{
  "code": "15611CN11",
  "factory_name": "鸿佰科技(工业富联)桃园",
  "batch": 11,
  "type": "单一工厂灯塔",
  "country": "中国台湾",
  "city": "中国台湾 · 桃园",
  "province": "桃园",
  "wef_industry": "",
  "gbt_code": "",
  "gbt_industry": "电子/服务器（计算机整机制造）",
  "core_products": "AI服务器、HPC加速器、云端存储（含英伟达GPU模组自动化生产）",
  "application_areas": "AI算力基础设施、数据中心、云计算、高性能计算",
  "release_date": "2023年12月",
  "quote": "把 AI 服务器交给 AI 来造，鸿佰科技桃园南青厂做到了——这是全球首座 AI 服务器灯塔工厂：生产效率↑73%、不良率↓97%、交期↓21%、单位制造成本↓39%。",
  "use_cases": [
    {
      "num": "①",
      "title": "AI仓储物流排程 核心用例",
      "pain": "⚠️ 痛点：AI服务器物料种类繁多、BOM 结构复杂，传统人工仓储依赖经验找料备料，物料准备与订单分配耗时长、易错，影响交付节奏。",
      "idea": "💡 方案：部署 AI 优化的智慧仓管系统，对库存、物料位置与订单进行智能匹配与排程，化解复杂物料准备难题。",
      "steps": "Step 1 — 物料数字化：对全仓物料、库位、BOM 进行统一编码与数字化建档 Step 2 — 智能匹配：AI 实时分析订单需求与库存/库位，自动匹配最优取料路径 Step 3 — 排程优化：结合 AGV/AMR 调度优化出入库与物料搬运顺序 Step 4 — 闭环反馈：备料与分配耗时实时监控，持续调优仓储策略",
      "key_data": "📊 核心成效：按时交付 ↑8%",
      "tags": [
        "01.04.02",
        "03.04.03",
        "05.01.01"
      ],
      "tech_descs": [
        "全仓物料、库位数字化建档，支撑智能找料与备料。",
        "对物料搬运与出入库路径进行智能排程优化。",
        "AI 学习订单与库存模式，自动匹配物料、缩短备料与分配时间。"
      ],
      "kpis": []
    },
    {
      "num": "②",
      "title": "AI订单预测与生产排程 核心用例",
      "pain": "⚠️ 痛点：AI大模型带来算力需求爆发，服务器订单波动大、产品迭代快，传统人工排产难以跟上，交期与换线效率承压。",
      "idea": "💡 方案：AI 驱动的订单预测与生产排程，提前预判需求、智能编排产线，缩短换线时间并改善交付能力。",
      "steps": "Step 1 — 需求建模：融合历史订单、客户与市场数据建立需求预测模型 Step 2 — 预测输出：AI 预测未来订单结构与数量，提升需求预测准确率 Step 3 — 智能排产：基于预测结果自动编排产线与工单，优化换线顺序 Step 4 — 动态调整：订单变化时实时重排产，保障准时交付",
      "key_data": "📊 核心成效：换线时间 ↓44%",
      "tags": [
        "04.02.03",
        "03.03.03",
        "05.01.02"
      ],
      "tech_descs": [
        "机器学习预测订单需求，为排产提供前瞻输入。",
        "基于预测结果自动编排工单，优化换线与产能分配。",
        "预测模型与排产引擎联动，实现需求到产能的闭环。"
      ],
      "kpis": []
    },
    {
      "num": "③",
      "title": "AI产品参数设计 核心用例",
      "pain": "⚠️ 痛点：AI服务器高度定制化、板卡与参数组合复杂，传统人工设计周期长、迭代慢，难以快速贴近客户需求。",
      "idea": "💡 方案：耦合 AI 建模加速产品参数设计，让复杂的服务器板卡设计更高效、更贴近客户定制需求。",
      "steps": "Step 1 — 参数沉淀：把历史板卡设计、客户配置需求结构化沉淀为设计知识库 Step 2 — AI 建模：训练 AI 模型理解参数组合与性能/成本约束关系 Step 3 — 智能生成：输入客户需求后 AI 快速生成可行参数方案 Step 4 — 仿真验证：自动仿真验证设计可行性，缩短设计迭代周期",
      "key_data": "📊 核心成效：板卡设计时间 ↓89%",
      "tags": [
        "02.01.02",
        "02.01.01",
        "05.01.01"
      ],
      "tech_descs": [
        "EDA 工具链支撑板卡参数设计与验证。",
        "参数化建模与仿真验证，加速设计迭代。",
        "AI 学习参数组合规律，快速生成贴近客户需求的设计方案。"
      ],
      "kpis": []
    },
    {
      "num": "④",
      "title": "AI高级控制质量管理 核心用例",
      "pain": "⚠️ 痛点：服务器板卡 SMT 贴装与组装环节缺陷隐蔽、人工质检漏检率高，设备维护依赖经验，质量与维护效率难以兼顾。",
      "idea": "💡 方案：基于 AI 控制与分析的品质管制，自动识别缺陷、优化工艺参数，并提升设备维护效率、降低人工压力。",
      "steps": "Step 1 — 数据采集：采集 SMT 贴装、检测工位的图像与工艺参数数据 Step 2 — AI 质检：机器视觉 + AI 实时识别焊点、贴装缺陷 Step 3 — 根因分析：AI 分析缺陷根因并自动调整工艺参数 Step 4 — 维护协同：联动设备健康数据，实现预测性维护、降低人工压力",
      "key_data": "📊 核心成效：SMT缺陷率 ↓99%",
      "tags": [
        "01.03.02",
        "05.02.03",
        "05.01.01"
      ],
      "tech_descs": [
        "机器视觉实时检测 SMT 贴装与组装缺陷。",
        "实时分析缺陷根因，自动优化工艺参数、降低不良率。",
        "AI 对缺陷模式进行推理，支撑质量与设备维护决策。"
      ],
      "kpis": []
    },
    {
      "num": "?",
      "title": "AI自动组装测试车间 核心用例",
      "pain": "痛点：服务器组装与测试工序密集、换线频繁，人工装配效率与人均产能受限，设备综合效率（OEE）有待提升。",
      "idea": "💡 方案：引入 AI 驱动的自动化装配和测试车间，以自动化产线与智能测试提升设备综合效率及人均产能。",
      "steps": "Step 1 — 产线自动化：部署自动化装配设备与机器人，覆盖关键组装工序 Step 2 — 智能测试：AI 驱动自动化测试，实现 GPU 模组等功能全检 Step 3 — 效率优化：AI 分析设备利用率，动态调优装配与测试节拍 Step 4 — 少人化运行：持续降低人工干预，提升人均产能与 OEE",
      "key_data": "📊 核心成效：OEE ↑42%",
      "tags": [
        "01.02.04",
        "01.03.03",
        "03.03.02"
      ],
      "tech_descs": [
        "自动化装配线覆盖关键工序，提升装配效率。",
        "AI 驱动自动化测试，实现功能全检与良率保障。",
        "分析设备利用率，动态调优节拍、提升 OEE 与人均产能。"
      ],
      "kpis": []
    }
  ],
  "performance_table": [
    {
      "metric": "换线时间",
      "improvement": "↓44%",
      "domain": "降低 44%",
      "tech": "AI 订单预测与排程优化换线作业"
    },
    {
      "metric": "按时交付",
      "improvement": "↑8%",
      "domain": "提升 8%",
      "tech": "AI 仓储排程改善物料准备与交付"
    },
    {
      "metric": "板卡设计时间",
      "improvement": "↓89%",
      "domain": "降低 89%",
      "tech": "AI 参数设计加速服务器研发"
    },
    {
      "metric": "SMT缺陷率",
      "improvement": "↓99%",
      "domain": "降低 99%",
      "tech": "AI 高级控制质量管理提升良率"
    },
    {
      "metric": "OEE",
      "improvement": "↑42%",
      "domain": "提升 42%",
      "tech": "AI 自动化装配测试车间提效"
    }
  ]
}