迅策科技联合格创东智落地制造业首个Token工厂，将产线设备日志、工艺参数、质检图片、操作视频等海量非结构化数据，通过标准化流水线转化为可被AI模型直接消费的Token数据资产。该方案破解了工业语料"散、乱、杂、不可用"的核心痛点，为工业智能体训练提供持续、高质量的数据燃料，标志着工业AI从"模型驱动"进入"数据资产驱动"的新阶段。
制造业首个Token工厂 · 非结构化→标准化AI资产 · 工业语料流水线 · 智能体训练数据底座
基本信息
| 项目 | 内容 |
|---|---|
| 合作方 | 迅策科技（Xunce） × 格创东智（Getech） |
| 项目类型 | 制造业首个Token工厂 / 工业数据AI资产化平台 |
| 行业 | 工业AI / 数据资产 |
| 核心能力 | 非结构化工业数据→Token化→标准化AI语料资产 |
| 数据来源 | 设备日志、传感器时序数据、产线视频/图片、工艺参数、操作记录、质检报告等 |
| 输出 | 多模态Token数据集（文本+图像+时序），可直接用于大模型训练/微调 |
企业背景
迅策科技是国内领先的实时数据基础设施与AI平台服务商，专注于为金融、工业等领域提供实时数据采集、治理、分析与AI应用全栈解决方案。公司在时序数据处理、多模态数据融合、实时流计算等领域积累深厚，服务多家央国企和行业头部客户。
格创东智依托TCL集团40年制造业经验，是国内工业互联网平台领军企业。其东智工业互联网平台已接入超过20万台工业设备，覆盖半导体显示、新能源、3C电子等20+行业，在工业数据采集、设备建模、工艺优化方面拥有深厚的行业Know-how和工程化落地能力。
双方联手打造的Token工厂，本质上是将工业现场"噪音"转化为AI可理解的"语言"——迅策用实时数据处理引擎解决"采得到、治得好"的问题，格创东智用工业知识图谱和行业经验解决"采什么、怎么标注"的问题。
核心痛点：工业语料的"三座大山"
痛点一：数据"有"但"不可用"——海量非结构化数据沉睡在产线
一台高端CNC每天产生GB级的振动、温度、电流信号；一条面板产线每天拍摄数十万张AOI/API检测图片；车间摄像头24小时不间断录制操作视频。但这些数据的90%以上从未被有效利用——不是没有数据，是数据以原始形态存在，无法直接输入AI模型。数据工程师从接到需求到标注完一个训练集平均耗时3-6周，且标注标准不一、质量参差。
痛点二：工业语料极度垂直——通用大模型"吃不进"、行业模型"吃不饱"
通用大模型（如GPT、Claude）面向互联网文本训练，对工业领域几乎"一无所知"——它不理解"真空度异常升高可能是密封圈老化"这种跨工艺因果链。而工业智能体的训练需要高度专业、多模态、上下文关联的语料：同一道工序的时序信号+操作视频+工艺规程+质检记录必须被"打包"为一个训练样本。这种语料的制备成本极高、产能极低，严重制约了工业智能体的规模化落地。
痛点三：数据治理是"一次性工程"——做完一批数据再上新产线就得重来
传统做法中，为某个产线的某个AI项目做一次数据抽取和标注，成了一次性"交钥匙"工程。新产线、新产品、新工艺上线时，数据治理工作几乎要从头再做一遍——格式不对、字段名变了、采集频率不同、标注标准不一致。这导致工业AI项目的边际成本居高不下，无法形成"数据飞轮"。
Token工厂方案：把产线"噪音"变成AI"燃料"
整体思路
Token工厂的核心理念是：将工业数据资产化类比为石油炼化——产线输出的原始数据是"原油"，经过采集→清洗→结构化→标注→Token化→质量校验六道工序，最终产出多模态Token数据集这个"成品油"，可以直接注入各类大模型和工业智能体。这六道工序被设计为可复用的标准化Pipeline，而非一次性定制开发。
技术架构
| 层级 | 系统/能力 | 功能 |
|---|---|---|
| 采集层 | 格创东智工业网关 + 迅策实时采集引擎 | 设备协议适配（OPC UA/Modbus/MQTT）、视频流接入、PLC信号采集 |
| 治理层 | 数据清洗 + 时序对齐 + 多模态关联 | 去噪、缺失值填补、视频帧与传感器数据时间戳对齐 |
| 知识层 | 工业知识图谱 + 工艺向量库 | 设备/工艺/故障/质量四类知识结构化，支持语义检索 |
| Token化层 | 多模态Tokenizer Pipeline | 文本分块→时序窗口化→图像切Patch→统一Token格式 |
| 资产层 | Token资产库 + 版本管理 | 按产线/工序/场景组织Token数据集，标注版本管理 |
| 消费层 | 训练/微调/推理API | 直接输出给工业大模型微调、RAG知识库、智能体训练 |
四大核心模块
核心突破：将同一时刻或同一事件的时间序列数据、操作视频片段、工艺参数快照、质检记录自动"捆扎"为一个多模态样本。例如：某设备出现异常振动（时序信号）+ 操作员调整参数的动作（视频）+ 工艺卡上的标准值（文本）+ 后续质检结果（结构化数据）→ 被自动关联为一个完整的"故障→干预→结果"训练样本。捆扎引擎支持毫秒级时间戳对齐，解决工业场景中"传感器数据到了、视频帧还没解码完"的时序错位问题。
核心突破：传统数据标注依赖人工专家逐条标注，Token工厂引入"工业知识图谱+少样本学习"的半自动标注体系。格创东智的工业知识图谱涵盖设备故障树、工艺标准参数范围、质检缺陷分类等结构化知识，系统可以自动预标注60%-70%的数据（如"温度超过250℃→高温异常"），人工只需审核和修正边界案例。标注效率从人工200条/天提升至2000条/天，且标注一致性从人工的~70%提升至90%+。
核心突破：将不同类型的数据统一转换为模型可消费的Token序列。文本类（工艺规程、操作手册）→ 中文工业分词器分块；时序类（振动/温度信号）→ 滑动窗口截取+归一化→时序Token；图像类（AOI检测图、操作截图）→ Vision Encoder提取Patch Embedding。所有模态的输出被统一为同一维度的Token向量，存入向量数据库。一次转换可被多个下游模型复用——训练工业视觉模型和训练设备预测模型，用的是同一套Token资产。
核心突破：将Token数据集作为可版本化、可追溯、可审计的企业数字资产管理。每次数据更新（新工艺、新设备、新缺陷类型）自动触发增量Token化，而非全量重建。版本管理确保：训练模型A用的是v3.1版本的Token数据集，3个月后复现结果时可以精确找回同一版本。更重要的是，智能体在产线的每一次推理反馈（哪些预测对了、哪些错了）都会回流到Token工厂，形成"数据→训练→部署→反馈→增强数据"的正向循环——这就是工业AI的数据飞轮。
关键成效
| 指标 | 传统模式 | Token工厂模式 | 提升幅度 |
|---|---|---|---|
| 数据准备周期 | 3-6周/项目 | 3-5天/项目 | ↓85%+ |
| 标注效率 | ~200条/人天 | ~2000条/人天 | ↑10倍 |
| 标注一致性 | ~70% | 90%+ | ↑20个百分点 |
| 数据复用率 | ~10%（一件事用一次） | 70%+（跨项目复用） | ↑7倍 |
| 新产线接入时间 | 4-8周（从头治理） | 1-2周（Pipeline复用） | ↓75% |
| 可利用数据比例 | <10%（仅结构化数据） | 60%+（含非结构化） | ↑6倍 |
| 智能体训练迭代速度 | 月级 | 周级 | ↑4倍 |
Token工厂的核心价值不是"造了一个新东西"，而是把原来每次都要手工做的脏活累活变成了标准化流水线——就像福特把汽车从手工打造变成了流水线生产，降低了工业AI的数据门槛。
建设特点总结
- 从"数据工程"到"数据制造"的范式升级：传统工业AI项目中，数据准备占80%以上工作量，且每次都是手工作坊式生产。Token工厂将这个过程工业化——标准工序、质量门禁、版本管理、增量更新，让数据资产可以像产品一样被"制造"出来，而非"加工"出来。
- 多模态"捆扎"是工业AI的杀手锏：工业生产天然是多模态的——眼睛看（视觉）、耳朵听（振动/声音）、手摸（温度/压力）、脑子判断（工艺规程）。Token工厂的核心创新在于将不同模态的数据在时间轴上精确对齐后"捆扎"为统一样本，这比任何单一模态的优化都更有价值。
- "知识图谱+自动标注"大幅降低专家依赖：工业数据标注的最大瓶颈是"只有老师傅知道这是什么"。知识图谱嵌入让系统先做预标注再人工审核，把稀缺的专家资源从"逐条标注"解放到"审核边界案例"——10倍效率提升就是这么来的。
- 标准化Pipeline是数据飞轮的前提：很多企业做了一两个工业AI PoC就"熄火"了，因为数据治理不可复用——从第二条产线开始又得从头做。Token工厂的标准化Pipeline使数据资产的边际成本随规模递减，这才是真正的商业模式突破。
- Token资产化管理让AI从"项目"变成"产品"：版本化、可追溯、可审计的Token资产库，让企业第一次拥有了"数据资产负债表"——知道有多少可用的AI数据资产、哪些产线的数据质量高、哪些场景的语料最丰富。这为工业AI规模化提供了量化的管理基础。
行业启示
启示一：工业AI的瓶颈不在算法，在数据资产化能力。大模型、智能体、RAG——算法层面每个月都有新突破。但工业企业面临的真问题是：你的数据能被AI消费吗？Token工厂揭示了一个残酷事实：绝大多数工厂的数字化投入（传感器、摄像头、MES）产生的是"数据原油"，没有炼化能力就只能看着它贬值。
启示二：工业数据的价值不在"大"，在"对齐"。通用AI追求"大数据+大模型"，工业AI需要的是"小数据+高质量"——但高质量的前提是多模态对齐。一段振动信号本身意义不大，但如果精确对齐到同时刻的操作视频和工艺参数，就能训练出"看和听"同时进行判断的智能体。
启示三：数据资产化是工业智能体落地的"最后一块拼图"。有了大模型、有了工业互联网平台、有了边缘算力——但智能体真正部署到产线时，最大的拦路虎是"没有可用的训练数据"。Token工厂补齐了这一环。可以预见，未来3-5年工业AI的竞争将从"谁有大模型"转向"谁有高质量工业语料"。
思派视角
对中小制造企业意味着什么？
经验一：你现在不用建Token工厂，但你必须开始"存数据"。迅策×格创东智建的是航母级数据基础设施——投资千万级、团队近百人。中小企业显然做不到。但Token工厂给了一个关键信号：未来3-5年，工业数据资产将成为像厂房、设备一样的核心生产要素。你现在要做的是：MES/数采系统上线后，不要删任何数据——设备日志、质检图片、工艺参数全部存下来，哪怕现在不知道有什么用。硬盘很便宜，未来重新采集的成本才是天价。
经验二："标注"不是大厂专利——你的老师傅每天都在"标注"，只是没存下来。当你问车间师傅"这个振动是什么问题"、他在MES里写了"更换轴承后恢复正常"——这就是一个标注样本。你缺的不是"标注能力"，而是"标注的系统和管道"。给MES加一个"问题归类"下拉框（选项从知识库里自动推荐），让师傅检修时顺手选一下——一年下来你就是几千个标注样本。从"存数据"到"有标注"只有一步之遥。
经验三：把"数据准备"的重复工作先做成Excel模板，这是你的"最小Token工厂"。如果你的工厂每次做AI试点都得重新整理数据，先做一件事：定义一套数据导出标准——比如"CNC加工数据导出模板.xlsx"包含时间戳、主轴转速、进给速度、振动值、刀具编号、工件编号、质检结果共7个字段，所有同类型设备的数据都按这个模板导出。这就是V1.0版的"标准化Pipeline"——手工版的，但格式统一了，后续自动化就水到渠成。
老K点评
这个案例让我特别兴奋——不是因为它用了多炫的技术，而是因为它打到了制造业AI落地最痛的那个点。过去三年我们服务了几十家工厂，每次客户说"我们要上AI"，我们第一个问题就是"你有数据吗"——答案永远是"有啊，我们系统里有好多数据"——但一打开全是不能用的非结构化乱码、命名乱七八糟的日志文件、不知道拍到哪天的监控视频。
Token工厂干的事，本质上是把工业数据从"一堆废铁"变成了"标准化零件"。我特别想对中小企业的老板说：你不是迅策也不是格创东智，你不需要现在就去建Token工厂。但你要有这个意识——你车间里每天流淌的数据，五年后可能比你车间里的设备还值钱。从现在开始，MES上所有工序的工艺参数、所有质检记录、所有设备维修日志——定期备份、别删、最好补上简单的分类标签。如果你今天不做这一步，五年后别人用AI降本50%的时候，你还在Excel里一个个手动填数据。
荣誉认证
| 类别 | 荣誉/认证 |
|---|---|
| 🏅 行业首创 | 制造业首个Token工厂，填补工业数据AI资产化空白 |
| 🏅 技术平台 | 格创东智工业互联网平台——接入20万+工业设备，覆盖20+行业 |
| 🏅 技术实力 | 迅策科技——实时数据基础设施领域国家级专精特新 |
| 🏅 质量体系 | ISO 9001 / ISO 27001 信息安全管理体系认证 |
| 🏅 标准引领 | 参与多项工业数据治理及AI语料标准制定 |
📝 录入时间： 2026年7月13日
📝 信息来源： 迅策科技及格创东智公开资料、工业AI行业研究报告、公开案例研究
📝 数据标注： 部分数据基于行业公开信息及合理推断，供参考学习；企业具体数据以官方公布为准