对话海岸线科技谢添：当数字工程师遇上DeepSeek，解锁制造业的“魔法时刻”？

Q1

DeepSeek引起行业广泛关注的核心优势是什么？

DeepSeek作为中国人工智能领域的新锐模型，其引发广泛关注的核心优势可概括为 “低成本-高精度-开源适配”三位一体的技术突破。

• 颠覆性成本优势

我们回顾到 2024 年，当时OpenAI的GPT - 4o单次调用成本高达60美元，这对于很多企业，尤其是中小企业而言，是一笔难以承受的费用。而DeepSeek训练成本仅为GPT-4的1/200（557.6万美元），API调用成本低至同类1/30（2.2美元/百万词元）。对于企业来说，无疑是打破AI规模化应用的经济壁垒。这就意味着，即使是中小企业也有能力负担规模化的AI应用，为他们打开了一扇新的技术大门。

• 强化学习驱动的精准推理能力

DeepSeek R1 完全扎根于强化学习框架，采用强化学习策略，能从海量数据中学习逻辑与因果关系，实现“思考式”推理，而非传统“猜字谜式”的语言生成方法。通过显著提高数据质量和改进模型架构，展示了一条与之前大模型不同的高效训练途径，破解了全球人工智能产业长期以来“堆算力”的路径依赖。

• 开源生态赋能行业定制化

DeepSeek R1 在开源上诚意满满，采用 MIT 协议，允许企业自由商用与二次开发。企业可以根据自身产线的独特需求定制模型，无论是调整传感器数据处理逻辑，还是适配国产芯片，都能灵活操作，打破了闭源模型的技术垄断。

以往，很多人认为大规模AI应用是大公司的专属，因为大公司具备财力壁垒、算力壁垒和数据壁垒。但现在DeepSeek突破了这个局限，它对算力的依赖较低，数据成本也小。这体现了算法的强大威力，也给模型小型化提供了极大的可能性，为更多企业参与到AI技术应用中提供了机会。

Q2

DeepSeek的出现对工业软件有什么样的影响？

应该说DeepSeek的出现会给我们的工业软件和解决方案带来新的机遇。

• 推动智能化升级

DeepSeek的多模态、强推理等能力能够拓宽工业软件在执行、管理、决策各环节的智能化边界，通过数字工程师降低运营成本并提升效率。其开源模式和低成本运行方式为工业软件+AI Agent的商业部署提供了更好的土壤。

• 重构工业软件

DeepSeek将推动工业软件在研发模式、业务体验和决策控制三个方面的重构，包括从规则式研发向AI原生开发转变，从面向过程的系统向面向目标的系统转变，以及从规则式数据呈现向按用户意图构建控制逻辑转变。

Q3

这次接入DeepSeek，是用在哪些产品和场景中？

我们主要将DeepSeek应用在了“数字工程师”产品中，后面AI的学习都会去对接DeepSeek的接口，特别是在FMEA分析和全景追溯等场景中。通过DeepSeek的加持，我们的“数字工程师”在性能和应用效果上都有了显著提升。

在FMEA分析场景中，数字工程师结合 DeepSeek强大的数据分析能力，能够快速且精准地识别产品或流程中潜在的失效模式及其影响。

近期海岸线科技AQP FMEA也有一次全面升级，其中新增的AI自动校对功能也是基于深度学习的AI引擎（集成DeepSeek技术），检查分析内容，规避人为疏漏，感兴趣的朋友也可以移步至《AQP FMEA 全面升级：以用户需求驱动的质量管控新引擎》进一步了解。

在全景追溯场景里，DeepSeek助力数字工程师对产品全生命周期的数据进行整合与分析。从原材料采购、生产加工、质量检测到成品销售，每一个环节的数据都能被关联起来。

Q4

和之前的大模型相比，带来的变化是什么？

接入DeepSeek后，我们最直观的感受就是在与数字工程师进行交互时，响应速度更快，操作更加流畅。这使得用户在使用过程中能够更加高效地获取信息和完成任务。

同时，DeepSeek的强大的逻辑分析能力也让我们在数据处理和分析上更加高效和准确，为用户提供了更好的使用体验。

Q5

数字工程师能替代传统质量工程师吗？

海岸线科技的数字工程师是融合了AI、RPA、数据和机器人技术的创新解决方案，旨在解决制造业中的人效瓶颈和数据孤岛问题，其产品架构采用“1+X+N”模式，即一个平台、多个应用场景和多个模型的结合，能够覆盖经营决策、研发设计、质量改进等多个环节。

数字工程师并不是要替代传统工程师，而是与传统工程师协同合作。企业的确需要提前规划的是，未来数字工程师与传统工程师的配比，逐步匹配AI时代下的新型组织架构。

Q6

海岸线科技在数字工程师等产品的未来研发方向上有哪些新的规划？

一方面，我们会继续对原来的产品和场景进行深度打磨，继续为更多的企业和用户带来更好的体验。

在 FMEA 分析场景中，进一步提升对复杂系统失效模式的预测准确性，通过引入更多的行业数据和先进的算法模型，提高分析的精度和广度。

在全景追溯场景里，加强与物联网设备的深度融合，实现对生产过程中更多实时数据的采集和分析，为企业提供更加全面的追溯信息。

另一方面，我们也在积极开拓新的场景，比如问题管理（8D）、售后、审核、检验等领域，进一步拓展数字工程师的应用边界：

在问题管理（8D）场景中，利用数字工程师的智能分析能力，对问题进行快速分类和优先级排序，自动分配给最合适的解决团队，并实时跟踪问题解决进度。

在售后场景中，通过对客户反馈数据的分析，快速定位产品质量问题，为客户提供及时的解决方案，同时将售后数据反馈到产品研发和生产环节，促进产品质量的持续改进。

在审核和检验场景中，借助数字工程师实现自动化的审核和检验流程，提高工作效率和准确性，减少人为因素带来的误差。

Q7

有什么样的建议给到制造业的从业者？

对于制造业来说，AI的发展速度已经超乎想象。因此，无论是企业还是个人，都应该尽快拥抱AI技术，跟上时代的步伐。

从个人角度出发，从业者要主动提升自己的 AI 技能，通过参加培训课程、在线学习等方式，掌握基本的 AI 知识和操作技能，以便在工作中更好地与 AI 协同，提升自身竞争力。

从企业层面来讲，不仅要“数字化转型”，也要“智能化转型”，可以先从某个具体的场景开始，慢慢提升企业的“含AI量”，才能保持持续的竞争力。