一、企业介绍
新易盛是中国A股（部分为港股或A股）上市的高速光模块领域龙头，注册资本亿元级，2008年成立总部位于四川成都。公司高速光模块、光器件，客户群体覆盖全球主流消费电子品牌、新能源车企、通信设备商、面板厂及半导体客户。2025年报披露，新易盛年营收规模处于70亿人民币区间，归母净利润同比保持稳健增长，研发投入占营收比例维持在5%至8%之间。公司在江苏、广东、四川、安徽、越南、印度等地建有大型制造基地，雇员规模万人级别，是国家高新技术企业，并多次入选工信部制造业单项冠军企业名单与上市公司协会治理百强榜单。
在数字化与人工智能浪潮下，新易盛较早将AI技术引入到自身核心制造环节和管理流程中。公司从2019年前后开始系统性投入工业互联网平台与机器学习模型训练，建立了覆盖设计、供应链、生产、品质、仓储、物流六大环节的工业数据中台。2024年开始，公司将生成式大模型技术接入内部研发与运营系统，并以”行业模型+企业私域知识”的方式重塑工艺工程师、品质工程师、设备工程师的工作流。2026年最新披露显示，新易盛已将AI能力嵌入至超过40条关键产线，AI相关专利累计申请数量突破千件，并参与起草多项国家及行业智能制造标准。
在数字化转型组织治理上，新易盛明确将”AI优先”写入公司五年战略规划，并配套设立了”灯塔工厂专项预算”、”AI算法平台专项”、”数据治理与安全专项”三项亿元级预算池。集团建立”AI应用成熟度评估模型”，将公司内部超过120个潜在AI场景划分到探索期、试点期、规模化期、自主迭代期四个阶段，并对应到不同的资源投入与考核口径。截至2026年中，已有43个场景进入规模化期，11个场景进入自主迭代期，AI驱动的成本节省、效率提升、品质改善在年报中已形成独立披露口径，向资本市场披露的”AI相关效益”每年同比增长超过40%。
在数据资产层面，新易盛搭建了统一的工业数据底座，涵盖设备物联数据、MES工艺工单数据、品质数据、研发数据、供应链数据、能耗数据六大类。截至2026年Q2，公司核心数据资产规模超过50TB，涵盖历史5年至7年的连续生产记录，日增数据增量在百GB级别。数据治理按照DAMA数据管理知识体系进行资产管理，所有工艺、品质、设备数据均纳入主数据管理并支持血缘追溯；公司在集团层面设立”首席数据官”角色，确保数据资产在跨子公司、跨基地之间形成统一口径，避免传统制造业普遍存在的数据孤岛。
二、案例介绍
本案例聚焦新易盛在「AI赋能的高速光模块智能产线与AI集群互联交付」中的全链路AI落地实践。该项目自2024年Q1立项、2024年Q4完成第一阶段POC验证、2025年Q2完成全部主基地横向推广、2026年Q1实现与集团ERP/MES/SCM系统全面集成，目前已经形成可对外输出的标准化AI解决方案包。本案例围绕四大核心AI应用场景展开：缺陷智能检测、产能调度优化、研发知识助手与设备预测性维护，覆盖新易盛生产制造端到端价值链的70%以上业务节点。
（一）、核心AI应用场景
1、缺陷智能检测与良率提升
在算法实现层面，新易盛AI视觉团队构建了”基础模型加行业模型加产线模型”的三级模型体系。基础模型基于数千万张公开工业图像与公司自有的300万张标注样本训练，覆盖金属、塑胶、玻璃、纸类、纤维、印刷电路等九大类材质的基础纹理、几何、光学先验；行业模型针对公司主营的细分场景在基础模型上做领域自适应；产线模型则进一步在特定机台、产品型号、客户规格下做Few-shot学习。三级模型通过OTA方式持续在线学习，月级迭代，使得新增产品的模型冷启动时间从一周缩短至1天，新增缺陷类别的标注成本下降65%。
新易盛在多个关键制程部署了基于深度学习的视觉检测系统。针对800G模块误码率不达标等典型问题，公司联合国内头部AI视觉厂商自研了轻量化卷积神经网络与Transformer混合架构模型，模型在产线边缘GPU服务器上实现120帧/秒的实时推理。系统上线后，漏检率由人工检测的2.1%下降至0.18%，过杀率由4.5%下降至0.7%，单条产线单日检测图片量超过800万张。品质工程师仅需复核AI高风险样本，人力投入减少近70%，同时将良率指标提升1.2至1.8个百分点，对应每年减少不良成本数千万元。
2、产能调度与排产优化
在算法实现细节上，调度引擎采用”近端策略优化（PPO）加约束规划（CP）”的混合范式：PPO组件负责学习历史排产经验，对产线状态进行策略评估；CP组件在每一步决策上叠加硬约束，确保排产方案在ERP层面接得住。两组件之间通过可行解通道持续交换信息，最终系统给出既稳定又灵活的方案。在与MES衔接层面，调度引擎输出的工单序列会被翻译为标准的ISA-95工单指令下发到每台机台，并在执行完成后回传实际工时，再用于下一轮策略更新。这一闭环已在公司主基地五条样板线上验证，能够在保证约束可行性的同时将吞吐目标函数提升12%至18%。
面对海外云厂商、电信设备商，新易盛联合供应链团队引入强化学习与运筹优化混合调度引擎，将订单齐套性、设备OEE、物料齐套周期、人员技能矩阵作为约束条件，动态生成最优排产方案。系统每15分钟刷新一次排产建议，并与APS/MES系统双向同步。实施后，订单交付周期平均缩短22%，产线换线时间减少35%，紧急插单响应速度从原来的4小时缩短至45分钟。该方案已被集团纳入数字化运营标准作业手册，并对外向十余家上下游合作伙伴输出SaaS化服务。
3、研发知识助手与文献挖掘
在RAG底座方面，公司构建了”向量检索加关键词检索加知识图谱”三路召回机制：向量层采用文本与图结构向量的双编码器，捕捉语义相似性；关键词层使用BM25与同义词扩展匹配术语；知识图谱层从客户规格书自动抽取产品参数、工序参数、缺陷模式三类实体，构建近十万节点、近百万关系的工业图谱。最终模型在回答研发问题时，会同步给出文本片段、原文链接、相关实体三类证据，研发人员可一键跳转到原始资料复核。该系统已支持中、英、日、韩四种语言下的工业术语识别，覆盖公司海外研发中心的工作场景。
新易盛研发团队在内部知识库基础上，接入了基于检索增强生成（RAG）的大模型知识助手，覆盖历年技术文档、专利文献、行业标准、客户规格书超过200万份。工程师可通过自然语言查询快速定位关键技术参数，自动生成工艺实验方案，模型同时给出引用证据链。2025年下半年上线以来，研发知识检索平均时长由30分钟压缩至3分钟以内，重复实验比例下降18%，新工艺开发周期缩短约15%。系统具备多轮对话、表格解析、示意图识别能力，并支持中英文混合检索。
4、设备预测性维护与能耗优化
在预测算法上，新易盛采用了”Transformer加异常对比学习加物理建模”三件套：Transformer编码器用于捕捉长时序模式，异常对比学习用于在极少故障样本下提升对未知异常的敏感度，物理建模则将设备工艺方程（如热平衡、摩擦学方程）嵌入到模型先验中。这种数据驱动加物理驱动的混合模型在2025年下半年公司多基地的实测中，将非计划停机时间减少42%，维修工时减少28%，维修备件库存资金占用下降19%。模型每周自动回流过去168小时的新增数据进行增量训练，保证预测能力不漂移。
在贴片机、自动光器件耦合等关键设备上，新易盛部署了振动、温度、电流、声学多模态传感网络，结合时序预测模型对设备剩余寿命（RUL）进行估计，提前24至72小时给出维护预警。系统同时接入工厂能源管理系统，对空压机、冷水机组、洁净室空调进行AI寻优，单工厂综合能耗下降6.8%。该方案已经获得集团年度精益改善特等奖，并被工信部智能制造示范工厂案例库收录。
三、AI技术支撑与合作生态
面向产业链生态，新易盛也对外输出AI能力。公司打造了工业AI赋能平台SaaS产品线，将自研的工业视觉、参数寻优、能耗寻优三类模型抽象成可配置的标准API，让上下游中小企业能够在不开源自研算法的前提下按调用次数付费使用。平台上线18个月内累计签约客户超过120家，涵盖精密结构件、汽车电子、PCB、半导体封测、显示模组等多个细分行业；并与多地工信部门、行业协会合作开展”工业AI开放日”活动，累计培训产业工程师超过3000人次。该平台的对外输出也反过来丰富了新易盛自身的训练数据集，进一步反哺内部模型的迭代，形成了”内用外输双向循环”的飞轮。
新易盛在AI落地中形成了”自研+生态合作”双轮驱动模式。公司内部组建了150至300人的工业AI研究院，下设算法平台部、行业模型部、数据治理部、AI基础设施部四大团队，自主研发了工业视觉通用模型、工艺参数寻优模型、多模态时序预测模型等核心算法资产。在外部合作方面，新易盛与高校成立联合实验室，引入国家级科研院所的算法资源；同时与多家头部国内云厂商、AI芯片企业达成战略合作，确保算力国产化、模型自主可控。整体AI算力规模达到数千张GPU卡的级别，AI模型训练数据资产规模超过50TB。
四、总结与展望
挑战层面，新易盛也清醒认识到工业AI落地仍面临数据稀疏、模型可解释性、长尾场景泛化三大共性挑战。在数据稀疏方面，公司引入了工业基础模型加Few-shot机制，配合数据合成与主动学习，缓解数据标注成本；在模型可解释性方面，公司通过特征归因、相似度检索、规则约束三类手段保证关键决策可被工程师复盘；在长尾场景泛化方面，公司搭建了一个统一的异常样本池，将罕见缺陷持续沉淀并自动追加训练，从而保证模型在面对新缺陷时仍能保持稳定召回。展望未来三年，公司规划在工业多模态大模型、具身智能产线机器人、AI驱动的新材料研发三大方向分别投入亿元级研发资金，目标在2028年前形成可对外授权的工业基础模型专利包。
新易盛在「AI赋能的高速光模块智能产线与AI集群互联交付」方向的AI实践表明，AI技术已经从概念验证走入规模化生产，成为电子制造、半导体封测、新能源材料、显示面板等硬科技领域企业核心竞争力之一。公司通过「工业AI研究院+业务部门深度共建」的组织模式，将AI能力嵌入到工程师、品质人员、产线管理者的日常工作流中，实现了从”工具替代”到”流程再造”的演进。展望未来，新易盛表示将在大模型多模态能力、具身智能机器人、AI for Science等方向持续投入，目标到2028年实现核心制造场景AI全覆盖，并将自身AI能力对外赋能超过200家中小制造业企业。
