安全生产和工序SOP分析，是工厂管理中长期存在的高频场景。过去，这类工作更多依赖人工巡检和事后追溯。随着大模型和智能体进入工业现场，AI实时识别、告警纠错和闭环管理正加速从试点验证走向规模化复制。

安生智联是国内少数专注于AI安全生产和工序SOP合规管理的方案提供商。在本次与爱分析的深度访谈中，安生智联联合创始人兼CTO南阳，围绕工业AI落地阶段的判断、AI在安全生产和工序SOP质量管理中的落地方式，以及工业客户衡量AI项目价值的逻辑等话题进行了系统分享。

核心观点

1、AI在安全生产和工序SOP领域，正从技术验证走向规模化复制。
工业场景对稳定性、准确性和数据可获得性要求很高。安全生产和工序SOP场景中，AI技术成熟度较高、企业刚需性强、数据也相对容易获得，该领域正处于从试点验证到效益显现、进而走向规模化复制的关键窗口。

2、在AI安全生产场景中，大模型的价值在于降低误报率，提升告警可用性。
小模型适合数据充足、边界清晰的场景，但在烟火识别等少样本场景中容易产生误报。大模型通过二次研判，可以有效过滤因光线变化、飞虫等因素导致的无效告警，让系统真正具备上线使用价值。

3、工序SOP AI分析的落地难点，在于把静态标准变成动态执行闭环。
大多数工厂都有SOP文件，但文件无法实时判断人员是否按规范执行。AI系统需要把工位操作过程转化为采集、分析、告警、纠错和追溯链路，才能解决事后倒查、责任追溯和执行一致性问题。

4、工厂对AI项目的付费意愿，与收益回报周期高度相关。
工业客户更关注AI项目能否带来明确收益。收益回报周期在1年内的AI项目更容易推动落地，超过2年则较难立项。

01大模型能提高安全生产场景的准确性

爱分析：安生智联目前主要从安全生产和SOP合规两个方向切入工业AI。你们是如何判断这两个方向的市场机会的？哪些场景更适合工业AI落地？

南阳：安生智联主要面向企业安全领域，工业场景是我们目前重点在深挖投入的板块。

工业场景本身涵盖范围较广，有40多个大类、200多个中类。从工序维度来看，又包括物料准备、加工、装配、检测、包装等环节，每个环节下面又有很多细分场景。因此，工业与AI的结合存在诸多切入点，比如AI质检、预测性维护、智能排产、能耗管理、安全生产，以及SOP合规分析等。

我们在选择具体方向时，主要看三个因素：

第一，技术是否成熟。

工业场景比较特殊，对稳定性和准确性要求很高，所以我们首先会看算法和系统能否稳定运行，是否具备批量化复制的基础条件。

第二，是否刚性需求。

我们会评估工业企业在这个场景里的需求是否为刚性需求，以及场景是否具备规模化复制的基础？

第三，数据是否易采集。

工业AI落地的核心要素是数据，要看数据是否易于采集。有些场景数据特别少，就很难批量复制。

安全生产和工序SOP合规这两个赛道，随着2018年深度学习的发展，到现在技术成熟度已相对较高，企业对安全的刚性需求持续存在，数据也相对容易采集。我们接触到的企业中，目前多数正处于试点验证阶段，少数已经试点成功，正在进入批量落地复制的关键阶段。

爱分析：安生智联同时切入安全生产和工序SOP合规，这两个场景之间有什么关联？

南阳：这两个场景看起来一个偏安全，一个偏质量，但底层逻辑是相通的，核心都是围绕人的不安全作业行为进行管理分析。

在工业现场，一类违规行为会造成安全事故，比如吊装作业违规、人员闯入、脱岗离岗等；另一类违规行为会造成产品质量问题，比如螺丝漏装、工序遗漏、操作顺序错误等。

所以我们理解的安全生产和工序SOP合规，并不是两个完全割裂的方向。安全生产更多关注人的不安全行为，SOP合规更多关注人的不规范操作，但底层都是对人的行为进行识别、分析、告警和处置。

从技术架构上看，两类场景底层很多能力都可以复用，包括AI视觉、行为分析、时序模型，以及大模型、小模型的协同分析等，因此我们才能同时在安全生产和工序SOP合规两个方向上做长期持续积累。

爱分析：沿着这个判断往下看，到2026年这个时间点，你认为AI+工业是否已经进入规模化落地阶段？

南阳：工业AI的规模落地，可以分为三个阶段：

第一阶段，试点验证，第二阶段，产生经济效益，少量复制。第三阶段，批量化、规模化复制。

安全生产和工序SOP，目前正处于从试点验证到效益显现的关键阶段，尚未完全进入批量化复制阶段，有几个主要的原因。

第一，客户对价值的评估方式较为复杂，尤其是安全生产的价值，未必能直接转化为可量化的财务收益。

第二，技术工程化能力要求较高，涉及端侧、边缘侧和中心侧的协同部署。

第三，部分客户对安全价值的认知仍在提升过程中，逐步把安全融入成本核算。

现在很多大型上市公司，包括一些行业头部企业，例如TCL华星、健鼎电子等，也是从去年开始立项，今年推进安全生产和工序SOP项目。这些企业普遍希望在试点验证经济效益后，再在工厂内部批量复制。当然，也有一些工厂已经处于批量复制阶段。

爱分析：具体到安全生产场景，你们做的AI安全生产，和传统安防摄像头做的视频分析，本质差异在哪里？

南阳：市面上也有很多AI算法公司，在基于场景做视频分析。但我们现在做的AI安全生产，不只是单点检测，而是针对场景最核心的痛点，形成一整套深度的AI分析和处置方案。

这两种逻辑的出发点完全不同。传统安防是通用逻辑，“有个摄像头，能识别一些现象，然后报警”。但我们每进入一个场景，都是先问：这个场景最核心的痛点是什么？

比如铝加工深井铸造，客户最担心的就是漏铝，一旦漏铝没及时发现，发生爆炸，后果不堪设想。那我们就围绕漏铝做全套分析：漏铝特征AI声纹识别、热成像AI监测温度异常、铸造期间人员AI在离岗分析，整套系统在几秒内完成判断和处置。

再比如吊装作业，客户最怕的是吊物移动过程中人员闯入危险区。传统方案画个固定围栏，人进入就报警；但我们做的是动态电子围栏，吊物的AI自动识别、监测区域的旋转自动设定，人员作业的AI自动分析等，同时联动投影灯等设备相互制动。

所以本质差异很明显：一个是从功能出发，一个是从痛点出发。

传统方案是“装个摄像头，能看就报”。而我们是“找到这个场景最痛的风险点，然后用一整套AI技术手段把它管控住”。

爱分析：如果从技术实现上展开，你们和传统视频分析方案的差异主要体现在哪里？

南阳：传统视频方案主要通过AI视觉算法做分析，是一个相对单点的技术路径。我们的一整套系统，会结合大模型、智能体做综合研判。它已经超出单纯视频算法的范畴，是小模型、大模型、智能体和规则引擎共同协作的系统。

展开来讲，这套系统的分工逻辑是：小模型负责快，大模型负责准，规则引擎负责联动，智能体负责调度。小模型部署在边缘侧，毫秒级响应，解决“看到了”的问题。大模型在中心侧做二次研判，过滤误报，解决“看对了”的问题。规则引擎负责联动处置，比如触发停机、推送工单。智能体负责把这几层串起来，形成完整的闭环。

举个例子，在深井铸造场景中，小模型实时识别漏铝声纹，大模型对告警做二次确认，确认后规则引擎触发PLC停机，同时智能体通知责任人并记录处置结果。整个过程在几秒内完成，但每一层各司其职。

爱分析：在实际落地中，大模型和传统视频分析小模型是怎么结合的？结合之后，效果提升主要体现在哪些方面？

南阳：我们可以分两个方向来看：安全生产和工序SOP。

在安全生产中，客户最关注的是准确性。传统深度学习通常是用小模型做实时分析，我们在此基础上通过大模型做二次研判。

而在工序SOP场景里，我们会让大模型和小模型综合分析。SOP关注的是人员行为纠错和工时统计。对于实时性要求比较高的环节，我们会用小模型做分析；对于实时性要求没有那么高的场景，则更多使用大模型和RAG数据库。因为有些行为，小模型很难准确定义和识别，大模型更适合做综合研判。

爱分析：你刚才提到，在安全生产场景里可以用大模型做二次确认。但一般理解是，精度要求高的场景用小模型会更好，大模型可能有泛化和幻觉问题。你们怎么理解这个问题？

南阳：这里要分场景看。如果某些场景的数据量较为充足，小模型就可以解决。比如人员闯入、区域越界这类场景，本身有大量数据可以做标注训练，检测准确率可以做到比较好的程度。

但有些场景样本很少，比如烟火识别、通道拥堵识别。以烟火为例，本身样本就比较少。如果完全通过传统小模型做检测，容易出现大量误报。这时对检测告警信息再用大模型做确认分析，能够显著改善效果。

我们有一个典型案例在浙江，客户现场原有300多个摄像头，用的是安防大厂的智能IP相机，主要功能是识别人员越界闯入。按理说，这个功能已经比较成熟了，但现场300多个摄像头每天晚上会产生800到1000条告警。

这些告警里，大量是因为光线变化，或者飞虫飞过造成的误报。由于告警太多，客户整个系统很难真正上线。所以我们通过大模型对告警做二次研判，判断现场是否有人，有效过滤了因光线变化、飞虫等因素产生的误报。

02 SOP规则无法被AI直接使用

爱分析：你之前提到，SOP的核心问题不只是有没有标准，而是能不能有效执行并形成闭环。这个怎么理解？很多工厂其实都有明确的SOP手册。

南阳：大部分规范化企业，每个工位都有SOP文件，但从“有标准”到“能执行”，中间有很大差距。这里主要有三个问题。

第一，SOP标准本身通常是一个静态文件，但人的执行动作是动态的。操作过程没有办法被实时监测。

第二，很多工厂会安排组长做巡检，但巡检是间歇性的，不是实时的，所以大量行为问题没办法及时发现。

第三，很多工厂现在新人和临时工流动性比较大，不同工人对标准的执行一致性很难保证。

再往后看，从执行到形成闭环也很难。很多问题如果靠人发现，往往已经是事后了，比如在后端发现不良品之后再倒查，这个时候事情已经发生了。追责时也很难记录到底是哪一步、哪个工人、哪一道工序出了错。整体上也缺少24小时实时监测和系统性跟踪验证的方法。

爱分析：如果上了你们这套系统，这些问题都可以解决吗？

南阳：我们希望通过整套方案，把每个工位从采集、分析、告警、纠错，到最终反馈追溯，形成全流程闭环。前面提到的三个问题，静态文件无法实时监测、巡检间歇性、执行一致性难保证，都可以通过系统得到解决。

具体来说，原来写在纸上的SOP标准，现在变成系统里可执行的规则，每个工位的操作过程被实时监测。原来靠组长间歇性巡检，现在系统7×24小时不间断监督，一旦出现错序、漏序或动作偏差，毫秒级告警并纠错。原来新员工和临时工的执行一致性难以保证，现在系统实时比对标准动作，确保每个人、每一次操作都符合规范。事后追溯时，也能精准定位到具体是哪一步、哪个工人、哪一道工序出了问题。

爱分析：从标准到执行闭环，中间肯定会涉及很多落地细节。SOP系统实际落地时，主要会遇到哪些问题？

南阳：实际落地时，主要涉及两个方面的问题。

第一，从工序执行流程转化成AI可以落地执行的方案，中间会存在差异。有些SOP规则，AI不一定能直接实现，所以从理论规则转化成实践方案，需要和客户不断研讨确定。

第二，很多工序场景会频繁切换品类。换产过程中，AI系统能不能适应快速换产，也是很大的难点。这个难点不能只靠项目化手段来解决，而要依靠更标准的工程化方式，比如通过低代码能力，实现快速换产。

爱分析：你刚才提到，有些SOP规则AI不一定能直接识别或实现，能举个例子吗？

南阳：举一个典型例子。有些SOP场景会要求工人“目视工件”，但通过摄像头看操作过程，很难判断工人眼睛有没有真正看工件。

这种问题没有办法直接通过技术方式解决，我们就要和客户探讨，能否把它转化为另一种可识别的方式。

比如，电力行业某个工件要求“目视5秒钟”，我们会把它转化成技术语言：人员是否拿着工件，是否在摄像头下对工件做了上下翻转，整个动作持续了多少秒。我们会把业务要求结构化成这样的业务逻辑，再用技术方式解决。

爱分析：这种把SOP规则转化为技术语言的问题，在SOP管理场景里多吗？

南阳：确实挺多。把SOP转化成可以落地的AI方案，是非常关键的阶段。客户也需要有相关认知，并且愿意配合，比如SOP文件本身能不能调整，能不能转化成可识别、可监测的动作。

现在很多想做SOP监管的客户，往往是之前已经遇到过产品供应链问题，比如由于产品质量问题被客户投诉罚款。再比如像苹果、华为供应链企业，为了保证产品质量，也开始逐步部署SOP系统，所以他们对这个板块有认知，配合意愿也比较强。

爱分析：除了规则转化，换产也是你提到的另一个难点。你提到低代码能力，是指在换产之后，基于新场景快速帮客户重新搭建应用吗？

南阳：是的。比如原来是A产品，突然切换成B产品。按照传统项目开发方式，开发一个适配A产品工序的项目功能，可能需要两到三周。但快速换产阶段，客户可能三四天就要切换产品。

因此就要从AI开发本身来做降本增效，而AI项目落地时，一般分成三个阶段：

第一是算法模型训练，比如识别新产品长什么样，需要训练模型；

第二是算法模型和新产品、新工序、新业务逻辑的结合，需要做算法功能开发；

第三则是已开发的算法功能的产线应用。

如果要支持快速换产，就要尽量减少这三个环节的开发工作量，所以我们把整个流程转化成三类方面的工程化交付能力。

第一，在算法模型训练方面，一些通用场景，比如人体、人手，我们会提供大量已经训练好的预训练模型，基本不用重新训练。针对专业场景数据，我们会通过大模型辅助标注和数据增强，降低数据采集的成本，以少样本的方式，快速达到比较好的算法识别率。

第二，在算法模型和业务场景结合方面，需要做算法编排。我们会提供一整套低代码编排平台，提供各类已经开发积累的技能组件，让用户通过低代码或者零代码拖拽的方式，快速开发出适配新产品的工序应用。

第三，客户可以基于这些能力快速拓展应用，原来一两个月的开发周期，可以压缩到一周以内，而且客户自己的工艺人员通过拖拽编排就能参与配置，不再完全依赖供应商工程师的排期。

爱分析：低代码平台对工厂端能力有要求。很多工厂未必有能力自己搭建，这部分是不是仍然需要安生智联提供服务？

南阳：工厂客户一般分为两类。一类工厂是中大型客户，本身有IT信息化团队。我们会提供一整套平台，并为他们提供培训，支撑他们自己做交付；另一类工厂客户，如果没有相关IT团队，我们会通过软件服务的方式帮他们解决。

03 多数客户只愿为1年内产生效益的AI项目付费

爱分析：回到企业决策层面，目前你们做安全生产和SOP项目时，一般怎么量化项目价值和收益？

南阳：这是很多客户都会遇到的问题。我们通常会帮客户做一整套ROI测算，让他们内部能看到相关收益。这几年合作下来，我们一般有四种ROI计算方式。

第一种是人力成本节约法。直接看能节省多少人，人力成本乘以人数，得到年度节省费用。

第二种是节省物料法。比如有些工序如果没有按要求操作，就会造成物料损耗或返修，上系统之后可以节省这部分物料。

第三种是提升良率法。原来的良率是多少，提升到多少，再乘以产量、单价和毛利。

第四种是运营利润法，把物料、良率等各方面收益加起来，再减去运维成本。

总体而言，我们会根据客户工位的特殊性，帮客户做ROI测算。

当然，有了ROI数值后，针对在不同回报周期，客户的决策意愿也会有很大差别。

6个月以内，客户决策较为迅速，因为投入很快能产生效益。

6-12个月，在内部也算较为优质的项目，经过充分论证后较容易获得立项批准。

12-18个月，大多数有AI改造需求的企业也愿意尝试。

18-24个月就比较勉强，除非有政策要求或相关补贴。

而超过24个月，AI项目的投入立项就会比较困难。

当然，安全项目还有一个特殊性：有些时候不能立刻看到直接收益，这个时候要换一种方式计算，比如避免产生多少损失。

像铝加工深井铸造爆炸风险监测方案，本身风险性比较大，一旦发生铝液泄漏爆炸，整个厂区可能都会被炸掉，这时损失不是几十万、几百万，而可能是3000万、4000万、5000万。前几年全国发生了多起事故，对于这种高危险场景，领导层会从避免重大损失的角度来综合考虑。

爱分析：当客户开始关注ROI和可复制性之后，厂商自身也需要形成壁垒。从你们现在的实践来看，安生智联在AI时代能够形成差异化壁垒的点是什么？

南阳：我们对于安全的定位，并不局限于单点产品或者AI解决方案。比如只做单个SOP工位、单个吊装场景。

我们把安生定义为企业安全领域的AI健康管理中心，理念上类似于“美年大健康”。但不是开线下门店，而是通过平台化的AI产品和服务体系，为企业提供系统化的安全能力。

比如在工业领域，针对3C、半导体、铝加工等行业，我们会系统性分析整个行业的全流程、全工序，从物料到加工、装配、质检、包装，评估哪些地方存在安全问题和质量问题。

针对不同行业，我们会提供专家咨询，也会通过平台化的AI安全产品解决特定问题。

这里面的差异化壁垒主要有三个方面。

第一，在垂直领域，不断积累行业垂直数据，打造核心AI算法。

第二，针对工业领域痛点问题，打造更多核心竞争力AI产品，且通过工程化能力，具备良好稳定性和低成本优势。

第三，构建安生安全大模型，通过中心调度、行业大模型和垂直智能体结合的方式，综合解决安全场景中的痛点问题。

这是我们在产品开发、项目交付过程中不断聚焦打造的差异性壁垒。

爱分析：如果再往未来看，在安全生产和工序SOP这两个场景下，哪些工作必须由人来做，哪些可能被智能体或新的AI工具替代？

南阳：安全生产场景，本质是围绕人的不安全行为来解决问题，涉及对人的状态和行为的深度理解，加上安全事故后果严重，最终决策权和责任主体仍然在人。AI能做的是帮人看得更准、反应更快，但替代不了人的判断和责任。

工序SOP场景则不同，很多单工位操作是重复性、标准化的，这类工作未来大概率会被具身智能替代。一些头部工厂已经在探索。但具身智能执行时，它的动作是否合规、是否安全，仍然需要一套监督系统，这正是我们目前在积累的能力。

综合而言，安全生产中人是决策者，AI是辅助工具。工序SOP中机器是执行者，人是监督者。这不是替代，是人机分工的重新定义。

爱分析：如果SOP操作未来由具身智能替代，会不会降低安生智联当前业务的价值？

南阳：如果进入具身智能时代阶段，安生的价值不会降低，反而会更加重要。

首先工业具身智能本身就是机器，而机器本身就存在安全隐患，特别是具身机器人采用大模型来思考执行处理问题，而大模型本身存在幻觉问题，因此，“机器加幻觉”从安全角度来看会引入新的风险。

安生现在构建的是一整套基于场景理解和行为分析的安全系统，未来具身智能在执行操作时，可以通过API调用我们的安全API产品，获得关键性的安全辅助判断。我们现在做的很多产品和能力，未来会变成具身智能背后的安全底座。

此外，具身智能对数据的需求量远远超过大语言模型。大语言模型的数据多来源于互联网中的泛化场景，而工厂领域的数据则均为垂直行业数据。我们在多个场景中积累的行业Know-How，未来会成为具身智能在行业内快速上线的重要燃料，也会成为我们在数据层面的护城河。

所以未来具身智能大量进入工厂时，不管从安全还是数据维度看，我们现在在做的事情都有很核心的价值基础。

爱分析：从具身智能再往后看，AI在工业领域下一步演进的最终形态会是什么？会走向完全无人化工厂吗？

南阳：你刚刚提到的是两个场景：一个是完全无人工厂，一个是工人+自动化工厂，有工人在现场管理和操作。

无人工厂对应的，其实类似通用工业AGI的概念，它可以控制具身智能，也可以调度机器人去做相关事情，是一整套系统。

但我们更倾向于另一个更可落地的路径：让一部分工人具备专家能力。

这个路径可以分成三层。上层是中心侧调度平台，通过规则引擎和大模型进行统筹调度。依托多模态数据，负责整个工厂的全局任务拆解与规则下发。

中心层是垂直行业大模型。通过蒸馏得到的小参数大模型，用来解决垂直领域里的具体问题。

底层是垂直行业小模型，聚焦产品本身的应用智能体。通过边缘侧设备，解决感知分析、告警和响应等问题。

所以综合而言，我们更倾向于中心调度，加上行业大模型，以及垂直应用智能体的方式。目前来看，在工业领域，也是更便于落地的路径与方案。