可视化与灵活云方案整合进 Designcenter 产品组合，支持设计、仿真与制造数据贯通。

1. 版本评估：确认当前使用的 Solid Edge 版本与订阅状态，评估 2026 新版本的 AI 功能与云方案。2. 试点项目：选择 1-2 个重复性高、周期紧的设计任务作为试点（如工装、标准件建模）。3. 使用 AI 工具：在试点任务中启用 AI 驱动的辅助功能（如自动生成、设计助手类能力），对比手工效率。4. 云协同验证：启用云端方案，让异地团队成员在同一浏览器环境协同设计，验证实时协作。5. 沉淀模板：把试点中验证有效的 AI 用法固化为团队模板与最佳实践。6. 推广培训：组织设计师培训后向全团队推广，并持续跟进新版本 AI 更新。 ⚠️ 新手注意：AI 生成结果仍需人工校核关键尺寸与标准合规；先试点再推广，避免直接替换成熟流程。

设计更智能、更快速；跨地团队可同浏览器协同；行业趋势显示 AI 已成 CAD 默认能力，Solid Edge 借此保持竞争力。

CAD 厂商把 AI 作为标准能力而非外挂；企业应建立"试点→模板→推广"机制，把 AI 用法沉淀为组织资产。

Tata Steel 五年间从 300 个传感器试点扩展到 82 座工厂、5721 个监测点：PlantOS 以"物理+AI"诊断机械/电气/工艺故障，消除停机 17811 小时、避免故障 3567 次、诊断准确率 99.44%，全部数据由 Tata Steel 可靠性团队验证。

钢铁产线连续运行，非计划停机损失巨大；传统计划维护按日历执行、无法适应工况变化，振动、电流等多源信号缺乏联合诊断。Tata Steel 拥有 82 座工厂（其中 4 座为一体化钢厂），设备种类覆盖高炉、球团厂、炼钢厂、热/冷轧机等。

突发停机高成本；传统告警"只预测不闭环"，洞察难以转化为检修动作；多厂区数据分散、难以统一管理。

从"预测+告警"升级为"诊断→处方→执行→验证"的闭环预测性维护，把非计划停机转化为计划检修。

PlantOS 采用有线传感每 2-7 秒采集一次数据（对比电池设备 6-7 小时），覆盖机械（振动/磨损/轴承）、电气（电机过热/驱动异常）、工艺（参数漂移/生产偏差）三类故障；物理+AI 模型定位根因，输出"具体部件+纠正动作"的处方，操作员验证执行，形成 99% Trust Loop。

1. 小范围试点：先选 1 个厂区、300 个左右关键设备/监测点（Tata Steel 从 Meramandali 试点起步），验证价值。2. 部署有线传感：对试点设备安装有线振动/温度传感器，确保 2-7 秒级高频采集（比电池采样更准）。3. 建立设备上下文：把高炉、球团厂、炼钢厂、轧机等纳入统一资产台账，形成"单一事实源"。4. 训练物理+AI 模型：基于机械/电气/工艺三类故障样本训练诊断模型，定位根因而非仅发告警。5. 输出处方并闭环：系统给出"哪个部件、怎么修、预期结果"，自动生成数字化工单；操作员执行后回填验证结果。6. 逐步扩展：试点验证（91.48% 执行率）后扩展到全部 82 座工厂，统一平台管理。 ⚠️ 新手注意：先建立信任再推广——让生产团队参与验证、签字确认成效；数据频率与质量决定诊断精度。

消除非计划停机 17811 小时、避免故障 3567 次、MTBF 达 7386 小时、处方执行率 91.48%、诊断准确率 99.44%，覆盖 208 个区域、1407 台关键设备、5721 个监测点。

预测不是终点，"处方+闭环执行"才产生价值；从试点到 82 厂扩展证明：先跑通信任闭环，再规模化复制。

Verdantis 推出"全球首个 AI 原生备件情报平台"MRO360，专为资产密集型企业重塑 MRO 备件库存管理；并升级品牌定位为"MRO 的 AI 超级智能体"，9 个 AI 智能体运行财富 500 强工厂的 MRO 决策链，口号"Anticipate. Resolve. Learn."。

MRO（维护、维修、运营）备件通常只占重工业采购支出 5-8%，却占采购交易 40-60%，是系统管理最薄弱的品类；备件/耗材/工具等五类物资需求模式不同，用同一规则管理必然顾此失彼。

备件数据脏乱（跨 ERP 冗余、死库存）；关键备件缺货导致停机与生产损失；按需求预测而非按关键性/故障率设定库存。

以 AI 原生平台实现备件智能分类、关键性定级与库存优化，让备件"该有的不缺、多余的清零"。

MRO360 作为 AI 原生 EAM 平台：AI 自动清洗与归一化备件主数据，按关键性/故障率/使用模式分类设定库存策略，9 个 AI 智能体覆盖 MRO 决策链（识别、预测、处方、执行、学习），与现有 ERP 兼容。

1. 数据摸底：导出各 ERP/CMMS 中的备件主数据、库存与交易记录，识别冗余与重复项。2. 平台接入：部署 MRO360，让 AI 自动清洗、归一化备件数据（无需先人工清理）。3. 智能分类：按备件/耗材/工具/PPE/间接物料五类区分，并按关键性与故障率定级。4. 设定库存策略：为不同类别设定 Min-Max 与安全库存策略，识别死库存与缺货风险。5. 决策链运行：启用 9 个 AI 智能体覆盖 MRO 决策链，让系统给出备货/清库/采购建议。6. 持续学习：运营反馈回写平台，智能体持续优化预测与策略。 ⚠️ 新手注意：先以"关键备件不缺货"为优先目标，再逐步削减多余库存；用运营反馈持续校准，避免一刀切。

备件库存周转改善、缺货停机减少、死库存释放资金；AI 智能体把 MRO 决策从"经验+Excel"升级为自主运行、持续学习的决策链。

备件管理要"分类而治"而非统一规则；AI 原生产品把数据清洗、策略设定、决策执行打包成闭环，降低对咨询与人工的依赖。

OpenAI 的 Workspace Agents 在 ChatGPT Business、Enterprise、Edu 全面可用：团队把知识、最佳实践与可重复工作流沉淀为共享智能体，跨工具推进工作；几分钟即可构建一个团队智能体。

企业级 AI 正从"个人问答"走向"团队共享"：每个成员各自提问、重复搭建 prompt 效率低，团队知识散落在个人会话中难以复用。

工作流无法复用、团队知识分散、跨应用推进任务仍需人工串联。

把团队知识、最佳实践、可重复工作流封装为共享智能体，让 AI 在团队内部跨工具"搬砖"。

基于 Codex 的 Workspace Agents 在 ChatGPT Business/Enterprise/Edu 全面开放：团队管理员或成员用自然语言+知识库构建智能体，配置其可访问工具，供全团队调用。

1. 选定场景：从团队最高频、最重复的任务入手（如周报汇总、客户资料整理、会议纪要转待办）。2. 整理知识：把相关文档、模板、最佳实践整理到团队可访问的知识库（支持连接团队文件与应用）。3. 创建智能体：在 ChatGPT 中新建 Workspace Agent，用自然语言描述任务目标、流程与输出格式，关联知识库。4. 配置权限：按成员角色设置访问范围，确保数据安全与合规（管理员可在 Admin Console 管理）。5. 团队试用：先在 1-2 个成员试用 1 周，收集反馈并调整指令。6. 全团队推广：确认效果后向全团队开放，并持续迭代智能体的知识库与流程。 ⚠️ 新手注意：先从"低风险、高重复"任务开始；智能体的输出需人工抽检，涉及敏感数据时注意权限管控。

团队可复用工作流、减少重复劳动；知识沉淀为组织资产；跨工具自动推进任务，提升团队整体效率。

AI 价值从"个人提效"转向"组织复用"：把最佳实践封装成共享智能体，是让 AI 投资规模化的关键路径。