能科科技(603859):能科科技股份有限公司向特定对象发行股票申请文件的审核问询函的回复
|
时间：2026年02月12日 17:35:20 中财网 |
|
原标题:
能科科技:关于
能科科技股份有限公司向特定对象发行股票申请文件的审核问询函的回复
证券代码：603859 证券简称：
能科科技
关于
能科科技股份有限公司
向特定对象发行股票申请文件的
审核问询函的回复
保荐机构（主承销商） （北京市朝阳区建国门外大街1号国贸大厦2座27层及28层）
二〇二六年二月
上海证券交易所：
根据贵所于 2026年 1月 15日出具的《关于
能科科技股份有限公司向特定对象发行股票申请文件的审核问询函》（上证上审（再融资）〔2026〕19号）（以下简称“审核问询函”）的要求，
能科科技股份有限公司（以下简称“
能科科技”、“公司”、“发行人”）会同保荐人（主承销商）中国国际金融股份有限公司（以下简称“
中金公司”、“保荐机构”、“保荐人”）、申报会计师天圆全会计师事务所（特殊普通合伙）（以下简称“天圆全”、“申报会计师”）、发行人律师北京德恒律师事务所（以下简称“德恒”、“发行人律师”）等有关中介机构，本着勤勉尽责、诚实守信的原则，对审核问询函所列的问题进行了逐项核查和落实，现回复如下，请予审核。
如无特别说明，本回复报告中的简称与《
能科科技股份有限公司 2025年度向特定对象发行 A股股票募集说明书（申报稿）》中“释义”所定义的简称具有相同含义。所用字体对应内容如下：
| 问询函所列问题 | 黑体、加粗 |
| 对问题的回答 | 宋体、Times New Roman |
| 对募集说明书等申请文件的修改内容 | 楷体、加粗 |
本回复报告中若出现部分合计数与各加数相加之和在尾数上有差异，或部分比例指标与相关数值直接计算的结果在尾数上有差异，这些差异是由四舍五入造成的。
目 录
问题一 ........................................................................................................................... 4
问题二 ....................................................................................................................... 111
其他问题（一） ....................................................................................................... 187
其他问题（二） ....................................................................................................... 190
其他问题（三） ....................................................................................................... 193
问题一
根据申报材料，1）本次拟募集资金不超过 100,000.00 万元，用于“灵擎”工业 AI 赋能平台建设项目、“灵助”工业软件 AI 工具集开发项目、 “灵智”具身智能 AI 训推平台研发项目和补充流动资金 ，本次募投项目均通过租赁场地实施。 2）三个募投项目均涉及研发投入资本化的情形，资本化支出比例分别为 77.5%、77.0%和 75.77%。3） “灵擎”工业 AI 赋能平台建设项目和“灵助”工业软件 AI 工具集开发项目财务内部收益率（税后）分别为 17.72%和 19.74%。
请发行人说明：（1）本次募投项目的具体内容，包括拟形成的研发成果与产品情况、盈利或服务模式等，并结合应用领域及场景、核心技术、客户群体等，说明本次募投项目与现有业务的区别与联系，是否涉及新产品、新技术，发行人是否具备实施募投项目的人员、技术、设备等方面的能力储备，本次募集资金是否投向主业；（2）结合行业现状及发展趋势、竞争格局、 在手订单及客户拓展等，分析本次募投项目建设的必要性以及后续商业化落地安排；（3）本次募投项目使用租赁场地的主要考虑，以及用地的落实情况；（4）本次募投项目投资构成的测算依据，资本化支出比例与公司其他研发项目和同行业公司的比较情况，资本性支出的认定是否准确；（5）结合合同定价模式、同行业可比公司情况等说明以人均产值为基础进行效益预测的合理性，结合本次募投项目人均产值、毛利率等关键指标的测算依据及与公司、同行业可比公司同类产品或项目相关指标的比较情况，说明效益测算是否谨慎、合理；（6）结合货币资金及金融资产余额、 日常经营资金积累、资金缺口等，说明本次融资的必要性及融资规模的合理性。
请保荐机构核查并发表明确意见，请发行人律师对问题（3）核查并发表明确意见，并请保荐机构和发行人律师就发行人是否符合《监管规则适用指引——发行类第 6号》第 4条的相关规定发表明确意见。
一、 对问题的回复
（一）本次募投项目的具体内容，包括拟形成的研发成果与产品情况、盈利或服务模式等，并结合应用领域及场景、核心技术、客户群体等，说明本次募投项目与现有业务的区别与联系，是否涉及新产品、新技术，发行人是否具备实施募投项目的人员、技术、设备等方面的能力储备，本次募集资金是否投向主业
1、本次募投项目的具体内容，包括拟形成的研发成果与产品情况、盈利或服务模式等
本次向特定对象发行股票预计募集资金总额为不超过人民币 100,000.00万元（含本数），扣除发行费用后拟用于以下项目：
单位：万元
| 序号 | 项目名称 | 项目总投资金额 | 募集资金拟投入金额 |
| 1 | “灵擎”工业 AI赋能平台建设项目 | 44,792.42 | 40,000.00 |
| 2 | “灵助”工业软件 AI工具集开发项目 | 21,902.59 | 20,000.00 |
| 3 | “灵智”具身智能 AI训推平台研发项目 | 22,295.52 | 20,000.00 |
| 4 | 补充流动资金 | 20,000.00 | 20,000.00 |
| 合计 | 108,990.53 | 100,000.00 | |
公司成立以来，一直立足工业领域，深耕
高端装备制造业，服务和支持中国制造业的发展和持续转型升级。二十年来，公司业务从自动化、信息化发展到数字化及当前的智能化，公司产品和技术一直跟随客户需求的升级而迭代。初期的自动化和信息化业务帮助公司积累了各行业产品研发、制造、运维、质量全流程管理的知识和经验。
在此基础上公司发展了工业软件和工业数据等数字化业务，形成了一系列可量化价值的数字化产品及解决方案，沉淀了海量的工业数据，同时对行业客户的产品全生命周期的各类应用场景有了深刻的理解。人工智能技术的出现，高度契合公司下一步的发展战略，给公司业务从工业软件和工业数据向 AI跃迁提供了巨大的技术支撑和广阔的市场空间。公司 AI产品和服务业务营业收入占公司总收入比例稳步提升，公司目前已确定 All IN AI的发展战略，AI技术的持续创新和新产品开发已成为决定公司长期竞争力的必然选择。
公司现有 AI产品与服务业务主要为客户提供公司自主研发的“灵系列”AI agent产品与服务，本次募投项目除补充流动资金项目外，其余三个募投项目均属于 AI产品与服务业务板块。各募投项目具体建设内容如下：
（1）“灵擎”工业 AI赋能平台建设项目
本项目拟通过灵擎 AI中台与制造业垂域模型的融合建设，打造“工业数据—智能模型—场景应用”一体化新范式，实现模型和 Agent开发平台、工业数据应用平台以及模型和算力调度管理平台开发及研发、制造、运维、质量四大业务域场景规模化落地，形成可复制的“AI+制造业”整体解决方案。本项目一方面将构建 agent应用开发统一规范与标准流程，推动资源共享，提升 agent开发的可复用性，实现产品标准化，整体提升模型和 agent开发的效率和质量；另一方面旨在通过利用模型开发、数据治理、算力调度等能力，提升场景化应用开发能力，从而丰富产品的功能及应用域，实现从研发、制造、运维到质量的全流程赋能。本项目建设将强化公司核心竞争力，同时优化和完善产业链，为工业企业降本增效、质量跃升和运维模式变革提供新动能，为我国新型工业化升级提供新路径。
1）建设内容
“灵擎”工业 AI赋能平台建设项目，核心目标用于快速开发 AI垂域模型和 Agent智能应用的底座平台，主要包括“灵擎”AI中台和制造业垂域模型（覆盖研发、制造、运维、质量等核心业务域）两大模块，具体内容如下：
?“灵擎”AI中台
定位为 AI Agent应用开发构建的“流水生产线”，核心目标是实现 AI模型与 Agent构建的标准化、流程化，大幅提升构建效率，主要包含三大核心功能： A.工业数据应用：相当于工业领域数据的“净化厂”，核心作用是为各类 AI应用提供高质量数据源。可接收并处理工业场景中各类设备与软件产生的数据，例如生产线上的机床转速、温度等实时采集数据，设计软件中的三维模型、图纸，以及财务软件中的成本等相关信息，实现数据的规范化处理；
B.模型和算力调度管理平台：作为 AI资源的“管家”，主要承担两大管理职能。
一是 AI模型管理，可对工业企业的多个 AI模型（如“故障预测”“工艺参数优化”等）进行统一管控，合理规划各模型的工作时序与优先级；二是 AI算力管理，能将算力资源科学分配给对应模型，确保资源高效利用；
C.Agent智能体开发：支撑Agent应用从开发、评估到最终部署上线的全流程落地。
以“产品智能报价 Agent”为典型应用场景：工作人员无需编写大量代码，通过拖拽操作即可完成该 Agent的搭建，该 Agent可自动识别用户上传的图纸、提取关键制造信息，结合财务数据与制造数据完成成本核算及报价评估，最终自动输出标准化报价单。
?制造业垂域模型（研发、制造、运维、质量）
开发针对研发、生产、维护、质量 4个业务域的 AI垂域模型（垂域模型即具备该领域专业知识和能力的 AI模型），垂域模型能够精准理解该业务域的需求，并给出专业、准确的响应与解决方案。
2）建设目标及效果
?“灵擎”AI中台的应用效果
通过“灵擎”AI中台，预计相较于传统的 AI模型与 Agent的开发方式，可有效缩短开发周期和开发成本。
以开发一个智能质检 Agent为例，具体应用效果如下：
A.数据准备：平台可自动从生产线摄像头、数据库中采集图片数据，并提供专业标注工具，方便工作人员快速框选“划痕”“凹坑”等产品瑕疵；同时，平台支持 AI辅助预标注功能，可大幅节省数据准备的时间成本。
B.Agent智能体开发：工程师无需从零开发，直接在平台的“AI Agent应用模板”里选择“图像缺陷检测”模板，通过托拉拽的方式，即可完成 AI模型开发和 Agent智能体应用的开发。通过上述方式，原本需要数月的开发工作，可压缩至几周甚至几天内完成。
C.部署运行：通过平台将训练好的 Agent一键部署至生产端，同时平台能智能调度算力资源，确保 AI系统在规定时间内完成判断、分析等相关任务，保障生产顺畅。
D.持续优化：平台将 7×24小时实时监控模型与 Agent的运行状态，若发现新的异常情况，系统会及时发出预警，工作人员可快速启动新一轮模型训练，实现 AI应用的持续优化升级。
?制造业垂域模型的应用效果
制造业垂域模型（研发、制造、运维、质量）为具备该领域专业知识和能力的 AI模型，例如运维垂域模型能读懂设备的运行参数、故障记录，结合设备维保知识，提前预判设备故障、给出针对性的维护建议。
3）与前次募投的差异
前次募投项目的核心目标是覆盖研发生产全流程的工业软件系统平台，且操作流程固定，对人工执行依赖度仍较高；本募投项目核心目标则是开发 AI Agent智能体应用，同时大大降低了对于人工操作的依赖度，用户仅仅需要输出目标和要求，系统便可自动完成路径规划和自主执行，仅需人工少量的干预和决策。两者所采用的技术（如本体、工业知识图谱等）以及应用目的均不相同。
4）拟形成的研发成果与产品情况
本项目主要是对于灵擎 AI中台、制造业垂域模型（研发、制造、运维、质量）进行开发及产业化应用，拟形成的研发成果与产品情况如下表所示：
A．灵擎 AI中台
| 拟开发的
产品模块 | 开发后主要应用领域 | 拟形成的研发成果 | 拟实现的产品目标 |
| 模型和
Agent开
发平台 | 1、垂域模型开发
2、面向工业领域，实
现业务工作流搭建，据
业务需求处理数据、执
行操作以及进行决策；
3、前端 AI应用低代
码搭建功能，用于创建
和编辑用户界面，可以
通过拖放组件来构建
用户界面布局，并设置
组件的属性和样式。 | ? 垂域模型开发:
1、AI模型训练：
1）集成主流深度学习框架，为开发者提供多样化的选择，并根据不同场景
进行针对性优化；
2）提供分布式训练环境，支持大规模数据集的并行训练，提升训练速度；
3）提供模型压缩，包括剪枝、量化、知识蒸馏，在保持模型性能的前提下
减小模型体积；
4）小样本学习与数据增强技术，针对工业场景数据标注困难、样本量有限
问题，采用小样本学习算法，让模型快速从少量样本中学习特征。
2、AI模型评估：
1）支持构建多维度模型评估指标体系，涵盖准确率、召回率、F1值等常见
指标，并根据不同模型类型和应用场景增加特定指标；
2）引入多种评估基准，包括通用基准和行业专用基准，以全面评估模型在
不同任务和领域的性能；
3）开发可视化评估工具，将评估结果以直观的图表形式展示，便于业务人
员快速了解模型优势与不足；
4）模型可解释技术，为满足工业领域对模型决策结果可解释、可信赖的需
求，开发模型可解释性技术，分析模型决策过程，解释模型输出依据。
3、AI模型推理服务发布：
1）提供模型推理引擎，支持多种模型格式的高效推理，针对不同硬件平台
进行优化；
2）搭建分布式推理架构，结合联邦学习和边缘计算技术，实现模型在不同
场景下的分布式推理部署；
3）集成模型压缩，在部署前对模型进行处理，减小模型体积，提高推理效
率；
4）开发部署自动化工具，实现模型一键式部署。
4、AI模型轻量化处理： | 1、提供面向产品研发、质量、制造、运维
等多个领域的垂类模型从训练到部署的全
流程工具链，提升开发效率；
2、提供面向产品研发、质量、制造、运维
等多个领域的 AI应用模板、组件，如各类
BOM查看和编辑、模型查看和编辑等组
件，降低面向工业领域 AI应用开发门槛。 |
| 拟开发的
产品模块 | 开发后主要应用领域 | 拟形成的研发成果 | 拟实现的产品目标 |
| | | 提供 AI模型轻量化处理的一站式功能，通过预配置的轻量化处理流程，实
现对模型的轻量化处理，并评估其在端侧的性能，能否满足应用的需求。
5、AI模型运维监控管理：
1）构建模型性能监控，实时跟踪模型在生产环境中的关键性能指标，设置
阈值进行异常预警；
2）搭建资源监控工具，实时监测服务器及相关硬件资源的使用情况，进行
资源调度优化。
? Agent开发：
1、业务流程编辑器：
具备前端低代码工具的通用搭建能力，同时提供调用平台内的各类资源能
力，如搭建的工作流、封装工具、知识库、数据库功能结合，搭建全栈 AI
应用。
2、应用构建器：
1）提供面向工业领域 AI应用构建的应用模板、应用组件等，提升 AI应用
构建的效率和质量；
2）提供 AI辅助应用构建能力，通过 AI辅助完成从应用模板调用，到应用
构建和发布全流程。 | |
| 工业数据
应用平台 | 数据采集和管理，清洗
和预处理，AI数据标
注，数据安全管控，为
AI训推提供高质量的
数据源。 | 1、数据采集和存储管理：
1）提供与主流企业业务系统的预配置集成接口，通过简单配置，即可进行
数据同步；
2）提供对结构化、非结构化数据的集成方式，包括但不限于结构化数据、
文本文件、图片文件、音/视频等多模态数据，采集形式包含文件服务器、
边端设备、数据库、API等形式；
3）提供对二进制、时序数据、半结构化数据（json、xml）自动解析为结构
化数据能力。
2、数据自动清洗、预处理：
1）开发冗余数据剔除、缺失值填充（基于均值、中位数、模型预测）、异
常值检测、格式标准化功能，支持自定义清洗规则配置； | 1、数据采集和存储管理：
1）基于工业领域常用业务软件，如 PDM
（Teamcenter、winchill）、ERP（SAP、金
蝶）等软件提供开箱即用的集成模式，降
低三方软件集成费用；
2）提供主流非结构化文件的高效采集能
力，包括但不限于 word、pdf、ppt、txt、jpeg、
jpg、png、gif、mp3、mp4、wav、avi等数
据对接能力。
2、数据自动清洗、预处理：
1）基于工业领域常用业务软件，如 PDM |
| 拟开发的
产品模块 | 开发后主要应用领域 | 拟形成的研发成果 | 拟实现的产品目标 |
| | | 2）实现非结构化数据的结构化转换，包括 OCR图片文字识别、文本特征提
取、图片/音频/视频多模态特征提取，输出模型可直接使用的结构化数据。
3、AI训练数据标注：
1）文本标注，支持命名实体识别、关系抽取、文本分类、情感分析、摘要
生成等标注类型，提供高亮、划选、下拉选择等交互工具，支持复杂嵌套实
体标注及多标签并行标注；
2）图像标注，涵盖目标检测、语义分割、图像分类、图像检索标注、视频
帧序列标注等，支持标注结果实时预览、多标注层叠加及批量相似图像标注
复用；
3）语音标注，提供语音转文字同步标注、语音片段分割、情感倾向标注、
说话人分离标注、噪音标签标注等功能，支持音频波形可视化、倍速播放及
精准定位标注；
4）视频标注，识别出视频中每个物体的位置及分类；
5）规则模板管理，支持自定义标注标签体系，设置标签层级关系、标签约
束条件，并支持模板的导入、导出、版本迭代及复用。
4、数据安全管理：
实现基于企业数据分类分级、分域的智能敏感数据识别与数据脱敏，确保于
泛化权限内的数据查看、调用和传输安全。 | （Teamcenter、winchill）、ERP（SAP、金
蝶）等软件提供开箱即用的集成模式，降
低三方软件集成费用；
2）提供主流非结构化文件的高效采集能
力，包括但不限于 word、pdf、ppt、txt、jpeg、
jpg、png、gif、mp3、mp4、wav、avi等数
据对接能力。
3、AI训练数据标注：
1）通过预标注模板规则、标注工具，使单
条数据平均标注时间缩短，标注精确性提
升。支持人工标注、智能标注等数据标注
能力；
2）实现对工业领域常见的文本、图像、语
音、视频四大类基本类数据的不同标注应
用，完整覆盖主流标注方法；
3）数据安全管理：
提供基于自然语言、泛化条件的敏感数据
智能识别、自动脱敏与安全隔离，保障工
业敏感核心数据的安全。 |
| 模型和算
力调度管
理平台 | 对多类型模型和算力
资源的统一纳管、智能
调度、协同工作和全生
命周期管理 | 1、智能化调度：
利用机器学习技术，使调度器能够预测任务运行时间、智能识别资源需求、
动态优化调度策略，从而实现从“基于规则”到“基于预测与优化”的转变；
2、面向模型训练的专项优化：
深度优化集群的通信效率，解决长时间训练下的稳定性问题，并开发针对模
型“预训练-微调-推理”全链路的专属调度策略；
3、Serverless化体验：
向开发者提供极简接口，完全屏蔽底层基础设施的复杂性，开发者只需提交
任务，系统自动完成资源分配、环境配置和弹性伸缩。 | 效率目标：
资源利用率：GPU利用率稳定在 85%以上，
资源碎片率低于 10%；
模型效能：支持垂域模型与通用大模型的
混合接入，复用率提升至 70%；
性能目标：
服务质量：推理 P99延迟<100ms，训练任
务按时完成率≥99.9%。 |
B.制造业垂域模型（研发、制造、运维、质量）
| 拟开发的产
品模块 | 开发后主要
应用领域 | 拟形成的研发成果 | 拟实现的产品目标 |
| 研发域模型 | 制造业（装
备、汽车等） | 1、模型/图纸识别模型
1）通过该模型可将传统的、非结构化的 CAD工程图纸/3D模型转化为结
构化、可理解、可处理的数据和信息，让 AI能读懂图纸，为后续围绕模
型/图纸的 AI应用开发奠定基础。如模型/图纸的错误 AI智能检查；
2）相似件检索，支持模型/图纸相似件检索，查询用户输入的模型/图纸
的相似件，避免大量的重复建模，提升研发效率。
2、物料管理模型
1）物料信息智能解析与标准能力，将非结构化数据（如混乱的商品描述）
转化为结构化、标准化的数据，提升数据质量与一致性；
2）物料智能识别与分类，解决一物多名、分类混乱问题，实现精准比价、
优化库存管理、提升采购效率；
3）物料智能推荐，在研发端、工程师可输入查询条件，智能基于当前的
物料应用场景，自动物料选型推荐；采购端，智能推荐可选的供应商，实
现物料成本的测算。 | 1、模型/图纸识别模型
1）支持对传统 CAD图纸、3D模型的信
息智能提取，包含尺寸公差、明细栏、技
术要求等信息，准确率>90%;
2）相似件检索，支持特征搜索，拓扑搜索，
草图搜索，实时搜索等多种搜索方式。
2、物料管理模型
1）支持对用户历史物料数据，进行智能清
洗，比人工清洗效率提升 80%，准确率提
升 30%；
2）物料选型推荐，准确率>90%。 |
| 制造域模型 | 制造业（装
备、汽车等） | 1、智能排产模型
数据驱动和智能算法，实现智能排产，对插单、生产执行异常等情况进行
快速响应和自动重排。做到平衡效率、成本、交期、能耗等多个目标，找
到对企业最有利的综合解决方案。
2、工艺推荐模型
1）工艺优化，可基于输入生产数据与工艺知识，找出最优工艺参数组合，
提升产品质量与生产效率；
2）支持常见工艺类型，实现工艺路线规划、工艺参数设计、工艺资源选
择、工艺定额、工时分析等能力。 | 1、智能排产模型
1）订单排产时间缩短到分钟级；
2）智能排产可考虑交期、设备效率、生产
成本、物料约束等多种目标，并基于预设
的权重，计算出最优解。
2、工艺推荐模型
支持的工艺类型包含，电装工艺、机加工
艺、装配工艺等的 AI辅助工艺设计。 |
| 运维域模型 | 制造业（装
备、汽车等） | 1、可预测性运维模型
1）故障预测与早期预警，时序数据分析（LSTM）、深度学习（CNN、
RNN）、异常检测算法、迁移学习（解决小样本问题）；
2）剩余使用寿命(RUL)预测，随机过程模型、深度学习模型； | 改变传统的“故障-响应”模式，转向更加智
能的“预测-诊断-修复”闭环体系；
1、云边端协同：云端训练、边端推理；
2、边缘适配：模型轻量化（剪枝、量化）、 |
| 拟开发的产
品模块 | 开发后主要
应用领域 | 拟形成的研发成果 | 拟实现的产品目标 |
| | | 3）智能诊断与根因分析，知识图谱、因果推理分析、机器学习算法（如
逻辑回归）、人类反馈强化学习 （RLHF）；
4）维护决策与自动化执行，自动生成最优维护计划并调度资源；
5）模型支持在线增量训练，基于新增的业务数据，模型可持续迭代。 | 边缘推理框架；
3、提前数天甚至数周发现潜在故障，预警
准确率可达 85%以上；
4、快速定位故障根源，将平均故障修复时
间（MTTR）从数小时缩短至分钟级；
5、自动生成最优维护计划并调度资源，使
维护成本降低 20%-40%，工单响应效率提
升 60%。 |
| 质量域模型 | 制造业（装
备、汽车等） | 1、质量控制参数模型：根据准入参数快速生成质量控制参数，根据引用
程度进行强化学习，结合图像生成技术模拟出产品实现设计验证闭环；
2、缺陷模式预测与规避模型：收集、存储和管理 FMEA 相关的历史数
据、实时生产数据、市场反馈数据等，并确保数据的准确性和一致性。根
据 FMEA的具体需求，选择合适的 AI算法，如机器学习、深度学习、强
化学习等，对模型进行训练和优化，以提高模型的预测准确性和可靠性。
基于训练好的 AI模型，开发一个能够自动识别潜在失效模式，并对其进
行深入分析的工具，包括失效原因分析、失效影响评估等。建立一个风险
评估模型，利用 AI技术自动计算风险优先级，并根据风险等级提供相应
的决策支持，如改进措施的推荐、资源分配的建议；
3、1）质量问题智能管理：智能问题发现与分级预警：基于问题严重程度、
影响范围、处理难度，AI自动分级（如“致命问题→1小时内响应”），并
匹配最优处理人员（如“设备故障→设备工程师，工艺问题→工艺专家”），
生成优先级工单；2）跨环节根因追溯：联动供应链、生产、售后数据，
定位“跨环节根因（如” “客户投诉‘产品生锈’→追溯至生产时防锈处理工艺
参数异常→关联供应商防锈剂批次不合格”）。
4、AI视觉识别检测：AI语音识别模型，可根据语言快速填报检测信息。
利用计算机视觉（CV）技术深度融合 OCR，不仅能提取图纸上的文字、
表格（标题栏、明细栏），更能精准识别和理解各种视图、尺寸标注（含
公差）、几何公差（GD&T）、表面粗糙度符号、技术要求等关键制造信
息，并构建其关联关系，形成结构化数据。开发一个快速处理模型，快速
处理不良品，给出不同级别的判断和不同的处理方案，并自动指定相关人
员进行审核确认，实现不良品快速处理。 | 1、质量控制参数模型；根据客户需要整合
案例资料，利用 AI生成控制参数，控制文
档，以及模拟图纸；
2、缺陷模式预测与规避模型：提高 FMEA
的效率和准确性，提前预测和预防失效，
优化资源分配将更多的资源投入到高风险
的失效模式改进上，提高资源的利用效率。
通过有效的 FMEA和 AI技术的结合，不
断改进产品的设计和生产过程，提升产品
的质量和可靠性，促进知识共享和积累，
形成企业的知识资产。
3、质量问题智能管理：AI技术重构质量
问题反馈的全流程，实现反馈采集智能化、
问题处理高效化、根因分析精准化、处置
闭环可视化及风险预警前置化，提升质量
问题解决效率，从被动响应转向主动防控，
构建韧性质量管理体系。
4、AI视觉识别检测：根据视觉快速识别
产品参数，查找缺陷，并转为参数填写至
检测记录内。语言填报检测信息，调用各
种操作界面，例如开机 XX产品合格证，
XX发起问题上报等。快速识别不良品，
给出处理方案，处理级别，降低处理时间。 |
5）盈利或服务模式
?标准化产品出售：灵擎中台涵盖数据治理、算法引擎、模型管理、场景适配等核心能力模块，可作为企业智能化转型的核心技术基座对外出售，满足高端制造、军工航天等领域客户对 AI基础设施自主可控、灵活拓展的需求；同时，依托公司在工业场景的长期深耕积累，聚焦研发、制造、运维、质量四大业务域，打造出的系列化标准化制造业垂域模型也可实现独立出售。
?行业解决方案：结合公司在重工装备、汽车、高科技电子、通用机械、能源动力等领域的场景积累，为客户提供定制化 AI赋能解决方案。针对客户在产品研发、生产制造、产品运维、质量管理等业务域的个性化 AI应用需求，基于“灵擎 AI中台”与“制造业垂域模型”的协同体系进行定制化开发、模型训练及系统集成，提供从需求调研、方案设计、技术开发到落地调试的全流程服务，按项目整体报价结算收入，定价综合考虑定制开发工作量、核心技术投入、项目实施周期及行业复杂度等因素。
?升级运维服务：升级运维服务指公司后续年度针对客户已有产品和解决方案进行的升级开发。
（2）“灵助”工业软件 AI工具集开发项目
本项目拟构建国内领先的工业软件 AI助手平台，通过 AI模型与 CAD、CAE、EDA、PLM、MES等核心工业软件的深度融合，打造覆盖研发、制造、质量、运维全场景的智能代理（Agent）矩阵。本项目将前沿 AI技术与工业软件深度融合，聚焦工业全生命周期场景需求，开发具备自学习、可交互、强辅助核心特征的智能软件辅助工具，构建适配研发设计、生产制造、运维服务等关键环节的全场景工业 AI工具集，突破传统工业软件操作复杂、知识沉淀难与过度依赖人工经验的根本性瓶颈，形成可复制的“工业软件+AI”一体化解决方案，最终形成“标准化工具+定制方案+订阅服务”的综合AI赋能体系，为我国制造业智能化升级提供新范式与新路径。作为公司现有“灵系列”AI agent产品的迭代升级版本，“灵助”工业软件 AI工具集在产品形态上实现了从定制化服务向标准化、产品化的跨越式发展，在应用场景覆盖与核心功能实现上均完成全方位进阶，进一步强化公司在工业 AI领域的产品竞争力与市场影响力。
1）建设内容
本项目旨在开发一套工业软件的 AI智能助手（AI agent），核心是为各类工业软件（如设计、管理、生产过程中使用的各类专业软件）植入 AI内核。
当前工业软件虽功能强大，但普遍存在操作门槛高、不同软件之间数据不互通，且过度依赖资深工程师经验的行业痛点。本项目将通过人工智能技术，开发一系列轻量化 AI插件，以解决上述痛点。
具体建设内容分为五大类智能助手，均以 AI插件形式开发，可集成于各类主流工业软件及公司自研工业软件中，覆盖从产品设计、研发管理、工艺规划、生产制造到运维维保的全流程，以提升工业软件的智能化水平：
?设计工具软件智能助手
针对常见的设计和仿真工具软件，如 CAD(画图软件)、CAE(仿真软件)等开发 AI辅助插件，该类插件可集成于任意一款主流设计工具软件，旨在大幅提升设计人员的工作效率、软件使用体验及设计质量。以应用场景智能图纸校验为例，AI插件可充当设计师的“智能纠错笔”，在零件图绘制过程中提供实时反馈。通过算法识别，系统能够自动检测并高亮显示常见设计缺陷（如壁厚不足、零件干涉/碰撞等），并同步推送工程化的修改建议，将传统模式下需数小时的人工审查流程，缩短至数分钟内完成。
?研发软件智能助手
针对 PDM（产品数据管理）等研发管理软件，开发 AI辅助插件，该类插件可集成于任意一款主流研发工具软件，以提高研发工作效率、研发质量及软件使用体验。
以应用场景物料数据管理与清洗为例，针对工程师录入 BOM或零件信息时普遍存在的物料命名不规范及 “一物多名”（如同一标准件被分别命名为 “螺丝” 或 “螺钉”）情形，AI助手可自动识别同义词物料，并向管理员提供物料合并建议，建立干净、统一的物料数据库，从源头消除数据冗余，为后端的采购和成本核算环节打好基础。
?工艺软件智能助手
针对 CAPP（计算机辅助工艺规划）等规划产品如何加工、制造、装配的工艺管理软件，开发 AI辅助插件，该类插件可集成于任意一款主流工艺软件，以提升工艺规划设计效率、设计质量及软件使用体验。以工艺规划场景为例，针对传统工艺规划环节依赖人工经验、编制周期长的痛点，AI助手能够基于企业的知识库进行自主学习，自动读取图纸并快速输出标准化工艺路线。对于常规零件，系统可自动完成 80%以上的工艺编制工作，大幅缩短工艺师的规划周期。
?制造软件智能助手
针对 MES（生产执行系统）等生产管理软件，开发 AI辅助插件，该类插件可集成于任意一款主流生产管理软件，以提升生产制造管理效率、管理质量及软件使用体验。以生产过程的实时监控和异常预警场景为例，AI助手能够实时监控生产线，对产量、设备运行速率等关键生产数据进行实时分析，识别并预判潜在的异常趋势（如设备运行速度异常衰减），并自动触发预警机制，帮助管理人员快速响应，减少停机时间和次品率。
?运维软件智能助手
针对用于管理设备维护，产品售后运维，大修维修等运维类的软件，开发 AI辅助插件，该类插件可集成于任意一款主流运维管理软件，提升运维管理效率、管理质量及软件使用体验。以设备运维场景为例，针对机床、
机器人等关键生产设备，AI助手提供全天候健康监测能力，通过实时采集并分析设备振动、温度等多维度传感器数据，比管理人员更早且更精准地识别设备早期故障征兆（如轴承的轻微磨损），实现预测性维护。相较于传统依赖人工或定检的方式，将故障预警时间由数天提前至数周乃至数月，降低突发故障风险，误报率降低 50%。
2）建设目标及效果
公司将以五大智能助手产品线为基础，开发一系列可独立部署、即插即用的标准化 AI功能模块。该类产品具备高复用性、快速部署、持续升级的特点，可为公司带来稳定、可重复的软件产品收入；随着产品矩阵不断完善、市场渗透率持续提升，标准化模块销售将成为公司收入的基础组成部分。
此外，客户（制造业企业）可根据实际使用需求，按月或按年度订阅所需 AI助手模块，实现“按需使用、快速开通、灵活扩展”，该模式可显著降低其使用门槛和初期投入成本；实现将传统需数小时的重复性工作压缩至分钟级，助力员工从繁琐事务中解放，聚焦于高价值的创造性工作，实现人均效能的指数级提升；实现设计、生产、运维环节的早期问题识别与风险预警，有效减少后期设计变更、生产故障及设备停机带来的巨额损失，保障交付质量；实现将资深工程师的经验与工艺诀窍通过 AI 模型进行固化与标准化，形成企业可传承、可复用的智慧资产，解决工业知识流失与依赖个人的痛点。
3）与前次募投项目的差异
前次募投项目的核心是研发一系列自研工业软件本身（“乐系列”），覆盖设计、研发、工艺、制造、运维全业务链，本质是构建了工业软件的底座和产品基础；本次项目旨在在上述公司自研的工业软件的基础上，增加强大、实用的 AI助手插件功能（同时也能兼容其他厂家的工业软件），本质是一次重要的智能化升级。
4）拟形成的研发成果与产品情况
A．设计工具软件智能助手
| 拟开发的产品模
块 | 拟形成的研发成果 | 拟实现的产品目标 |
| CAD助手-智能建
模与设计生成 | 开发一个多模态 AI模型，训练模型学习常见的机械零件、建筑构件或电
气符号的规范设计和参数关系，通过自然语言描述或草图输入，自动生
成/优化 3D模型结构。 | 将概念设计时间缩短 70%，自动实现“设计
-仿真-再设计”闭环，输出性能最优且满足
工艺要求的结构件。 |
| CAD助手-智能设
计缺陷实时检测
与审查 | 开发集成于 CAD的插件，构建多源规则库与 AI模型（GNN/CV），实
时分析模型几何与拓扑，自动检测如薄壁、干涉等缺陷，并精准高亮定
位展示，提供修改建议。 | 在设计阶段极早期发现绝大多数潜在缺
陷，将审查时间从数小时缩短至分钟级，
大幅降低后期变更成本，并沉淀设计知识，
保障质量与标准化。 |
| CAE助手-跨 CAD
平台的统一 AI适
配中间件 | 开发一套统一的通用 CAD操作抽象接口（Unified CAD API），定义如
创建草图、拉伸特征、获取装配体结构、修改参数等通用操作。
为 AutoCAD、CATIA、NX分别开发专用的适配器插件（Plugin/Add-in）。
这些插件将接收来自中间件的标准化指令，并调用各自的原生 API执行
具体操作，同时将原生数据结构和事件转换为统一格式向上反馈。 | 用户和开发者只需与统一的接口交互，即
可自动化操作不同的 CAD工具（包括
AutoCAD、CATIA、NX），大幅提升设计
流程的自动化水平和多工具协同效率。 |
| CAE助手-智能仿
真模型前处理 | 开发一个能够理解几何特征（如圆角、孔、凸台）和物理场特性（如应
力集中区域）的 AI模型。
训练模型根据分析类型（结构、流体、热）自动执行几何清理（如去除
微小特征）、中面抽取、理想化。 | 将前处理时间从数小时/天数级缩短到分
钟级，大幅提升仿真流程的起点效率。
降低前处理操作的技术门槛，初级工程师
也能生成高质量的分析模型。 |
| CAE助手-多物理
场仿真智能优化
与方案推荐 | 开发 AI代理模型，通过学习少量高保真仿真数据，快速预测新设计参数
的仿真结果，替代 90%以上的重复仿真计算。
开发方案推荐系统，为工程师提供多个帕累托最优（Pareto Optimal）方
案，并解释每个方案的优缺点（如“方案 A减重 15%，但最大应力增加
5%”）。 | 将优化设计周期从数周缩短到数天甚至数
小时，极大加速产品迭代和创新。
大幅降低高性能计算（HPC）资源消耗和
成本。 |
| CAE助手-跨 CAE
平台的统一 AI适
配中间件 | 定义一套与软件无关的标准化操作指令集，涵盖几何清理、网格划分、
材料属性定义、边界条件施加、求解器设置、结果云图提取、报告生成
等核心仿真流程。
为 ANSYS、Simcenter、Abaqus分别开发专用的驱动适配器。该适配器 | 用户和开发者只需与统一的接口交互，即
可自动化操作不同的 CAE工具（包括
ANSYS、Simcenter、Abaqus），大幅提升
仿真流程的自动化水平和多工具协同效 |
| 拟开发的产品模
块 | 拟形成的研发成果 | 拟实现的产品目标 |
| | 接收来自抽象层的标准化指令，并将其“翻译”成可被各 CAE软件原生
API或脚本解释器执行的代码（如 Python脚本、APDL命令流等）。 | 率。 |
| EDA助手-自然语
言驱动的设计生
成与修改 | 开发一个自然语言处理（NLP）接口，能够理解用户用自然语言描述的
设计需求、修改意见或查询命令。
构建一个知识库和规则引擎，集成常见元器件的数据手册、设计规则
（DRC）、电气规则（ERC）以及最佳设计实践，确保 AI生成的设计或
修改符合规范。
实现与 EDA工具的深度 API集成，能够自动调用工具的执行功能，完成
从指令到设计变更的闭环。 | 自动化重复性任务：将工程师从编写简单
脚本、手动修改参数、检查常见错误等重
复劳动中解放出来，聚焦于创造性设计。 |
| EDA助手-智能设
计审查与优化建
议 | 开发一个设计规则与电气规则增强检查模块，超越传统 EDA工具的基础
DRC/ERC，能结合设计意图和上下文进行更智能的审查（例如：检查时
钟同步问题、评估电源网络冗余是否充足、分析高速信号链路的阻抗匹
配情况）。
集成优化建议引擎，能够根据审查和分析结果，提供具体的优化建议。 | 提前发现潜在缺陷：在投板前发现更深层
次的设计问题，减少设计迭代次数，降低
开发成本和周期。 |
| EDA助手-跨 EDA
平台的统一 AI适
配中间件 | 抽象出跨工具的通用电子设计对象（如元件、网络、层、规则）和操作
指令集（布局优化、布线检查、规则同步、数据导出），形成标准化 API
接口。
为 Altium Designer、KiCad、Cadence分别开发专用适配器插件，接收统
一指令并转换为调用各 EDA工具原生 API的脚本（如 KiCad的 Pcbnew
Python脚本、Cadence的 SKILL脚本），同时实现设计数据的双向同步
和转换。 | 用户和开发者只需与统一的接口交互，即
可自动化操作不同的 CAM工具（包括
Altium Designer、KiCad、Cadence），大
幅提升设计流程的自动化水平和多工具协
同效率。 |
B. 研发软件智能助手
| 拟开发的产品模块 | 拟形成的研发成果 | 拟实现的产品目标 |
| PDM智能 BOM管
理与变更影响分析
助手 | 开发一个 PDM系统内的 AI Agent。利用知识图谱技术构建产品零部
件关系网，自动检查 BOM的完整性、一致性；当某个零件发生变更
时，AI自动分析并列出受影响的所有下游环节（设计、工艺、采购、
生产等）。 | 实现 BOM准确率近 100%，变更影响分析效
率提升 80%，大幅降低因变更失误导致的损
失。 |
| 拟开发的产品模块 | 拟形成的研发成果 | 拟实现的产品目标 |
| 智能物料信息清洗 | 利用 NLP技术，自动将非标准的物料描述拆解并填充到标准化的属
性字段中。通过文本相似度计算，自动识别出数据库中描述不同但
实为同一物料的记录，并提示管理员进行合并，消除一物多码现象。 | 提升数据质量：建立干净、标准、统一的物料
数据库，为后续的采购、成本核算和标准化工
作奠定基础。
提升录入效率：减轻工程师手动查找和填写物
料信息的负担，避免因理解偏差导致的错误分
类。 |
| 智能 PDM检索助手 | 将 PDM系统中的各类数据源（零件属性、BOM结构、CAD文档、
Word/PDF技术文档、变更流程记录等）进行同步和 processing，并
将其向量化后存入向量数据库。
开发一个对话界面。用户可以直接用自然语言提问，查询系统数据，
让 LLM生成一个准确、简洁、基于事实的答案，并注明答案来源。 | 用户无需记住复杂的零件号、文档编号或繁琐
的菜单路径，用最自然的方式即可获取信息。
实现对分散在 PDM中各模块（零件、文档、
流程）信息的跨域联合检索与洞察。 |
| 工程图纸多模态信
息提取与理解引擎 | 开发一个专用的 AI识别 Agent。利用计算机视觉（CV）技术深度融
合 OCR，不仅能提取图纸上的文字、表格（标题栏、明细栏），更
能精准识别和理解各种视图、尺寸标注（含公差）、几何公差
（GD&T）、表面粗糙度符号、技术要求等关键制造信息，并构建
其关联关系，形成结构化数据。 | 实现对二维/三维工程图纸的自动化、高精度
信息提取与理解，信息综合提取准确率>98%，
将工程师从繁琐的“读图”工作中解放出来，为
自动工艺设计提供可靠的数据基础。 |
C. 工艺软件智能助手
| 拟开发的产品模块 | 拟形成的研发成果 | 拟实现的产品目标 |
| 工艺知识库驱动的智
能工艺路线生成器 | 开发一个基于 AI的决策Agent。它将接收“模块一”提取的结构化图纸信息，
并访问集成了企业设备能力、刀具库、夹具库、标准工时库、历史工艺方
案等信息的工艺知识图谱。利用机器学习（如强化学习）和案例推理技术，
自动决策出加工方法、确定工序顺序、选择加工设备及工装，最终输出标
准化的工艺路线文件。 | 对常规零件，自动生成完整可用的工
艺路线卡，覆盖率达 80%以上；对复
杂零件，能提供辅助性工艺方案推荐。
将工艺设计时间从小时级缩短至分钟
级，并促进工艺设计的标准化和最优
化。 |
| 基于大语言模型
（LLM）的 NC代码
生成与后处理引擎 | 开发一个 AI代码生成 Agent。它将优化的刀具路径和切削参数作为输入，
利用专门训练的大语言模型（LLM），理解数控机床（如 FANUC, Siemens）
的 G代码语法和语义，自动生成高效、无误的标准 NC代码。同时，该引
擎可集成智能后处理功能，自动适配不同机床控制系统，并能进行代码仿 | 实现“一键式”从工艺信息到高质量、
可信任 NC代码的自动生成，将数控
编程效率提升 50%以上，并消除因人
工编程失误导致的机床碰撞风险。 |
| | 真与优化，预警潜在碰撞和异常。 | |
| 基于 AI策略推荐的
智能刀具路径生成模
块 | 开发一个集成于 CAM软件的 AI规划 Agent。利用计算机视觉技术自动识
别零件的待加工区域特征（如深腔、薄壁、凸台、自由曲面），并基于强
化学习模型，自动推荐或直接生成最优的加工策略组合（如“区域 1用螺
旋铣削开粗，区域 2用等高精加工，区域 3用平行铣削”），并自动计算
空行程最短、抬刀最少的刀具路径。 | 将刀具路径规划时间减少 60%，自动
生成高效、可靠的刀具路径，显著减
少编程员对个人经验的依赖，尤其帮
助新手快速输出高质量方案。 |
| 跨 CAM平台的统一
AI适配中间件 | 定义一套与软件无关的标准制造指令集，涵盖特征识别、刀具选择、切削
参数设置、刀具路径生成、刀路验证、后处理等核心编程流程。
为 NX CAM、Mastercam、Fusion 360分别开发专用的适配器插件。该适
配器接收来自通用层的标准化加工指令，并将其转换为调用各 CAM软件
原生 API的代码，从而驱动软件执行具体的编程操作。 | 用户和开发者只需与统一的接口交
互，即可自动化操作不同的 CAM工具
（包括 NX CAM、Mastercam、Fusion
360），大幅提升设计流程的自动化水
平和多工具协同效率。 |
D. 制造软件智能助手
| 拟开发的产品模块 | 拟形成的研发成果 | 拟实现的产品目标 |
| 高级计划排程与实
时调度优化助手 | 开发一个基于强化学习的动态排程 AI Agent。实时接收来自设备的状态、
订单变化、物料配送情况，动态调整生产排程计划，以实现交货期、设备
利用率和生产成本的最优平衡。 | 提升设备综合效率（OEE）5-10%，缩
短订单平均生产周期 15%，快速响应生
产现场的突发状况。 |
| 实时生产监控与异
常预警 | 构建一个实时监控模块，集成到 MES中，持续分析生产数据（如产量、
速度、停机时间），使用 AI模型检测异常模式并自动触发预警通知。 | 提前发现生产异常，减少停机时间和质
量缺陷，提高整体设备效率（OEE）。 |
| ERP智能需求预测
与供应链风险预警
助手 | 开发一个集成于 ERP的 AI预测 Agent。融合内部销售数据、外部宏观数
据、市场舆情、新闻事件等多源信息，进行更精准的需求预测；实时监控
全球供应链事件，自动评估风险并预警。 | 将需求预测准确率提升 20%以上，为供
应链关键风险提供提前数周或数月的
预警，增强供应链韧性。 |
| 智能上架与拣选路
径优化 | 构建一个与 WMS集成的智能调度引擎。根据实时入库任务、订单结构、
仓库热力图以及设备当前状态，动态为操作员（或 AGV）计算最优上架
库位和拣货路径，并通过终端设备（如 PDA）实时指引。 | 最大化提升仓储作业效率，减少操作员
的行走路径（最高可减少 30%以上），
缩短订单响应时间，并通过均衡货架使
用率来优化空间利用率。 |
E. 运维软件智能助手
| 拟开发的产品模块 | 拟形成的研发成果 | 拟实现的产品目标 |
| 设备早期故障及运
维预警模块 | 开发一个 AI数据融合分析 Agent。该 Agent能够实时接入和处理来自设备
多维传感器（振动、声学、热成像、电流电压）的时序数据。利用深度学
习模型（如卷积神经网络 CNN处理振动信号，长短期记忆网络 LSTM处
理时序特征）进行融合分析，通过与设备正常状态基线及历史故障库进行
比对，识别出微弱的异常模式。 | 实现对关键设备（如数控机床、机器人、
泵、风机）的早期故障（如轴承磨损、
轴不对中、齿轮断齿）的精准预警，将
预警提前期从传统的数天提升到数周
甚至数月，误报率降低 50%以上。 |
| 工业 APP开发运维
AI开发助手 | 开发一个 AI Agent，与工业低代码平台深度融合。用户通过自然语言描述
需求（如“创建一个看板，显示 A产线最近 10台设备 OEE实时数据”），
AI自动生成对应的数据模型、逻辑流和 UI界面，以及自动完成一些固定
的 APP健康运维工作。 | 让业务专家也能快速开发工业 APP，将
简单应用的开发周期从“周”级缩短到
“小时”级，极大减少运维人员工作量，
极大赋能业务数字化转型。 |
5）盈利或服务模式
“灵助”产品本质为针对一系列工业软件的智能助手工具集，支持以独立组件形式按需选配、提供模块化拆分售卖及支持服务的模式，公司将构建三位一体盈利和服务体系：
?标准化工业软件 AI助手插件矩阵
公司基于“设计—研发—工艺—制造—运维”运营全业务链以及对应的工业软件研发五大智能助手工具集，开发一系列可独立部署、即插即用的标准化 AI功能模块。该类产品具有高复用性、快速部署和持续升级的特点，能够有效降低客户采购与使用门槛，为公司带来稳定、可重复的软件产品收入。随着产品矩阵的不断完善和市场渗透率的提升，模块化销售和标准化服务将成为公司收入的基础组成部分。
?云订阅服务生态
公司现有订阅模式采用订阅与部署绑定的运作方式，订阅颗粒度较粗，未实现软件功能模块的拆分与单独订阅，客户需基于整体部署需求完成对应套餐的订阅，无法根据自身实际业务需求仅选取部分功能模块进行订阅，在使用灵活性上存在一定约束，难以充分适配制造企业多样化、个性化的功能需求。为更好地聚焦制造企业“成本敏感、需求灵活”的痛点，本项目细化订阅颗粒度，支持纯模块拆借式订阅，企业可根据自身生产经营的实际需求，自主按需选择模块订阅；从而创新性地推出基于智能助手的“按需选择模块+按周期（月/年付费）”的轻量化、更为灵活的订阅付费方案，不断提高产品模块化水平和标准化服务。用户可依据实际使用需求，按月或年度订阅所需 AI助手模块，实现“按需使用、快速开通、灵活扩展”。该模式可显著降低其初期投入成本。
同时，云端模式便于公司持续迭代算法、扩展服务能力，并通过用户使用行为数据反哺产品优化，形成“产品-数据-体验”闭环，不断增强客户粘性，构建可持续的订阅收入流。
?定制化行业解决方案
针对汽车、电子、
高端装备等行业的大型头部企业，公司提供深度定制的行业解决方案，即在标准 AI助手产品基础上，通过深度融合客户特有的工艺、设备库、工艺图谱等知识资产与管理流程，提供定制化方案和服务，量身定制打造全套智能化系统。
该类解决方案单价高、技术壁垒强，不仅能显著提升企业核心环节效率，还可形成技术壁垒与客户锁定效应。定制化服务包括系统集成、私有化部署、专项训练与持续运维支持，进一步延伸价值链，提升整体盈利和服务水平。
（3）“灵智”具身智能 AI训推平台研发项目
本项目属于非效益类研发项目，旨在通过前沿技术布局抢占具身智能产业战略高地。本项目聚焦具身智能产业在“数据—仿真—部署”全链路落地中的迫切需求，着力打造两大核心平台，一是具身智能训推平台：在数据闭环、高保真仿真、云边协同部署等关键环节实现突破，满足工业质检、仓储物流、应急救援、教育实训、军事装备等多场景快速落地需求；二是具身智能虚实结合仿真平台：通过场景重建、刚柔耦合物理引擎、多模态传感器噪声建模与跨平台一键迁移工具链，为各类
机器人算法提供高保真预训练环境与标准化评测体系。
1）建设内容
本项目核心目标是通过前沿技术布局，抢占具身智能产业战略高地。本项目聚焦具身智能产业在“数据—仿真—部署”（如助力
机器人厂商交付的机器狗、人形
机器人等，顺利执行安全巡检、作战等各类任务）全链条落地中的迫切需求，着力打造两大核心平台，为具身智能技术的产业化应用提供支撑：
?具身智能训推平台
该平台相当于为
机器人搭建的“智能训练营”，重点在数据闭环（支持
机器人持续学习新任务场景中的新数据）、高保真仿真（通过数字技术模拟真实世界场景）、云边协同部署（实现
机器人云端学习与本地执行的高效联动）等关键环节实现技术突破。其应用场景广泛，例如在工业质检场景中，可支持
机器人自动识别产品缺陷；在仓储物流场景中，能助力
机器人自主规划路径、完成货物搬运；在应急救援场景中，可让
机器人通过仿真模拟开展救援训练。该平台可推动具身智能技术快速落地至多个工业场景，大幅减少相关技术的开发工作量与内容，帮助
机器人快速搭建“智能大脑”，高效执行各类工业场景下的任务。
?具身智能虚实结合仿真平台
该平台相当于为
机器人构建的“数字双胞胎”，通过场景重建（利用 3D技术还原真实世界中的复杂环境）、刚柔耦合物理引擎（模拟不同材质的物理反应）、多模态传感器噪声建模（支持
机器人识别各类信号及问题反馈）及跨平台一键迁移工具链（实现
机器人算法在不同系统间的便捷切换），为各类
机器人算法提供高保真预训练环境（让
机器人在数字世界中提前完成学习）和标准化评测体系（对
机器人的核心能力进行量化打分）。具体应用领域方面，例如在智能安检巡查场景中，可让
机器人通过仿真平台提前适应复杂工厂等环境，从而在未来真实世界实际执行任务时减少失误和问题；在教育实训场景中，能让学生通过仿真平台安全地操作
机器人进行练习。
两大平台协同发力，如同为具身智能产业装上“加速器”，助力
机器人厂商交付的机器狗、
机器人等，快速掌握任务执行方法、适应各类应用场景，能够在特殊环境下顺利执行安检、巡查、分拣、焊接等各类任务，推动公司在智能
机器人多工业场景应用领域走在行业前列。
2）建设目标及效果
“灵智”项目旨在解决具身智能产品（如
机器人、无人机等）从研发制造到实际应用全过程中的各类难题，涵盖三大核心工具及两大核心平台，为具身智能产品研发提供全方位支撑。
?核心工具介绍
A.数据标注平台：相当于为
机器人“传授知识”，通过整理图片、声音等各类数据，为
机器人的学习提供标准化素材，降低学习门槛;
B.高保真物理仿真引擎：可精准模拟仓库、工厂等真实世界场景，让
机器人在虚拟环境中开展练习，避免在真实场景中调试出错，降低研发风险;
C.分布式训练集群：支持多个
机器人同时开展学习任务，能够让
机器人应用到不同的特定场景，缩短
机器人到场景应用的开发训练周期。
?具体效果体现
上述三大核心工具能够实现高效复用，避免公司在研发具身智能产品时重复从零开发，结合本项目打造的两大平台，具体应用效果如下：
A.训推平台：提供预训练模型（即现成的“智能大脑”）及“微调工具”，可让
机器人快速适应不同的任务（如适配分拣货物、焊接零件等），大幅提升产品适配效率。
B.仿真平台：通过数字技术构建与现实一模一样的“虚拟世界”，可让
机器人在复杂环境中（如人员密集、障碍物繁多的环境）进行测试，确保产品落地后稳定运行。
三大核心工具与两大平台协同应用，可大幅缩短
机器人从实验室调试到量产的周期，预计能将研发效率提升 40%以上，同时减少 30%的硬件损耗成本。此外，该项目不仅是公司技术战略布局的重要支撑，还能为具身智能行业（工业
机器人、人形
机器人、无人机等）提供可复用的基础工具，推动整个行业从单点技术突破向生态协同发展转型。
3）与前次募投项目的差异
“灵智”项目与前次募投内容存在显著差异，核心区别在于聚焦领域不同：前次募投重点围绕工业产品全周期研发生产的数字化管理；本次“灵智”项目则重点面向智能
机器人装备的训练学习，以及安全巡检、加工焊接等工业场景的实际应用，两者分属完全不同的领域。
4）拟形成的研发成果与产品情况
| 拟开发的产品模块 | 研发后主要应用领域 | 拟形成的研发成果 | 拟实现的产品目标 |
| 具身智能训推平台 | ?工业质检：多机协同
检测（视觉/力觉融合
缺陷识别）。
?仓储物流：AMR动态
路径规划与多机避障
调度。
?应急救援：复杂地形
导航与灾后环境交互
决策。
?科研教育：高校具身
智能教学实训平台。
?军事装备：无人作战
具身装备训练。 | 核心技术创新方向
1.多模态数据融合
时空对齐技术：视频流与点云数据的跨模态配准（延迟
<20ms）。
数据增强系统：基于 GAN的动态环境扰动生成（如光照变
化、遮挡模拟）。
2.高保真仿真平台
物理参数自适应：可调节摩擦系数、空气阻力等环境变量。
专家轨迹生成：结合遥操作与强化学习生成最优运动策略。
3.云边协同部署系统
模型编译优化：针对不同硬件架构自动生成最优计算图（如
TensorRT/ONNX转换）。
边缘缓存技术：高频访问模型数据本地化存储，降低云端依
赖。
4.全链路监控体系
数据血缘追踪：从采集到部署的全生命周期日志记录。
异常检测算法：基于时序分析的模型性能衰退预警。
5.关键工具链开发
自动化测试框架：覆盖 20+标准测试场景（如狭窄通道通行、
多物体抓取）。
可视化调试工具：三维重建环境中的策略执行可视化回放。
资源调度系统：动态分配算力资源（CPU/GPU/FPGA），资
源利用率提升 40%。 | 1、技术突破
数据闭环效率：真机数据采集到
模型迭代周期缩短至 7天（行业
平均 15-30天）
仿真验证精度：运动控制策略在
Sim2Real迁移中成功率>92%（当
前行业平均 80%）
部署兼容性：支持 10+主流硬件平
台，模型编译适配时间<2小时
2、性能指标
数据处理吞吐量：单节点处理百
万级数据集（TB级）耗时<6小时
边缘推理性能：端侧设备（如
Jetson AGX Orin）并发处理 10路
视频流延迟<100ms
3、生态建设
开发者工具包：发布 SDK与 API
网页，降低第三方接入门槛
行业解决方案：形成 3-5个垂直领
域标准化部署方案（如工业质检、
仓储物流） |
| 具身智能虚实结合仿真平台 | ?多场景仿真验证：工
业装配、家庭服务、医
疗手术、应急救援等场
景的虚拟测试。
?机器人形态兼容：支
持人形、四足、轮式等
10+类机器人运动控制 | 核心技术突破方向
1.高保真场景建模
动态环境生成：基于 NeRF技术实现实时场景编辑与多视角
数据采集。
物体交互仿真：开发刚柔耦合物理引擎，支持物体变形、碰
撞响应等复杂交互。
2.多模态感知模拟 | 1、技术突破
仿真精度：运动控制策略在
Sim2Real迁移中成功率>92%（行
业平均 80%）
数据生成效率：AIGC技术实现场
景重建效率提升 5倍（单场景建
模时间<1小时） |
| 拟开发的产品模块 | 研发后主要应用领域 | 拟形成的研发成果 | 拟实现的产品目标 |
| | 算法验证。
?数据增强与生成：通
过 AIGC技术生成动态
环境扰动数据（如光照
变化、遮挡模拟）。
?算法预训练：为强化
学习、元学习等算法提
供高保真训练环境。 | 传感器噪声建模：模拟激光雷达、相机等传感器在动态环境
中的噪声特性。
多模态数据对齐：实现视觉、触觉、IMU等多传感器数据时
空同步。
3.跨平台迁移工具
模型编译优化：支持 URDF模型一键适配 ROS/ROS2、
Gazebo、Isaac Sim等平台。
API标准化接口：统一机器人控制指令集，降低多平台开发
门槛。
4.智能化评估体系
基准测试集：构建覆盖导航、操作、运动控制的 20+标准化
评测场景。
性能评估指标：定义任务成功率、路径规划效率、能耗比等
量化指标。
5.关键工具链开发
场景编辑器：支持拖拽式场景构建与物理参数实时调整。
数据标注系统：半自动标注工具链（人工审核效率提升 3倍）。
可视化调试工具：三维重建环境中的策略执行可视化回放。 | 跨平台兼容：支持 10+主流机器人
操作系统（ROS/ROS2、Webots
等），适配周期缩短 70%
2、性能指标
场景复杂度：支持同时模拟 200+
动态物体交互，物理计算延迟
<50ms
数据多样性：生成带标注的交互
数据集规模达百万级，覆盖 90%
常见任务场景
3、生态建设
开源社区：发布场景建模工具包
与物理引擎 API，吸引合作生态参
与
行业标准：主导制定 2项仿真平
台技术标准（场景建模规范、数
据标注标准） |
5）盈利或服务模式
“灵智”具身智能 AI训推平台项目是公司本次募集资金投资的非效益类研发项目，现阶段核心服务模式为对内赋能，旨在通过前沿技术布局抢占具身智能产业战略高地，打造面向具身智能领域的训推一体化基础设施，为公司内部具身智能产品研发和技术落地提供核心技术支撑与研发效率保障。目前，公司在具身智能领域已初步构建了多模态感知、运动控制算法、人机交互等核心技术模块，并积累了
机器人操作系统（ROS）适配、动态环境建模等工程化经验，但受限于该领域技术迭代速度快、跨学科融合难度高等特点，整体技术成熟度仍处于爬坡阶段，规模化应用的经济效益释放需经历持续的研发验证与场景打磨。
“灵智”项目聚焦具身智能产业从数据采集、仿真验证到实际部署的全链路落地痛点，针对性构建集数据标注平台、高保真物理仿真引擎、分布式训练集群于一体的训推一体化平台。在后续具身智能产品开发中，公司可深度复用该项目的技术成果： ?训推平台：将提供预训练模型与领域微调工具链，加速从通用智能到垂直场景（如仓储分拣、工业焊接等）的迁移；
?仿真平台：通过数字孪生技术构建虚实映射环境，支撑产品在复杂动态场景（如人流密集区、多障碍物环境等）中的鲁棒性验证；
二者协同将显著缩短产品从实验室原型到量产落地的周期，预计可使单款产品研发效率提升 40%以上，同时降低 30%的硬件损耗成本。
该项目不仅是公司技术战略的关键支点，更将为具身智能行业（如工业
机器人、人形
机器人、无人机）提供可复用的基础设施，推动产业从单点突破向生态协同演进。
2、结合应用领域及场景、核心技术、客户群体等，说明本次募投项目与现有业务的区别与联系
报告期内公司主营业务为 AI产品与服务、云产品与服务、软件系统与服务、工业工程和工业电气产品与服务。公司目前已构建了完整的自研数智化产品线，涵盖“乐系列”工业软件产品和“灵系列”AI agent产品两大核心产品体系。
（1）“灵擎”工业 AI赋能平台建设项目
应用领域及场景方面，本次募投项目与现有业务的区别与联系如下： “灵系列”AI Agent主要依托通用大模型能力，在面对工业场景高复杂性、高精度及极低容错率的需求时存在使用场景单一、适配性不足的局限；而本次“灵擎”工业 AI赋能平台项目构建制造业垂域模型，通过行业数据赋能与场景化优化，弥补通用大模型在复杂工业场景中的短板，实现 AI技术与工业核心业务的深度耦合。
“乐系列”的核心定位为工业制造“信息化+数字化”平台，聚焦破解工业制造全环节数据非结构化、多系统异构部署导致的信息孤岛难题，通过全链路数据整合与闭环管理，实现各环节数据的贯通流转与价值沉淀。其中，“乐数”数据资产管理平台的定位是全链路数据治理与服务套件，构建“数据采集—治理—管理—智能分析”的端到端能力，为 AI应用提供合规、场景化的数据输入。“灵擎”工业 AI赋能平台一方面依托乐数平台输出的高质量数据作为算法训练与应用落地的基础，另一方面通过构建 AI中台与工业垂域模型，打通 AI技术与工业场景的适配通道，实现 AI能力在研发设计、生产制造、质量管控、设备运维等核心环节的深度渗透与规模化落地。
以下为结合具体应用场景，对本次募投和现有业务的区别和联系进行说明：
| | 产品
名称 | 应用领域及场景 | 本次募投和现有业务的区别和联系 |
| 现有业
务情况 | “灵系列”AI
Agent应用
开发服务 | 公司基于对行业业务和数
据的深厚积累和理解，结合
客户实际场景需求，形成了
AI Agent产品的开发和服
务能力，落地“20+”个 Agent
产品。 | 公司现有“灵系列”AI Agent产品积累的核心开发技术及场景化应用能力，为本次募集资金
投资项目“灵擎”工业 AI赋能平台的建设构建了坚实的技术与业务基础。
1、公司现有 AI Agent应用开发多依托通用大模型能力，尽管通用大模型具备较强的泛化
能力，但在工业领域高复杂性、高精度及极低容错率的场景中，存在适配性不足、精准度
有限等局限性。本次募投“灵擎”项目将聚焦制造业场景，构建面向研发、制造、运维、质
量等核心业务域的垂域模型，通过工业场景数据赋能与场景化优化，弥补通用大模型在复
杂工业场景中的应用短板和局限性，实现 AI技术与工业核心业务的深度耦合。
2、本次募投项目拟开发的灵擎 AI中台，旨在搭建模型能力调度和 Agent开发的系统性平
台，构建 AI Agent应用开发的统一规范与标准流程，实现技术资源集约化共享，提升现有
Agent开发的可复用性，从而有效降低 Agent的开发门槛，实现产品标准化，提升模型和
AI Agent应用开发的效率和质量。该平台不仅提升了公司 AI Agent服务和应用开发能力，
还可作为标准化产品售卖给客户，支持客户可基于平台提供的能力，自主拓展更多的 AI
Agent应用。 |
| | “乐系列”乐
数数据资产
管理平台 | 以推动数据资产的价值体
现为核心，将企业数据服务
进行抽象、归纳为多种业务
应用场景。
构建企业数据的“采、存、
管、用”体系，形成数据价
值创造的闭环。为用户提供
一站式的安全高效的数据
服务。 | 1、公司现有的“乐数”数据资产平台，通过数据清洗、脱敏、标注、标准化等全流程精细化
处理，可输出高质量、高可用性、高关联性的工业数据资源，为 AI Agent应用开发、灵擎
AI中台算法模型迭代、制造业垂域模型训练提供稳定、合规且高度贴合实际工业场景的高
质量数据输入，精准解决人工智能技术在工业场景落地过程中普遍存在的数据质量参差不
齐、场景适配性不足等核心痛点。
2、同时，灵擎 AI中台构建的 AI Agent应用，可反向对乐数数据资产平台的数据质量进行
校验、优化与提升，充分挖掘并释放平台数据的核心价值，形成“数据供给-AI应用开发-
数据质量迭代-价值深度释放”的良性业务闭环，实现数据资产与 AI技术的双向赋能、协同
增效，为本次募投项目的顺利实施及业务规模化拓展提供坚实的数据与生态支撑。 |
客户群体方面，本次募投项目产品的核心服务场景与公司现有业务的应用场景高度契合，目标客户群体与公司现有客户
群体基本一致，重点聚焦重工装备、汽车、高科技电子等优势行业，具备显著的客户资源复用优势与市场拓展基础。同时，
本次募投项目也将针对现有客户痛点进一步深化升级解决方案，相关产品与服务的订单转化率将显著高于新增客户拓展场景。
核心技术方面，公司已具备相应的技术基础，本次募投项目与现有业务的区别与联系如下： 1）灵擎 AI中台
| 开发模块 | 技术
类型 | 当前技术水平 | 本次募投项目与现有业务技术水平的联系和区别 |
| 模型和 Agent
开发平台 | 垂域模型开
发 | 1、AI模型训练：
模型训练与微调，可在保持预训练模型参数
冻结的前提下，高效微调大模型。利用其分
布式训练、自动微分与 GPU加速能力，实
现低成本、快速迭代的模型适配，提升训练
效率与资源利用率。 | 当前技术已实现预训练模型参数冻结下的高效微调，拟开发技术
以构建全流程、多场景的训练生态为目标。当前技术积累的分布
式训练、模型微调等核心能力，为拟开发技术的体系化研发提供
了关键技术基础 |
| | | 2、AI模型评估：
1）模型性能指标统计技术，将准确率、精
确率、召回率、F1等指标作为模型评估项
结合混淆矩阵与损失函数，使用统计检验评
估模型表现。
2）通过可视化技术渲染展示模型评估结果
支撑直观展示、辅助决策。 | 当前技术以基础性能指标统计与基础可视化展示为核心，可实现
准确率、精确率、召回率、F1值等常规指标的统计分析，并通过
基础可视化技术呈现评估结果，核心满足通用场景下模型基础性
能核验的需求；待开发技术则以构建多维度、场景化、可解释的
综合评估体系为目标。当前技术积累的指标统计方法、可视化呈
现逻辑及工程化落地经验，为待开发技术的多维度指标体系搭建
专业可视化工具研发及可解释技术的场景化适配提供了核心技术
基础与实践支撑 |
| | | 3、AI模型运维监控管理：
可视化监控，构建模型运维监控体系，实时
采集系统、服务及流水线关键指标，可视化
模型运行状态 | 当前水平聚焦模型运维监控单一模块，满足基础的模型运维状态
感知需求，且已形成成熟的监控数据采集与可视化呈现能力；拟
开发技术则旨在实现模型推理服务发布全流程能力构建。
当前技术中已搭建的监控指标采集链路，可直接为待开发的推理
引擎提供实时的推理性能；其可视化技术架构可复用至分布式推 |
| 开发模块 | 技术
类型 | 当前技术水平 | 本次募投项目与现有业务技术水平的联系和区别 |
| | | | 理架构的多节点运行状态监控模块 |
| | Agent开发技
术 | 1、业务流程编辑器：
1）任务分解与流程编排技术，将复杂任务
合理拆解为多个可管理的子任务，并依据业
务逻辑编排执行顺序；
2）工具封装和调用，采用 Function Calling
MCP等技术，实现模型对外部工具的调用
和数据访问。 | 当前技术聚焦任务拆解编排与基础工具调用两大核心能力,形成了
成熟的工具调用协议适配与流程逻辑编排能力；拟开发技术则向
全栈 AI应用低代码搭建进阶。
当前技术积累的任务流程编排逻辑，可直接为待开发的低代码工
具提供流程化业务组件的核心底层逻辑，支撑复杂应用内业务链
路的搭建；其成熟的 Function Calling、MCP工具调用技术，可复
用至平台内知识库、数据库等资源的对接模块，降低多类资源协
同调用的研发难度 |
| | | 2、应用构建器：
1）低代码开发框架，通过“可视化拖拽+组
件化编排”替代传统代码编写。 | 当前技术聚焦通用低代码开发基础能力，实现了传统代码编写模
式的替代；待开发技术则向工业领域 AI应用专属构建能力升级
当前技术沉淀的可视化拖拽交互逻辑、组件化编排底层架构，可
直接为待开发的工业场景应用模板与组件提供核心技术底座 |
| | 工业数据平
台开发技术 | 1、数据采集和存储管理：分布式存储架构
与技术，面对工业数据量的指数级增长，传
统集中式存储架构难以满足需求，分布式存
储架构成为主流； | 当前技术聚焦分布式存储架构核心能力落地，解决海量工业数据
的规模化存储问题；拟开发技术则向多源异构数据全链路集成与
智能化解析升级。
当前技术搭建的分布式存储底层架构，可直接为拟开发技术的多
源多类型数据存储提供稳定可靠的资源底座，支撑结构化、非结
构化等数据的高效存储；其在分布式架构下积累的数据资源调度
数据兼容性适配等工程化经验，可复用至多来源数据同步协同、
非标数据解析后结构化数据分类存储等环节，降低全链路数据管
理能力的研发门槛与落地周期 |
| 工业数据应
用平台 | | | |
| | | 2、数据自动清洗、预处理：
1）ETL技术，实现多源数据的批量抽取，
按规则完成数据清洗、格式转换、字段映射
等处理后，加载至目标存储；
2）特征提取，机器学习和模式识别中的关
键步骤，意在从原始数据中自动或半自动地 | 当前技术水平聚焦基础批量处理与核心特征提取能力；拟开发技
术则向全场景智能化预处理与多模态数据结构化升级。
当前技术中的 ETL技术的底层流程架构可直接复用，特征提取技
术的算法框架可迁移拓展 |
| 开发模块 | 技术
类型 | 当前技术水平 | 本次募投项目与现有业务技术水平的联系和区别 |
| | | 提取出最具代表性、最有助于后续任务的信
息。以此简化数据、减少冗余、提高算法效
率和准确性。 | |
| | | 3、AI训练数据标注：
实现文本、图像、语音等多类型数据标注，
提供标注规则配置、标注进度跟踪、标注质
量审核等功能，规范标注流程。 | 当前技术水平聚焦多类型数据标注的基础流程管控，拟开发技术
则向全模态精细化标注与定制化规则模板管理深度升级。
当前技术的多类型数据标注底层适配逻辑，可直接为待开发技术
的视频专属标注功能提供跨模态数据解析的技术底座，有助于搭
建视频帧数据的读取与标注适配框架；其已搭建的标注规则配置
模块，可直接延伸为待开发的标签层级管理与约束条件设置功能
仅需新增模板版本迭代、导入导出等功能插件即可快速落地 |
| 模型和算力
调度管理平
台 | 调度器技术 | 1、调度器技术：针对 AI训练等批处理任务
的特点，提供了队列管理、公平共享、组合
作业调度等高级能力；
2、可观测性技术栈：实现对大规模集群资
源、任务性能与日志的集中采集、监控和可
视化。 | 当前技术聚焦批处理任务基础调度与集群状态可观测两大核心能
力，拟开发技术则向智能化、场景化、Serverless 化的高阶调度体
系升级。
当前技术的调度器队列管理、任务分配的底层架构，可直接为待
开发的智能调度模块提供任务调度的基础执行框架，只需在现有
架构上叠加机器学习预测模型与动态策略优化插件，即可实现从
规则调度到智能调度的升级；其可观测性技术栈积累的集群资源
任务性能数据采集能力，能为智能化调度的任务运行时间预测、
资源需求识别提供核心数据输入，保障预测模型的精准性 |
2）制造业垂域模型（研发、制造、运维、质量） （未完）
