#AI_TT_2026001 - 离散生产集配中心复杂单证 AI 落地改造

场景综述

超大型离散制造过程中，需要大量一次性非标物料与大型零部件，这与流水线生产的方式有非常明显的区别。在离散生产企业的 ERP 中，物料品类数量巨大，可能超过 10 万种。单个物料的存货量反而很少，甚至只有一个。由于多数物料仅有少数上游伙伴，这类企业的供应商数量庞杂。因此，集配中心的物料进出管理难度远高于流水线制造：品类众多、单据来源覆盖全球、样式千差万别。

真实痛点

经与现场作业团队沟通后，了解到两个亟待解决的痛点：

首当其冲的就是海量单据只能依赖人工识别，传统 OCR 需要单据格式尽量统一，这在庞杂供应商的场景中难以实现。

• 入库单据来源覆盖全球，涉及数十种语言。很多单据没有相应的电子凭证，只有传统纸质文件随货发送。单据上既有印刷体也有手写体，格式千差万别。印章遮挡，物料信息填写时跨行跨列，国际间尺寸换算、日期格式等异常情况极为常见。传统基于模板的 OCR 系统面对上述场景系统性失效。

在上述识别难题的基础上，物料入库流程中的数据录入环节衍生出第二个痛点。

• 库管人员很难在短时间内完成设计系统、采购系统、ERP 物料到 WMS 的闭环溯源核对
• 许多数据只是既往经验和单据上模糊字迹的合理推测，造成大量模糊信息和同一物料在不同系统中的冗余记录
• 数据问题直接传导至出库与配托环节，进一步增加作业难度与出错风险

FDE 视角与洞察

客户最初提的核心诉求是「提升单据识别准确率」。但真正蹲到现场才会发现，识别难只是表象，数据一致性才是目的。一张入库单被识得再准，只要 ERP 物料数据、设计 BOM、WMS 库位之间没有打通，识别结果就是孤立的「亮点」，不会变成业务价值。

换言之，集配中心 OCR 的识别准确率只是一个过程指标，真实的需求在于：如何实现读懂这张单据中的物料信息，并将准确的数据实时置于合理的生产信息流中。

采恪的解决方案

我们围绕 读懂 这个核心来构建 AI 参与的新方案：

坚定使用自动化识别的途径，但不仅只去优化传统的 OCR，而是充分利用大模型在自然语言处理上的优势。现代化制造企业的设计、采购和 ERP 系统通常已具备较高的数字化基础——这意味着手上有丰富的「信息线索」可供利用。

与传统的 OCR 单据识别死磕识别率不同，FDE 从 AI 在自然语言处理的角度出发，将优化目标定在如何使用零碎的 OCR 信息做更有效的「物料信息推理」。这相当于把一个有经验的仓库老师傅「数字化」了：他不会死磕单据上的每一个字，而是利用自己对物料、对供应商、对工艺的常识，决定哪些模糊字迹是合理的，哪些需要进一步核对。

落到 AI 实现上，即利用设计平台、采购平台和 ERP 中的交叉对比数据，推理出当前单据上的物料信息。

方案分为三个部分：

1. 利用边缘 AI 设备和高对比光源扫描设备优化 OCR 识别率
2. 利用后端本地大语言模型依次识别 OCR 输出文本，并对残缺文字或截断文字做语义层的补缺分析
3. 利用大语言模型的智能搜索优化，与设计、采购、ERP 系统中的数据进行交叉对比

落地方式：

• 一套软硬结合的 AI+OCR 边缘计算系统，提高 OCR 识别率，并将得到的可能不准确的文字信息，使用 AI 大模型做语义推理
• 一个后台数据交叉核对智能助手，可作为多数现有系统（如 ERP、WMS）的插件，通过本地小参数规模的大模型驱动决策：在不明确的物料信息入库中，是否需要与已有物料信息对比，并提示集配人员是否需要修改

实施效果

本方案以「读懂单据、汇入信息流」为核心目标，从具体单点需求切入，设定明确改进指标：将真实的物料信息从多源异构的物流单据中提取出来，实时、准确地汇入生产信息流。

1. 单据识别 — 技术指标

2. 物料信息数据一致性 — 业务价值指标

3. 运营效率 — 成本指标