引言：AI不是一种技术，是两种思维

当前AI产业的讨论大多集中在生成式AI——大模型、写文章、画图、写代码。但真正在产业端产生价值的，往往是生成式AI与分析式AI的协同。这两者不是替代关系，是互补关系：

生成式AI负责”从无到有”——创造新内容、新设计、新方案。
分析式AI负责”从有到优”——判断、预测、定位问题、辅助决策。

威创保长期跟踪光伏、机器人、芯片三大产业链的技术动态。本文从这两个AI维度出发，梳理AI在这三个产业中的真实落地场景，帮助从业者看清技术路线图。

一、AI的两大分支：生成 vs 分析

生成式AI（Generative AI）

机器模拟人类创造性思维，自主生成新的、具有创造性的内容或解决方案。核心在于”创造”。代表技术：大语言模型、扩散模型、GAN。

分析式AI（Analytical AI）

机器模拟人类逻辑推理与决策过程，侧重于从现有数据中发现规律、做出判断。核心在于”分析”。代表技术：分类模型、回归分析、时序预测、异常检测、知识图谱推理。

两者在工程实践中高度交织——生成式AI的输出往往需要分析式AI来验证，分析式AI的结论又可能作为生成式AI的输入。

二、光伏行业

行业特征

技术路线迭代极快（TOPCon→HJT→BC→钙钛矿叠层），产线投资重、毛利薄，竞争核心是”效率×良率×成本”的三角博弈。

生成式AI落地场景

1. 电池结构设计与优化

• 生成新型TOPCon/HJT/BC/钙钛矿电池的栅线图案和钝化层结构
• AI自动生成千万种排列组合供仿真筛选，将结构探索周期从月缩短到天

2. 电站布局自动设计

• 输入地块形状、朝向、阴影条件，自动生成最优组件排布方案和支架倾角
• 从”工程师逐块排”到”AI秒出方案，人工确认”

3. 工艺文件自动生成

• 从实验参数自动生成SOP作业指导书、BOM清单、采购规格书
• 消除工艺从研发到产线的翻译损耗

分析式AI落地场景

1. EL图像缺陷检测

• 分析电致发光图像，自动识别隐裂、断栅、黑斑、虚焊等缺陷，分类分级
• 从”人眼判片”到”AI秒级检出+自动归类”

2. 产线良率根因分析

• 实时采集温度、压力、浆料流量等近百个工艺参数
• 定位导致碎片率升高或效率下降的关键变量——从”经验排查”到”数据定位”

3. 发电量预测

• 融合气象数据、组件参数、历史运行数据，预测未来7-30天发电量
• 支撑电站交易估值和运维排程

4. 衰减曲线建模与寿命预测

• 分析组件长期老化数据，建模不同技术路线的衰减趋势
• 判断质保履约概率，辅助电站收购定价

小结：光伏行业”以量取胜”——产线跑得快、电站铺得多，缺陷放大效应极强。分析式AI的检测与根因分析直接降本，生成式AI的设计优化直接增效。两者叠加，是光伏企业从”价格战”走向”技术战”的基础设施。

三、机器人行业

行业特征

从工业机器人到人形机器人，核心挑战是”感知—决策—执行”闭环的实时性与可靠性。软件和算法正在超过硬件，成为机器人的核心竞争力。

生成式AI落地场景

1. 运动轨迹自动生成

• 给定抓取目标/焊接路径/码垛需求，AI自动生成无碰撞最优运动轨迹
• 从”示教器逐点编程”到”自然语言描述→轨迹自动生成”

2. 结构件拓扑优化

• 给定载荷和约束条件，AI生成轻量化机械臂/机器人本体结构方案
• 比传统拓扑优化速度快5-10倍，结构更轻、刚度更高

3. 控制代码自动生成

• 从任务描述直接生成ROS节点代码、PLC梯形图、运动控制脚本
• 减少工程师80%的重复编码工作

4. 人形机器人步态生成

• 根据地形反馈实时生成适应性的行走/奔跑/上下楼梯/避障步态
• 不再依赖预设步态库，实现真正的”边走边算”

5. 仿真场景自动构建

• 从真实工厂/仓库的激光扫描或CAD数据，自动生成高保真仿真环境
• 让机器人在仿真中完成90%的训练，再到真实环境中微调

分析式AI落地场景

1. 力矩/振动异常诊断

• 分析关节电机电流、力矩信号、振动频谱
• 提前2-4周识别减速器磨损、轴承故障、电机退磁——从”坏了再修”到”预测性维护”

2. 视觉定位与位姿估计

• 从2D/3D视觉数据中分析目标物体的精确位姿（6-DOF）
• 引导抓取路径规划——分拣场景的核心能力

3. SLAM建图与定位

• 融合激光雷达、IMU、视觉数据，实时构建环境地图并自定位
• 移动机器人和AGV的大脑——没有SLAM就没有自主导航

4. 人机协作意图识别

• 分析工人骨骼关键点/动作轨迹，预测下一步意图
• 动态调整机器人速度和安全距离——从”安全围栏”到”智能共融”

5. 产线节拍分析与瓶颈识别

• 分析机器人工作站的运行数据（Cycle Time、利用率、故障频率）
• 自动标定产线瓶颈工位，给出优化建议

小结：机器人的本质是”数字世界在物理世界的代理”。生成式AI让它学会新技能（轨迹/步态），分析式AI让它感知和适应真实环境（定位/诊断/意图识别）。两者结合决定了机器人从”预设动作机器”到”自主智能体”的跨越速度。

四、芯片行业

行业特征

芯片设计是工程复杂度最高的领域之一——一颗先进SoC需要数千工程师数年协作。AI正在从”辅助工具”变成”设计流程的一部分”，尤其在版图生成和良率分析两个环节率先落地。

生成式AI落地场景

1. 版图自动生成

• 给定RTL代码或网表，AI自动生成符合DRC/LVS规则的物理版图
• 谷歌的Floorplan生成已用于TPU设计，布图时间从数周缩短到数小时

2. 测试向量自动生成

• 给定芯片设计网表，AI自动生成高覆盖率测试向量集
• 替代传统ATPG工具的手动调参过程，提升测试覆盖率同时减少向量数量

3. RTL代码自动补全与生成

• 根据架构描述自动生成Verilog/VHDL代码——类似Copilot for Hardware
• 减少RTL工程师40-60%的重复编码工作

4. DRC修正方案生成

• 发现DRC（设计规则检查）违例后，AI自动生成修正方案
• 让版图工程师从”逐条改”到”AI出方案，人工确认”

5. 布线方案生成

• 给定宏单元摆布和电源/时钟约束，AI自动生成最优布线方案
• 在先进制程（7nm以下）中，布线的复杂度和人工投入呈指数级增长，AI是几乎唯一可行的解法

分析式AI落地场景

1. 芯片成品率分析与良率预测

• 分析CP测试数据、WAT关键工艺参数，预测晶圆良率
• 在流片前识别低良率风险区域，指导设计修正

2. 芯片故障诊断与失效分析

• 分析ATE测试向量与故障位图，定位物理失效坐标
• 区分开路/短路/漏电等失效模式——从”盲测”到”精准定位”

3. 时序分析

• 分析STA（静态时序分析）报告，自动标注关键路径
• 给出Timing优化建议，减少工程师人工遍历路径的时间

4. 功耗热点分析

• 分析动态功耗仿真数据，定位过热区域
• 提出散热/降频方案建议

5. 工艺偏差建模

• 分析foundry回传的CPK数据，建模工艺角偏差对电路性能的影响
• 在设计阶段就把工艺波动纳入考量——DFM（Design for Manufacturing）的核心

小结：芯片设计的分工天然适合AI介入——生成式AI负责”造”（版图、代码、测试向量），分析式AI负责”判”（良率、时序、故障定位）。EDA三巨头都在All-in AI，这不是趋势，是正在进行的事实。

五、跨行业横评：共性与差异

共性规律

维度	生成式AI（造）	分析式AI（判）
角色定位	从无到有，创造新方案	从有到优，判断与优化
光伏代表场景	电池结构生成、电站布局	EL缺陷检测、良率根因分析
机器人代表场景	运动轨迹、控制代码生成	力矩诊断、视觉定位、SLAM
芯片代表场景	版图生成、测试向量生成	良率预测、时序分析、故障定位
三者关系	生成式输出需分析式验证	分析式结论可做生成式输入

核心洞察

• 没有纯粹的生成式或分析式——最有效的AI系统同时具备两种能力。大语言模型本身是生成式，但它的推理链（Chain-of-Thought）本质上是分析式的。
• 三行业的AI落地路径高度相似：先用分析式AI解决”看得见的问题”（缺陷检测、异常诊断），再用生成式AI解决”做得快的问题”（自动设计、方案生成）。
• 数据质量决定AI落地天花板。光伏有EL图像、机器人有力矩波形、芯片有ATE测试数据——哪个行业的数据治理做得好，哪个行业的AI落地就跑得快。

六、威创保：打通三大产业的技术洞察

威创保的PolicyCrawler系统7×24小时监控全国8,000+政府站点，覆盖光伏、机器人、芯片三大产业链。我们不仅看政策，更分析技术路线本身的演变趋势——AI落地在哪里走得更快、哪些技术方向在获得政策加码、竞争对手在哪个AI场景上提前卡位。

这是传统知识产权机构和政策咨询公司做不到的事——他们看政策是看”能申报什么项目”，我们看政策是看”产业技术方向在往哪走”。

三大服务的底层逻辑：

• 产业链政策情报：政策情报
• 将政策的产业信号翻译成技术决策建议——包括AI技术路线的扶持方向、产线智能化改造补贴、研发费用加计扣除等
• 专利服务：10分钟从代码到全套申请文件——包含AI相关算法的专利布局
• 软著服务：机器生成全套申请材料——AI软件产品的知识产权保护

简单说：别人看政策，我们看产业。别人做申报，我们做情报。

— END —

威创保 · 产业链政策与知识产权运营平台
让每个科技企业用十分之一的价格，获得十倍速的知识产权服务