从企业应用到 AI 基础设施底座汉得以「得·灵」体系为基础携手矩阵起源打通企业 AI 智能化升级的“最后一公里”近日，上海汉得信息技术股份有限公司（以下简称汉得）参与投资的基金，参与了企业级 AI 基础设施厂商矩阵起源（MatrixOrigin）的 A 轮融资。本轮融资金额超千万美元，由汉得参与投资的基金、算力基础设施综合服务商亚康股份与澳大利亚风险投资机构 Artesian VC 共同注资。本次投资完成后，汉得与矩阵起源将进一步探讨在业务层面依托各自优势深度生态协同，使得汉得在 AI 领域的整体能力进一步向 AI 基础设施层延伸——从企业应用生态到 AI 基础设施底座，以构建更加完整的企业级 AI 解决方案能力。具体合作意向在进一步协商探讨中，若有进展公司将在指定媒体披露相关公告，敬请关注！随着 AI 在企业侧从单点应用向业务深度融合演进，我们敏锐洞察到：企业 AI 落地的真正瓶颈，不在于模型能力本身，而在于统一的 AI 平台工具、数据、AI 智能体、与企业现有业务流程和业务系统融合。汉得“得·灵”企业级 AI 产品和服务体系，涵盖灵猿 AI 中台、灵手业务智能体、灵睿垂直模型、灵炼大模型训练平台及灵策配套服务，已在多家头部企业成功落地。然而，在企业 AI 走向规模化、智能体加速进入生产环境的过程中，底层基础设施的统一性与开放性成为决定 AI 能否真正融入业务运行的关键变量。矩阵起源自主研发的 MatrixOne Intelligence 平台，基于 AI-Native 架构，将 HTAP、数据湖、元数据管理、AI 服务与智能体运行时（Agent Runtime）深度融合于同一平台，恰好填补了企业 AI 基础设施层的关键空白。汉得与矩阵起源的协同价值，体现在“自上而下”与“自下而上”的双向赋能：自上而下，场景牵引汉得凭借近三十年积累的深厚行业 Know-how 和数千家企业客户的真实业务场景，为 MatrixOne Intelligence 平台提供来自一线的需求牵引。汉得“得·灵”体系中丰富的业务智能体应用经验，能够帮助矩阵起源更精准地对接企业实际需求，加速产品在制造、金融、物流、财务、电信、快消品等行业的规模化落地。自下而上，底座支撑矩阵起源的 MatrixOne Intelligence 平台，为汉得的 AI 应用体系提供统一的数据与 AI 基础设施底座。传统架构下，企业推进 AI 应用需分别部署数据库、数据平台、AI 平台与智能体系统，四套系统各自独立运维，成本与复杂度居高不下。矩阵起源 MatrixOne Intelligence 将上述能力收敛至同一平台，与汉得的“得·灵”体系形成“基础设施+应用”的完整闭环，大幅降低企业 AI 建设门槛，帮助企业构建可信、安全、可治理且可持续演进的 AI 能力体系。汉得 COO 黄耿表示：“企业级 AI 正在从‘单点尝试’迈向‘智能化升级规模化落地’的关键拐点。汉得长期服务于企业数智化转型一线，我们深刻认识到企业级的智能化升级是需要算力、模型、数据、平台工具、智能体应用与企业的业务流程和业务系统融合的系统工程。基于汉得在 AI 能力构建上的整体战略布局，将‘得·灵’体系多年积累的行业洞察和服务能力、AI 应用产品和解决方案，与矩阵起源的数据底层技术能力深度融合后，可逐步构建从 AI 基础设施到 AI 应用的全栈解决方案，帮助客户构建 AI 时代的核心竞争力。”当前，全球企业软件市场正加速向 AI-Native 转型。Databricks、Snowflake、Palantir 等海外头部厂商相继强化自身的 AI 基础设施能力，企业级 AI 基础设施有望成为继云计算、大数据之后的新一代基础软件市场。随着智能体加速进入企业生产环境，企业 AI 的竞争焦点正从单一模型能力，转向数据、智能体、AI 基础设施底座的统一运行平台。汉得与矩阵起源将进一步探讨在业务层面依托各自优势深度生态协同。汉得将依托矩阵起源的技术底座，进一步丰富“得·灵” AI 产品体系的应用场景与底层支撑能力；矩阵起源则将借助汉得庞大的客户资源和行业经验，加速 MatrixOne Intelligence 在企业场景中的规模化落地。汉得与矩阵起源的联手，将为企业级 AI 基础设施赛道注入新的活力，助力更多企业构建可信、安全、可治理且可持续演进的 AI 能力体系。矩阵起源（MatrixOrigin）矩阵起源（MatrixOrigin）成立于2021年，是一家专注于企业级 AI 基础设施的创新科技公司，致力于构建统一的数据、AI 与智能体基础设施。公司自主研发的 MatrixOne Intelligence 是一体化 AI-Native 基础设施平台，融合统一数据平台、AI 服务、智能体运行时及企业级治理能力，为企业提供可信、安全、可持续演进的 AI 基础设施底座。目前，产品已在制造、金融、物流、财务、电信、快消品、互联网、半导体等行业实现规模化落地，累计服务企业客户超过100家。汉得信息上海汉得信息技术股份有限公司（300170.SZ）成立于2002年，是国内领先的企业级数智化产品和解决方案综合提供商。公司基于自主企业级 PaaS 平台 H-ZERO，构建了覆盖产业数字化与财务数字化的完整自主产品体系，并推出“得·灵”企业级 AI 产品和服务体系，涵盖 AI 中台、业务智能体、垂直模型、大模型训练平台及配套咨询服务。目前，汉得信息累计服务超过8000家行业头部客户，AI 应用落地覆盖制造、营销、财务、供应链、人事等全业务领域，致力于帮助企业实现从数字化到智能化的跨越。携手汉得，共铸硬核竞争力！

7月中旬，公司全球业务事业群COO大林总在事业部总经理群里发了一条消息：“半年已过，请各位事业部老大复盘上半年经营情况。关于经营数字分析这块，想用DataClaw来分析，请曹总经理先以自己的事业部为例做一个分析样例出来给大家参考。”事业部总经理曹总没有开Excel，没有新建PPT。他把这条消息，转手交给了DataClaw中已经上岗的数字员工——“曹总的分身”。接到任务，“曹总的分身”没有马上跑数据，而是先理解任务、主动追问：分析哪个时间范围、重点看哪些内容、输出什么形式、数据截止到什么时候。同时搭出了自己的分析框架。▲ 任务刚交过去，“曹总的分身”先理解任务、追问关键信息并梳理框架曹总只做了几次关键调整：◈ 要炫酷HTML报告▲ “曹总的分身”先提出HTML报告的7个模块再由管理者确认和校准◈ 按签单、立项、收入、毛利、成本、收款六个维度来：▲ 少量补充关键经营口径后“曹总的分身”继续拉取数据并完善分析不是人把每一步拆好交给AI，而是AI先搭框架，人只在关键地方拍板。分身完成数据拉取、口径梳理、同比分析和图表生成，输出了一份完整的炫酷经营分析报告。从六大KPI看全局，再往下分析毛利、收入结构、产品签单与回款、成本归因，最后给出经营判断和下一步行动。▲ 由“曹总分身”生成的HTML经营分析报告从经营总览继续下钻到毛利问题▲ 报告最终形成问题归因、经营判断和下一步行动建议取数、整理、分析、制图这些活，分身先干完。曹总看口径对不对、分析到不到位，决定下一步怎么干。更重要的是，这几轮调教下来的分析逻辑和口径，分身都记住了。下次再做，不用从头交代。之前大林总要求每个事业部都用DataClaw来直接做经营分析报告。但实际上，只有曹总一个人用DataClaw做，并且汇报效果非常不错。在曹总汇报完，大林总就直接提了一个要求:“如果每个事业部都要重新搭一遍分析框架，这个方法很难复制。不如沉淀成Skill，大家拿来就用。”曹总便给分身下了一条指令：“把我这次做报告的模板和思路，生成一个Skill，让其他事业部也能用。”分身把分析结构、因果链、业务口径、查询方式和HTML呈现方式打包，生成了“事业部经营分析Skill”。▲ 一句指令，“曹总分身”将已跑通的方法生成可复用的经营分析SkillSkill经过审批后上架技能商店。其他事业部不用重新训练，直接添加就能用。▲ “事业部经营分析Skill”经过管理员审核并发布曹总的下一个总经理还没汇报完，N事业部就按照曹总共享的Skill，不到1分钟就能生成自己的经营分析报告。▲ N事业部不到一分钟生成自己的经营分析报告，确认数据正确一个人的经验，就这样变成了整个组织可以复用的能力。一个事业部总经理准备一次经营分析，需要两天。20个事业部就是40个人天，如果转化成跑客户，40人天可以转化为千万级的市场增量。这些时间真正的价值，不是省了多少报告成本，而是可以重新投入客户拜访、市场拓展和关键决策。管理者真正重要的工作，从来不是反复取数、对数和做报告，而是抓异常、抓机会、抓增长。DataClaw不只是让报告做得更快。它把管理者的经验沉淀下来，让优秀的管理方法在组织里被复制、被复用。总经理面对的不是没有报表，而是报表太多。真正需要及时知道的，往往是哪里出了异常、哪里出现了机会。传统报表按统一口径配置，可以告诉所有人同样的异常，但不同管理者关心的事情并不一样。要做到千人千面，开发成本高，还很难跟着管理要求随时变化。DataClaw换了一种方式：管理者直接告诉分身“我平时关心哪些异常”，它就能按个人责任范围和管理习惯，设置定时任务，主动检查并按时推送。曹总告诉分身：“关注无项目和缺勤人员、无合同在建项目、收入和毛利变化、重点项目风险，每天6点30推送。”到了设定时间，分身自动查询最新数据，把异常和建议整理好直接推送。▲ “曹总的分身”每天定时检查缺勤和无项目人员，并主动推送日常明细▲ 每日经营监控不只报数字还给出异常等级、跟进建议和当天行动清单每个管理者关心的事情不一样。谁关心什么，就告诉自己的分身，让它每天替自己盯着。管理者不用每天翻一堆报表，只需要看与自己有关的异常和待办。“曹总的分身”不是公司唯一的数字员工。DataClaw里已经有PMO、事业部总经理秘书、王牌销售员、公共销售小秘、数据小秘、资金与外汇风险分析员工、税务合规分析员工等不同岗位的数字员工。▲ 汉得DataClaw中已经上岗部分AI数字员工更多岗位员工正在陆续上线这些只是已经上岗的一部分。公司还在把更多岗位的知识、经验和工作方法教给数字员工，更多员工正在陆续上线。还有一种更快的复用方式——公共员工。管理员把某个岗位的数字员工训练好、发布为公共员工后，其他人不需要自己从头训练，也不需要一个个添加Skill，直接分配就能用。汉得DataClaw中已上线部分公共员工，开箱即用。个人分身，教的是你自己的工作方法；公共员工，复用的是组织沉淀下来的标准能力。两种方式并行，让重复工作有人接住，让优秀经验快速复制。汉得DataClaw，企业的数字员工中心——让管理者从报表和重复工作里解放出来，把精力放回客户、业务和增长；让一个人培育好的能力，变成整个组织可以复用的资产。总经理、销售参谋、数据小秘……都已培养上岗您的企业准备好让哪些数字员工上岗呢？请联系您熟悉的汉得商务伙伴或扫描下方二维码了解更多

在AI时代，大模型、智能体和智能应用如何快速落地融入企业提质增效受到广泛的关注。工业企业尤其是制造企业流程长、业务场景复杂在工业AI智能化落地难度尤其大。其中，制造企业的管理团队焦虑的核心关注点之一：AI能不能进入工艺、设备、质量和生产现场，解决一个个具体问题，优化提升工艺质量。汉得深耕制造领域近30年，积累了大量制造业客户和行业场景。依托「得·灵」企业级AI产品/服务体系，和基于企业级PaaS平台H-ZERO构建的智能制造HCMs协同平台，我们把工业数据、业务流程和AI模型连接起来，帮助企业构建高效、可靠、可闭环的工业AI行业垂类模型和应用。这个专题希望通过一系列工业AI真实场景落地案例，把我们在工业AI落地中的经验、想法和方法呈现出来，为更多制造企业提供参考。这是“工业AI实战”专题的第一篇：多晶硅还原雾化预警AI大模型（Polysilicon Reduction Atomization Warning AI Model，简称PRAW AI Model）帮助企业工艺异常预警，让问题提前进入处置闭环，进一步优化生成工艺，提升产品良率，节约能源消耗，增加企业碳资产。多晶硅怎样“长”出来的多晶硅还原雾化预警AI大模型多晶硅是光伏和半导体产业的重要基石。在光伏产业链中，多晶硅处在上游，向下连接硅片、电池片和组件，最终影响光伏产品的成本、效率和供应稳定性。在半导体产业中，高纯多晶硅也是硅基材料的重要来源，进一步支撑单晶硅片等关键材料制备。从硅砂到多晶硅硅棒，主要经过以下5个关键环节：先从硅砂中还原出工业硅，再通过氯化、精馏等工序得到高纯三氯氢硅，最后让三氯氢硅和氢气进入还原炉，在高温环境下完成硅的沉积和生长。▲ 多晶硅生产过程示意图还原炉是多晶硅硅棒“生长”过程的核心设备。还原反应是一段持续过程：硅芯像一根逐步长大的骨架，硅在高温反应中不断沉积到表面。这个过程周期长、影响深，炉内状态一旦偏离，最终都会反映到产出效率和硅料质量上。现场控制的关键，保持合适的反应状态：反应过于剧烈，炉内雾化更明显，影响产品质量；反应不足，沉积生长变慢，影响生产效率。质量和效率之间，需要动态平衡。难点在于，这一“合适状态”并不会由单一仪表直接呈现。以往的传统方式，现场工作人员只能通过还原炉窥视孔观察炉况，再结合工艺经验判断雾化程度。据统计在还原工序，92.5%的炉批需要人工调整。持续巡检、反复确认，本身消耗人力；注意力、疲劳和状态变化，也会带来判断波动。人由此成为生产稳定性里的不确定因素。▲ 还原炉雾化预警解决方案示意图围绕还原炉这一关键环节，我们与客户共同探索：基于历史炉况、操作记录和现场确认结果，结合深度学习模型，构建多晶硅还原雾化预警AI大模型（Polysilicon Reduction Atomization Warning AI Model，简称PRAW AI Model），让系统提前识别炉况偏离，并把预警、处置和经验回流纳入生产闭环，进一步优化生成工艺，提升产品良率，节约能源消耗，增加企业碳资产。实时监控持续在线的数字巡视员还原炉雾化预警首先要解决的，是关键炉况无法持续监控的问题。传统方式主要依赖人工巡检，通常按小时进行观察，并重点关注少量指标。PRAW AI模型基于过程数据的监测路径：通过DCS/IoT接入还原炉实时运行数据，再由MES按炉批下发监测指标，将关键数据送入监控池。在这个场景中，系统围绕22项关键参数进行持续监测，数据每10秒更新一次，支撑7x24小时不间断观察。把人工定时巡检升级为系统连续监测。提前预警更懂工艺的数字工艺工程师还原炉异常往往不是某个瞬间的高低值，而是连续运行过程中的趋势变化。系统要识别的，也不是单一参数是否越线，而是炉况是否开始偏离合理区间，偏离前是否存在征兆，调整后是否回到稳定状态。历史异常数据、现场PDA确认结果、雾化等级、DCS操作日志和处置结果会经过清洗，形成神经网络模型的训练集和评估集，帮助PRAW AI模型学习的是多变量连续变化与炉况异常之间的关联关系。在实时运行中，PRAW AI模型按设定周期生成风险评分，并发送至MES。MES结合评分规则判断是否触发预警，提前5-10分钟将异常趋势推送到现场，提前识别异常。流程闭环严谨专注的数据科学家工业AI进入工厂，不能止步于风险提示。在还原炉雾化预警场景中，预警既可以来自模型评分，也可以由现场PDA人工触发。MES收到异常炉况信息后，生成预警台账，并将预警推送至现场PDA。现场人员复核炉况后，中控人员根据情况调整炉内参数；调整完成后，现场再次确认雾化等级，记录处置效果，上传恢复后的炉况信息，并关闭预警。必要时，预警还可以关联DCS操作日志，将操作人员、操作时间和调整动作沉淀到系统中。这条链路将模型评分、MES台账、PDA确认、中控处置和结果关闭连接起来。只有进入业务流程，AI才能真正成为生产闭环的一部分。经验回流持续沉淀的数字工艺专家还原炉工艺复杂，现场经验至关重要。但如果经验只存在于个人判断中，就难以复用和传承。一次预警从出现到关闭，其间经历了什么、如何处置、效果如何，都应被完整记录。系统会将预警时间段内的数据、异常得分和现场确认结果打包进入异常数据库，并对异常类型进行结构化沉淀。后续，这些数据会再次经过清洗，形成新的模型训练集和评估集。新训练出的神经网络模型，还要通过模型评估模块验证，合格后再发布上线。这也是工业AI的核心价值：不是取代人的经验，而是把过去分散在巡检记录、班组沟通和工艺人员记忆中的经验，沉淀为组织可以持续使用、持续迭代的AI行业垂类模型的能力。从人工巡检单点预警到工业AI行业垂类模型PRAW AI大模型的价值，不在于增加一套独立系统，而在于把原本高度依赖人工巡检和个人经验的炉况判断，转化为人机协同的生产过程控制能力。对现场来说，模型负责持续观察过程变化，人员负责确认炉况并完成处置。这样既可以让异常趋势更早进入视野，也能降低高频巡检对人员注意力和经验状态的依赖，减少异常遗漏和响应滞后的风险。更重要的是，这类工业AI场景的构建需要平台工具和系统化AI能力支撑。还原炉雾化预警需要接入实时过程数据，需要承接MES预警台账和 PDA现场确认，也需要把异常数据、处置结果和模型评估持续回流。只有建立在统一数智化平台底座上，AI才能真正进入生产流程。依托「得·灵」企业级AI产品/服务体系，和基于企业级PaaS平台H-ZERO构建的智能制造HCMs协同平台，把数据接入、模型训练、预警推送、现场处置和经验回流串成完整闭环，帮助企业构建高效、可靠、可闭环的工业AI行业垂类模型和应用，积累沉淀企业运营的AI资产，构建AI时代的核心竞争力。PRAW AI大模型不仅是一个工艺预警场景，更是工业AI在制造现场落地的一种方法。从AI理解现场数据，到AI进入业务流程，最终让经验沉淀到平台中，将成为企业可以持续复用的制造行业垂类模型能力标准范式。携手汉得，共铸硬核竞争力！