1. 提升 AI 与业务融合的实战能力：让学员能精准识别所在业务环节（如研发 / 生产）的 AI 应用场景，例如生产端的设备预测性维护、研发端的参数优化；掌握 3-5 类制造型企业常用 AI 技术（如分类算法、生成式 AI）的适用范围，避免技术与场景错配；能独立完成 “痛点→AI 方案” 的初步转化，如将 “生产良率低” 转化为 “基于机器视觉的 AI 质检方案”。

2. 掌握竞赛课题设计全流程方法：学员需熟练运用 “痛点调研→需求定义→课题拆解→方案架构” 的方法论，例如通过访谈、数据分析锁定 “电机装配不良率高” 的核心原因；能输出规范的课题计划书，包含痛点描述（数据支撑）、目标设定（如良率提升 5%）、技术路径（如 AI 视觉检测 + 工艺优化）；学会用华为数字化转型 “业务驱动数据” 的逻辑，确保课题不脱离业务本质。

3. 产出可落地的创新项目成果：2 天培训后，每组需输出 1-2 个符合智新业务的创新项目，且满足 “三可”：可验证（有数据支撑方案效果）、可实施（明确所需资源如现有设备 / 数据接口）、可短期启动（1-3 个月内可试点）；项目需覆盖 “研产供销服” 至少 2 个环节，例如 “基于生成式 AI 的动力总成研发参数推荐”“供应链需求预测 AI 模型”。

4. 建立数据驱动的决策思维：让学员养成 “用数据说话” 的习惯，例如分析生产良率时，需拆解 “设备参数、原材料、操作流程” 等数据维度；掌握基础数据处理方法（如数据清洗、维度分析），能从智新现有系统（如 MES/ERP）中提取有效数据支撑方案；理解字节跳动 “数据应用快速迭代” 的逻辑，学会用小数据试点验证方案，再逐步优化。

5. 明确成果推广与落地路径：学员需掌握 “方案推广可行性评估” 方法，如从 “成本投入、人员能力、系统适配” 三方面判断方案推广价值；能输出项目推广计划书，包含试点范围（如某车间某产线）、风险点（如数据缺失）及应对措施；了解智新内部成果推广流程，如如何对接领导层（星光班学员）获取资源支持，确保优秀方案能在公司内落地。

第一天：课题设计基础与 AI 认知（6 小时）

1.1. 模块一：需求洞察与业务范畴解析（上午 3h）

1.1.1. 智新业务价值链与参赛人员工作范畴

1. 智新核心业务流程深度拆解

² 拆解 “动力总成研发→三电部件生产→总成组装→供应链协同→售后服务” 全链路核心环节，明确各环节关键节点（如研发端的参数仿真、生产端的 SOP 执行）

² 结合 “马赫动力” 产品特性，梳理研发环节核心需求（如缩短发动机热效率优化周期）、生产环节核心需求（如电机装配精度控制）

² 标注各环节数据来源与归属系统（如生产数据来自 MES、研发数据来自 PLM、售后数据来自 CRM）

² 明确各环节与 “自主可控产业链” 的关联点（如核心零件自制环节的质量追溯需求）

2. 参赛人员工作场景与痛点映射

² 按 “研发 / 生产 / 供应链 / 销售 / 售后” 分组，引导学员梳理日常工作高频场景（如生产岗的设备巡检、供应链岗的库存调度）

² 指导学员用 “问题 - 影响 - 数据” 逻辑描述痛点（如 “设备突发停机→日均损失 2 万元→近 3 月停机 12 次”）

² 建立 “岗位 - 痛点 - 数据” 映射表，例如 “生产质检岗→零件外观不良漏检→质检记录数据 + 返工成本数据”

² 结合智新 KPI（如生产良率≥99.5%），判断痛点对业务目标的影响程度，筛选高优先级痛点

3. 竞赛课题备选方向筛选

² 明确课题筛选三原则：贴合智新核心业务（如动力总成、三电部件）、具备数据支撑条件、可在 3-6 个月内试点

² 提供 “课题方向参考清单”，如研发端 “基于 AI 的动力总成参数优化”、生产端 “三电部件 AI 视觉质检”

² 组织小组讨论，每组初步提出 2-3 个课题方向，说明痛点依据与业务价值

² 教授结合华为数字化项目经验，点评课题方向可行性，淘汰 “脱离业务 / 数据不可得” 的方向

1.1.2. 制造型企业 AI 应用基础认知

4. 制造高频 AI 技术原理与特性

² 讲解三类核心 AI 技术：机器视觉（基于图像识别的缺陷检测）、预测性维护（基于时序数据的故障预警）、时序预测（基于历史数据的需求 / 产量预测）

² 用通俗语言解释技术核心逻辑（如机器视觉 “通过训练模型区分正常 / 异常零件图像”），避免复杂公式

² 对比不同技术的适用场景与局限（如预测性维护需至少 6 个月历史设备数据，小样本场景不适用）

² 结合字节生成式 AI 实践，补充 “AI 辅助数据标注、方案文档生成” 等效率工具的应用场景

5. AI 技术与智新业务场景匹配分析

² 针对智新 “研产供销服” 各环节，逐一匹配 AI 技术（如研发端用生成式 AI 辅助设计方案初稿、供应链端用时序预测优化采购计划）

² 分享同行业案例：某车企用机器视觉检测电机绕组缺陷，不良率降低 40%；某动力总成企业用预测性维护减少设备停机 30%

² 引导学员初步判断自身痛点适配的 AI 技术（如 “零件漏检” 适配机器视觉、“设备停机” 适配预测性维护）

² 输出 “智新业务 - AI 技术” 匹配清单，标注每个匹配项的核心数据需求（如 “AI 质检需 1000 + 正常 / 异常零件图片”）

6. AI 方案落地前提条件解析

² 明确 AI 方案落地三要素：数据可用性（数据量、质量、获取难度）、技术适配性（现有设备 / 系统是否支持）、业务协同性（跨部门配合意愿）

² 分析智新现有条件：如 MES 系统是否能输出设备实时运行数据、PLM 系统是否存储研发仿真数据

² 讲解数据不足时的解决策略（如小样本数据增强、与 IT 部门协调数据接口开发）

² 小组研讨：针对每组初步课题方向，分析落地前提条件是否满足，提出补充措施（如需 IT 部门协助导出 3 个月质检数据）

1.2. 模块二：课题设计方法论与数据基础（下午 3h）

1.2.1. 竞赛课题设计全流程

1. 痛点挖掘四步法实操

² 第一步 “业务访谈”：提供访谈提纲模板（含 “日常工作最大难题”“影响业务的关键因素” 等问题），指导学员访谈同部门 1-2 名同事

² 第二步 “数据验证”：教授用 “数据对比法” 验证痛点（如 “声称良率低” 需对比行业均值、历史同期数据），提供数据验证表模板

² 第三步 “影响分析”：从 “成本、效率、质量” 三维度量化痛点影响（如 “设备停机 1 小时→损失产能 50 台→直接成本 1.2 万元”）

² 第四步 “优先级排序”：用 “影响程度 - 解决难度” 矩阵，筛选出 “高影响 - 中低难度” 的痛点作为课题核心

2. 课题定义 SMART 原则应用

² 讲解 SMART 原则在课题定义中的具体落地：Specific（明确痛点，如 “电机端盖装配错位”）、Measurable（量化目标，如 “错位率从 2.5% 降至 0.8%”）

² 指导学员避免常见误区：如目标不可实现（“1 个月内将研发周期缩短 50%”）、与业务无关（“通用 AI 技术研究”）

² 提供课题定义示例：“基于机器视觉的电机端盖装配错位 AI 检测，3 个月内将错位率从 2.5% 降至 0.8%，减少返工成本 15 万元 / 月”

² 小组实操：每组按 SMART 原则完善 1 个课题定义，教授逐组点评修正

3. 课题初步框架搭建

² 课题框架包含四部分：痛点描述（数据 + 影响）、目标设定（SMART）、核心思路（AI 技术 + 业务流程）、数据需求（来源 + 格式 + 量）

² 提供框架模板，指导学员填写具体内容（如数据需求 “从 MES 系统导出 2024 年 1-6 月电机端盖装配质检数据，含图片 + 不良类型标签”）

² 强调框架与智新业务的关联性：如核心思路需说明 “如何对接现有质检流程，不额外增加人工成本”

² 小组展示：每组分享课题初步框架，其他小组提出补充建议（如 “需明确数据获取责任人”）

1.2.2. 数据治理与分析基础

1. 智新核心数据源梳理

² 按 “研发 / 生产 / 供应链 / 售后” 分类，列出各环节核心数据项（如生产环节：设备运行参数、质检结果、生产节拍）

² 明确数据归属部门与系统（如设备数据归属生产部，存储于 MES 系统；研发数据归属技术部，存储于 PLM 系统）

² 讲解数据获取流程：如从 MES 系统导出数据需填写 “数据申请单”，审批流程需 1-2 个工作日

² 提供 “智新数据源清单”，标注各数据项的更新频率（如设备数据实时更新、库存数据每日更新）与获取难度

2. 基础数据处理实操

² 教授 Excel 核心数据处理技巧：缺失值处理（用 “均值填充” 处理设备温度缺失数据）、异常值剔除（用 “3σ 原则” 删除明显偏离的质检数据）

² 讲解数据维度拆解方法：如将 “生产良率” 按 “设备型号、班次、原材料批次” 拆解，定位关键影响因素

² 工具实操任务：给学员提供智新模拟生产数据（含设备参数、质检结果），指导完成 “数据清洗→维度拆解→异常值剔除” 全流程

² 输出要求：每人提交处理后的 Excel 表格，包含清洗后数据、维度分析图表（如不同班次良率对比图）

3. 数据支撑痛点分析方法

² 讲解 “数据 - 痛点” 关联逻辑：如用 “设备停机时长趋势图” 支撑 “设备可靠性差” 痛点，用 “不同批次零件不良率对比表” 支撑 “原材料质量波动” 痛点

² 教授数据可视化技巧：用折线图展示趋势（如月度停机时长）、用柱状图对比差异（如不同设备良率）、用饼图呈现占比（如不良类型分布）

² 实操任务：学员用处理后的生产数据，制作 2-3 个可视化图表，支撑自身课题的痛点描述

² 点评优化：教授针对学员图表，提出改进建议（如 “需标注数据单位”“增加行业基准线对比”）

第二天：AI 工具实操与方案设计（6 小时）

1.3. 模块三：AI 工具选型与方案设计（上午 3h）

1.3.1. 制造场景 AI 工具选型

1. 低代码 AI 工具选型与入门

² 介绍三款适配制造场景的低代码工具：百度 AI Studio（机器视觉专项）、华为 ModelArts（预测性维护专项）、字节火山方舟（生成式 AI 辅助）

² 讲解工具选型原则：根据课题类型选择（如质检类选百度 AI Studio、预测类选华为 ModelArts）、优先选择支持 “数据导入 - 模型训练 - 结果导出” 全流程的工具

² 工具账号准备：协助学员注册工具账号，配置基础环境（如百度 AI Studio 的 Python 环境）

² 基础操作讲解：以百度 AI Studio 为例，讲解 “项目创建→数据上传→文件管理” 基本步骤，确保学员能独立操作

2. AI 工具与智新系统适配验证

² 讲解工具与现有系统对接的两种方式：间接对接（从 MES 导出数据→上传工具）、直接对接（通过 API 接口实时获取数据，需 IT 部门支持）

² 模拟间接对接流程：指导学员从 “智新模拟 MES 系统” 导出设备数据，上传至华为 ModelArts，验证数据格式兼容性

² 分析直接对接的可行性：如百度 AI Studio 是否支持与智新 MES 系统的 API 对接，需协调 IT 部门确认接口开发周期

² 输出 “工具 - 系统适配评估表”，每组填写自身课题所需的对接方式、资源需求、时间周期

1.3.2. 竞赛方案设计与辅导

1. 方案三层架构设计方法

² 技术层设计：明确 AI 工具 / 算法选型（如 “用百度 AI Studio 图像分类模型”）、核心参数设置（如训练轮次、准确率阈值）、模型部署方式（如部署在质检工位本地电脑）

² 业务层设计：梳理现有业务流程（如 “人工质检→发现不良→返工”），说明方案优化后的流程（如 “AI 初检→人工复核→不良标记→追溯原因”），标注流程优化节点

² 支撑层设计：明确数据需求（来源、获取方式、更新频率）、人员需求（如质检员需接受 AI 工具操作培训）、设备需求（如质检工位需配备高清摄像头）

² 提供架构图模板（Visio/PPT 格式），指导学员用 “流程图 + 文字说明” 呈现三层架构

2. 方案技术路径细化

² 按 “试点 - 优化 - 推广” 三阶段细化技术路径：

 试点阶段（1-2 个月）：选择 1 条产线 / 1 个研发项目试点，用小范围数据验证 AI 模型效果，输出试点报告（含准确率、业务价值）

 优化阶段（1 个月）：根据试点结果调整模型参数（如提升 AI 质检准确率）、优化业务流程（如缩短 AI 初检耗时），解决试点中发现的问题（如数据不全）

 推广阶段（2-3 个月）：将优化后的方案推广至同类型产线 / 项目，制定推广时间表，明确各阶段责任人（如生产主管负责产线推广协调）

² 标注各阶段的资源需求（如试点阶段需 1 名 AI 工具操作员、推广阶段需 3 名培训师）

3. 一对一方案架构辅导

² 分组进行一对一辅导，每组 15-20 分钟，教授结合以下维度点评：

 架构完整性：是否覆盖技术层、业务层、支撑层，有无遗漏核心环节（如未考虑数据安全）

 业务适配性：技术路径是否贴合智新 “自主可控” 特性（如是否优先使用国产化 AI 工具）

 落地可行性：资源需求是否在企业可承受范围（如是否需大量新增设备投入）

² 针对问题提供具体改进建议，如 “支撑层需补充数据安全措施（如数据脱敏）”“试点范围建议缩小至某车间 1 条产线，降低风险”

² 学员记录辅导意见，现场修改方案架构，确保架构符合落地要求

1.4. 模块四：方案打磨与成果输出（下午 3h）

1.4.1. 方案打磨与完善

1. 方案文档内容优化技巧

² 痛点描述部分：需包含 “现状数据（如停机 12 次 / 月）、影响分析（如损失 24 万元 / 月）、行业对比（如行业平均停机 5 次 / 月）”，用数据增强说服力

² 目标设定部分：按 “总目标 + 阶段目标” 拆分，阶段目标需明确时间节点（如 “试点阶段（2025.1-2）：AI 质检准确率达 98%”）

² 技术路径部分：补充 “风险应对措施”（如 “模型准确率不达标时，增加 500 张标注图片重新训练”）

² 预期价值部分：从 “定量（如成本降低 X 万元）+ 定性（如提升品牌竞争力）” 两方面描述，避免空泛（如 “提升效率” 需具体为 “质检效率提升 30%”）

² 提供 “方案文档优化 checklist”，学员按清单逐项检查完善

2. 方案可行性量化评估

² 设计 “可行性评估量表”，从四个维度量化评分（1-5 分，5 分为最优）：

 数据可行性（数据获取难度、数据质量、数据量是否满足）

 技术可行性（AI 工具适配度、现有设备支持度、技术人员能力）

 资源可行性（资金投入、人力投入、时间周期是否合理）

 业务可行性（与现有流程冲突度、部门协同意愿、对业务 KPI 的提升度）

² 指导学员计算综合得分（四个维度平均分），≥4 分为 “高可行性”，3-4 分为 “中可行性”，<3 分为 “低可行性”

² 对 “中低可行性” 方案，组织小组讨论改进措施（如 “资金投入过高” 可调整试点范围，减少初期投入）

3. 小组互评与方案迭代

² 制定 “小组互评标准”：包含 “痛点贴合度、架构完整性、可行性、创新性” 四个维度，每个维度 10 分

² 小组交叉互评：每组派 1 名代表讲解方案核心内容（5 分钟），其他小组按标准打分并提出 2-3 条具体改进建议（如 “需补充数据安全措施”）

² 学员记录互评意见，结合教授之前的辅导建议，进行方案迭代优化

² 迭代后提交 “方案优化对照表”，说明 “优化前问题→优化措施→优化后效果”，确保方案持续完善

1.4.2. 竞赛课题确定与成果输出

1. 最终课题方案确认

² 每组提交优化后的完整方案，教授从 “业务贴合度、可行性、创新性、落地性” 四维度进行最终确认

² 确认标准：痛点需为智新真实高频痛点、方案架构完整、可行性评分≥3.5 分、能在 6 个月内落地试点

² 对未达标的方案，教授提供最后 1 次快速优化建议（如 “缩小试点范围提升可行性”），确保所有小组均输出合格方案

² 最终确定每组的竞赛课题，填写 “智新竞赛课题备案表”（含课题名称、小组负责人、核心目标、落地时间）

2. 成果材料标准化整理

² 明确 “成果材料清单”，要求每组提交以下标准化材料：

 竞赛课题计划书（含痛点描述、目标设定、方案架构、技术路径、可行性评估）

 路演 PPT（10 页以内，含核心数据图表、架构图、落地计划，适配 10 分钟路演）

 数据需求表（明确数据来源、格式、量、获取方式、责任人）

 AI 工具实操报告（含工具选型、操作步骤、模型效果截图、系统适配评估）

² 提供各材料的标准化模板，统一字体、格式、核心模块，确保材料规范易读

² 学员按模板整理材料，教授抽查 3-5 组材料，确认格式与内容完整性

3. 落地推广路径与课后支持说明

² 讲解智新内部落地推广流程：

 对接领导层（星光班学员）：提交方案摘要，说明业务价值，申请试点资源（资金、人员）

 跨部门协调：联合 IT 部门解决数据接口问题、联合生产部门确定试点产线、联合 HR 部门安排人员培训

 试点启动：制定试点计划，明确每日 / 每周工作节点，安排专人跟踪数据

 成果汇报：试点结束后提交成果报告，申请全公司推广

² 明确课后支持措施：教授在 1 个月内提供 1 次线上答疑（90 分钟），针对方案落地中的问题（如数据接口对接、模型优化）提供指导；提供 “方案落地跟踪表” 模板，方便学员记录试点进展与问题

² 总结课程核心：强调 “数字化转型需业务驱动、数据支撑、快速迭代”，鼓励学员以竞赛课题为起点，推动智新 AI 应用落地

2. 竞赛项目的评审维度及评审方法建议

2.1. 评审维度（总分 100 分）

2.2. 评审方法建议

1. 评审组织：建议由 “企业领导层（星光班学员）+ 业务部门负责人 + IT 部门专家” 组成评审组（5-7 人），确保评审兼顾战略、业务、技术维度。

2. 评审流程：分为 “书面评审→路演评审→综合评分” 三步：

(1) 书面评审：评审组提前阅读各组方案文档，按维度打分（占 40%）；

(2) 路演评审：每组进行 10 分钟路演 + 5 分钟答疑，评审组现场打分（占 60%）；

(3) 综合评分：汇总两次得分，去掉最高分 / 最低分后取平均值。

3. 评分规则：采用百分制，各维度按 “优秀（80%-100%）、良好（60%-79%）、合格（40%-59%）、不合格（<40%）” 四档打分，需填写具体评分理由（如 “业务贴合度优秀：针对电机装配良率痛点，数据支撑充分”）。

4. 结果应用：按综合得分排名，推荐前 3-5 个项目作为 “重点落地项目”，优先提供试点资源；对所有合格项目，纳入 “智新数字化创新项目库”，后续分批推进落地；评审结果需反馈每组，包含优势与改进建议，助力方案优化。

5. 后续跟踪：评审结束后 1 个月，由业务部门负责人跟踪项目试点进展，结合评审建议调整方案，确保优秀成果能有效落地。

3. 注意事项

² 在讲解技术细节时，考虑到学员的专业背景，适当调整难度，避免过于深奥的技术术语，并根据学员所在行业、岗位属性做适当的技术术语转化。

² 避免泛泛而谈技术原理，所有概念均锚定贴合学员行业的实际业务场景。

² 提供实际操作的机会或案例分析，帮助学员更好地将理论知识转化为实践能力。