AI日报 · 10月3日

Hitachi 与 FANUC 达成战略合作，共同商用化 Physical AI：将日立 AI（HMAX Industry）与 FANUC 工业机器人结合，以日立茨城工厂为"Customer Zero"让 AI 在真实生产中持续学习现场规则，验证异形件取放与产品换型；2027 财年起面向全球客户部署。

全球劳动力短缺加剧，固定条件重复作业已自动化；但异形件取放、机床上下料、换型切换、工序间搬运仍依赖人工判断与适应性，实现"感知-推理-行动"的自主制造成为行业最大挑战。

依赖老师傅经验的手工作业难以自动化；纯模仿学习与虚拟仿真不足以应对真实产线变化；技术断层与技能传承压力。

以 Physical AI 实现"感知现场、实时决策、自主行动"的生产自动化，覆盖取放、换型等高依赖人工环节。

①日立 AI（HMAX Industry）+边缘 AI 半导体×FANUC 机器人②"Customer Zero"模式：真实工厂持续学习现场规则，超越虚拟仿真③联合验证识别精度、机器人动作、节拍与质量④2027 财年商用，覆盖半导体/制药/汽车/物流等多行业。

1. 选高价值场景：优先取放/换型等依赖人工判断的环节，测算自动化收益。2. 组合 AI+机器人：选择具备"快速学习 AI"能力的平台（如 HMAX Industry）与机器人本体（如 FANUC）。3. 建"Customer Zero"试点：让 AI 在真实产线持续学习现场规则，积累专属数据。4. 联合验证：度量识别精度、机器人动作、节拍与质量四项指标，迭代模型。5. 边缘部署：用边缘 AI 半导体本地推理，满足实时性与数据安全。6. 复制推广：验证成功后按行业复制（半导体/制药/汽车/物流等），2027 财年商用。 ⚠️ 新手注意：真实数据比仿真更重要；先在一类任务上验证再扩展；人机协作边界要提前设计。

高依赖人工的作业迈向自主；缓解劳动力短缺与技能传承；双巨头全球客户基础加速普及。

Physical AI 商用化的关键是"真实工厂当实验室"：Customer Zero 模式让 AI 学到虚拟环境学不到的现场知识。

OpenAI 与 Synopsys 宣布多年期战略合作，联合开发 GPT-Synopsys 专用 AI 模型：OpenAI 提供前沿模型与托管基础设施，Synopsys 提供 EDA 工具与芯片设计专业知识，教 AI 操作专业设计工作流，帮助工程师更快设计更好芯片；含收入分成与联合市场推广。

芯片设计复杂度持续攀升，工程师需掌握 EDA 工具链大量操作；AI 已能生成代码，但"教 AI 使用专业设计工具"仍是空白。

设计工作流复杂、工具操作学习成本高；通用模型不懂专业 EDA 上下文；芯片迭代压力大。

开发懂 EDA 工具的专用模型，让 AI 在专业设计工作流中辅助工程师，加快芯片设计迭代。

GPT-Synopsys 在 OpenAI 托管基础设施上运行，与 Synopsys.ai 及 Autopilot 平台集成；客户设计数据加密、不用于模型训练；收入分成+联合市场推广驱动持续投入。

1. 评估场景：找出团队最耗时的 EDA 操作（布线/验证/报告生成）作为试点。2. 开通专用模型：通过 Synopsys/OpenAI 渠道接入 GPT-Synopsys 专用模型。3. 数据安全确认：确认设计数据加密与"不用于训练"条款（本案已内置）。4. 小范围试用：在真实设计任务中试用 AI 辅助，与人工流程对比。5. 集成 Autopilot：把专用模型接入现有设计自动化平台（Synopsys.ai）。6. 度量提速：以设计周期/错误率/人力投入度量 ROI，再扩大范围。 ⚠️ 新手注意：芯片设计结果必须人工验证签核；先非关键模块试点；关注数据合规与 IP 保护。

AI 操作专业工具链，工程师专注高价值决策；设计周期缩短、错误减少；专属模型持续迭代。

通用模型+行业专业知识=专用模型：AI 落地的深度取决于能否融入特定行业的专业工作流。

iFactory 数字孪生部署 8 个物理模型覆盖集成钢厂全流程（焦炉碳化→精整线力学性能），以 1.5ms 同步；运行于 NVIDIA 一体化本地设备，无需云端连接与数据科学团队，支持过程优化、炉况预测与维护。

集成钢厂环节多、工况复杂：从焦炉、高炉、转炉、连铸到热轧冷轧，各工序参数耦合；过程优化与故障预测需要全流程视角。

单点优化难见全局收益；传统仿真慢、需专业团队；数据上云有安全顾虑。

建全流程实时数字孪生：本地部署、毫秒同步、无需数据科学团队，支撑过程优化与预测。

8 个基于物理的模型覆盖全厂：实时传感器数据驱动虚拟副本，1.5ms 同步；NVIDIA 一体机本地推理，数据不出厂；模型用于过程参数优化、高炉炉况预测、设备维护预测。

1. 梳理工艺链：从焦炉到精整线列出关键工序与参数（温度/压力/成分/能耗）。2. 选本地硬件：部署 NVIDIA 一体化 AI 设备（或同等算力），数据不出厂。3. 配置物理模型：按厂区工艺配置 8 类物理模型（碳化/燃烧/轧制等）。4. 接入实时数据：把传感器/PLC 数据接入孪生，验证 1.5ms 级同步。5. 场景试点：先做高炉炉况预测或精整线质量预测，与人工经验对照。6. 全流程联动：打通各工序模型，做全局优化与维护预测。 ⚠️ 新手注意：物理模型需按本厂数据校准；先单工序试点再全流程；本地部署优先保障数据安全。

全流程虚拟验证降低试错成本；毫秒级同步支持实时决策；本地部署免云端依赖与数据科学团队。

钢厂数字孪生要"全流程+本地化"才落地：单点模型是玩具，全厂联动才是生产力。

Verusen 用关键性与故障率（而非传统需求预测）设定多站点库存水平：跨多个 ERP 免清洗直接接入库存，一处视图呈现冗余、呆滞与缺货风险；客户平均净营运资本降 14.9%、设备可用性提升 2.8%。

多站点制造商备件分散在多个 ERP：同一备件命名不一致、重复库存、缺货与呆滞并存；传统需求预测公式无法处理零历史、多站点合并与关键性权重决策。

库存钱花错地方（$50M 库存仍缺关键件）；数据割裂需清洗；决策依赖历史均值而非设备健康。

以关键性与故障率为依据设定库存：跨站点一处视图，降营运资本、提可用性。

Verusen 按原样接入多 ERP 库存（免清洗），AI 识别跨站点重复/冗余/呆滞/缺货风险；以关键性和故障率计算安全库存与补货点，替代 blanket 库存规则。

1. 列出数据源：汇总各站点 ERP/仓库系统的备件库存导出件。2. 按原样接入：把多源数据直接导入平台（免清洗，由 AI 归一化）。3. 识别风险项：查看跨站点重复件、冗余、呆滞与缺货风险清单。4. 关键性分级：按设备故障影响与更换频率给备件分级。5. 重算库存水平：按关键性+故障率设定安全库存与补货点。6. 执行并度量：跨站调拨、处置呆滞，按月度量营运资本与可用性。 ⚠️ 新手注意：先处理高价值/高缺货风险件；跨站调拨算清物流成本；命名归一结果需业务确认。

净营运资本平均降 14.9%、设备可用性提升 2.8%；免清洗接入大幅降低落地门槛。

备件库存的正确答案是"关键性×故障率"而非"历史均值"：用设备健康逻辑替代采购直觉，是 AI 降本的底层逻辑。

Claude 推出 Salesforce 插件（beta）：把销售人员的客户、商机与管道带入 Claude，附带 37 个预置销售技能——准备电话、审阅商机、创建管道看板、发送预测，全部在 Claude 内完成。

销售人员大量时间花在备会、查客户资料、整理管道与预测上；CRM 数据丰富但操作繁琐，跨系统切换打断工作流。

客户/商机/管道数据分散；备会与审单靠手工；预测更新滞后。

让销售在 Claude 内完成备会/审单/看板/预测，少切换、快决策。

Salesforce in Claude 插件接入客户/商机/管道数据，配 37 个预置销售技能；调用 Salesforce 官方 beta 资格后即可在 Claude 中使用。

1. 申请 Beta：Salesforce 侧完成插件 beta 资格申请，组织付费计划开通。2. 安装插件：在 Claude 中安装并授权连接 Salesforce 账号（最小权限）。3. 熟悉技能：浏览 37 个预置技能，了解备会/审单/看板/预测能力。4. 从单场景开始：如"为明天的客户会准备要点"，验证数据准确性。5. 建管道看板：让 Claude 创建管道仪表盘与预测，定期更新。6. 沉淀最佳实践：把高频操作固化为团队模板与技能，推广全员。 ⚠️ 新手注意：商机数据敏感，遵循最小授权；预测结果需人工复核；先验证数据权限范围。

销售从"找数据"变为"用数据"；备会/审单/预测效率大幅提升；CRM 投资价值被充分释放。

AI 提效的捷径是"预置技能"：把高频专业动作提前封装，员工上手快、价值可度量。