# 让 AI 理解工厂：基于工业语义数据的 Agentic 实践 > **合规声明（生成式 AI 服务）**：前述特定亚马逊云科技生成式人工智能相关的服务目前在亚马逊云科技海外区域可用。亚马逊云科技中国区域相关云服务由西云数据和光环新网运营，具体信息以中国区域官网为准。 > > **完整资料：如果想了解更多内容可以访问:https://events.amazoncloud.cn/china-summit-on-demand/ > > **免责声明**：本摘要仅为便于您了解峰会内容而提供，我们不对其完整性及准确性作出任何保证，且不构成任何建议或结论。相关内容仅供参考，实际内容以峰会回放视频为准。 ## 一、基础信息 - **会议类型**：行业大讲堂 - **Persona**：行业创新者 - **时间信息**：6月23日 | 13:00 - 13:25 - **标题**：让 AI 理解工厂：基于工业语义数据的 Agentic 实践 - **PDF 资料**：有 - **视频回放**：有 ## 演讲人信息 ### 会议信息 - **地点**：上海世博中心（2026 亚马逊云科技中国峰会） - **日期**：2026年6月23日（Day 1） - **时间**：13:00 - 13:25 - **会议类型**：行业大讲堂 - **面向 Persona**：行业创新者 ### 亚马逊云科技演讲人 - **周昱均 (Zhou Yujun / Mercy)**：商务拓展经理 - **徐为 (Yagr Xu)**：解决方案架构师 ### 客户 / 合作伙伴演讲人 - **张惠泽**（中控集团）：中控国际副总裁 ## 二、会议资料 PDF 转录内容 --- Page 1 --- 2026年6月23日-24日 上海·世博中心 --- Page 2 --- 让 AI 理解工厂 — 基于工业语义数据的 Agentic Manufacturing Platform 周昱均 张惠泽 Mercy 徐为 Yagr 亚马逊云科技商务拓展经理 中控海外研发中心负责人 亚马逊云科技解决方案架构师 --- Page 3 --- 生成式 AI × 制造业 — 范式正在切换 从定制开发 -> 生成式工业应用 + 从数据孤岛 -> 统一数据语义层 行业判断 共建之路 接下来 25 分钟 • 瓶颈不在模型，在工厂的 • 持续合作 - 打造领先 AI • 痛点 - 是什么阻碍了变革 「上下文」 范式 • 解法 - Tier0 平台如何化 • 工业 AI 真正的分水岭：能 • 范式复制 - 化工、石化、 腐朽为神奇 不能让 AI 看见 医药等行业 • 案例 - 带你看看真实发生 • 设备、产线、工艺、订单 • 真实的案例 - 让亚马逊云科技 的变革 与事件之间的关系 科技陪伴着中控的创新， 走向全世界 --- Page 4 --- 第二部分 中控技术 领先的过程自动化与工业 AI 企业 --- Page 5 --- 关于中控 SPEAKER · 演讲者 An Industrial AI Company · 50+ 国家 · 5K+ 员工 张惠泽 “Mercy” 中控海外研发中心 负责人 1993 创立 市场第一 中国过程技术供应商 聚焦基于 AI 的工业数字化转型与过程优化 39K+ 全球客户 --- Page 6 --- 亚马逊云科技 × 中控 探索工业数字化转型的 AI 答案 10+ 30+ 100+ 工业集团企业联合落地 覆盖国家 / 地区 上线 Agent / App 以坚实云基础设施助力国际化 · 以 Agentic Stack 助力 All in AI --- Page 7 --- CHAPTER 1 AI 时代前的工业数字化，为何失败 01 --- Page 8 --- 「云、大、智、物、移」俱全，最后做 出来的，是一块看板。 技术堆叠 ≠ 业务价值 · 炫技式项目难以规模化复制 一张好用的 Excel，远胜一套没人用的数据中台。 --- Page 9 --- 定制化与标准化的对决 需求端 供给端 任意两家工业企业，需求都不同 所有供应商都想用通用产品解定制需求 定制不可避免 结果不尽如人意 --- Page 10 --- 数字化项目的典型成本结构 10% 20% 70% 硬件 软件 开发与交付服务 真正昂贵的，是无法标准化的「人」。 --- Page 11 --- CHAPTER 2 AI 时代的工业数字化路径 02 --- Page 12 --- CHAPTER 2 · 破局方法 AI 时代的破局方法 × × 高价值 业务专家 通用工具 AI 千人千面的应用 --- Page 13 --- 工业数字化 = 应用 ＋ 数据 应用 → 生成式构建 数据 → 极简底座 --- Page 14 --- 定义「高价值数字化应用」 BOM · 物料清单 排程调度 · 生产计划 生产控制 · 过程优化 供应链 · 批次与库存 不是看板，是直接决定盈亏的核心环节 --- Page 15 --- 应用：从定制开发，到生成式构建 过去 现在 工程师定制开发 / 低代码拖拉拽 业务专家设计需求 大量消耗人天 AI 生成应用 --- Page 16 --- 何为工业数据 文档 传感器与设备 图片与视频 软件系统 PDF · 报表 · SOP 时序 · 点位 巡检 · 监控 MES · ERP · SCADA 工业数据是「小数据」 —— 每秒事务量（TPS）对比 ~100万 ~10万 ~1万 ~500 工厂 物流 电商 金融 --- Page 17 --- AI 偏爱简洁的数据基础设施 人类可读 = AI 可读 使用简洁的数据模型，节省上下文与处理成本 趋势：拆掉没人用的豪华基础设施，告别数据湖仓，转向客户端分析 将数据存储简化到极致 —— 一个 PostgreSQL 承载全厂数据 ChatGPT 以一个 PostgreSQL 集群服务全球用户 · OpenAI.com/index/scaling-PostgreSQL --- Page 18 --- CHAPTER 3 工业数字化平台 03 --- Page 19 --- TIER0 能力 ① Appbuilder · 让 AI 开发应用 10 分钟生成全栈生产级应用 可输入 图片 / 视频 / 文档 作为参考 ~200 轮对话 → 可上线的产物 --- Page 20 --- 案例 ① · 某中东能源企业 生产安全 App · 领结分析 实时集成巡检记录、传感器与视频图片， 对高压装置做动态领结（Bowtie）风险分析 2 周交付 · 20 个集成数据源 --- Page 21 --- 案例 ② · 某欧洲化工巨头 供应链与批次 管理 集成 SAP、西门子设备与仓储 PDA 系统， 复杂业务逻辑由 AI 快速实现 1/3 的成本与时间 · 3 倍复杂度 --- Page 22 --- TIER0 能力 ② 统一命名 空间 UNS 像整理文件夹一样集成工业数据 人 / AI / 机器 可读 Ontology 能做的,UNS 以 1/10 代 价做到 --- Page 23 --- CHAPTER 3 · 拐点 从「看板」 →「执行」 Agent 接入 UNS，不只是看数据 能直接做出操作 --- Page 24 --- 高效、务实、AI 优先的数字化 业务专家 × AI 工具 TIER0 生成应用 相比传统 MES TCO 降低 70% 千人千面 · 高价值 沉淀为数据资产 --- Page 25 --- TIER0 — 基于亚马逊云科技的 AI 工业平台 基于 Amazon Bedrock 与 Amazon SageMaker 构建 共享 AI 基础底座 --- Page 26 --- AI 优先的工业数字化软件 扫码访问 tier0.app --- Page 27 --- 反馈二维码 您的反馈信息对我们非常重要 请您扫描“调查问卷”二维码，填写问卷 --- Page 28 --- Thank you ## 三、会议回放视频转录内容 大家好，欢迎大家下午来到我们的行业大讲堂 我先简单介绍一下昱均和我是来自亚马逊服务团队的 今天我们非常开心的能把中控海外研发的负责人张总叫到现场 和大家分享在工业领域里面，在 AI 这个方向的探索和实践 我相信大家一定或多或少了解工业这个领域 AI 其实不仅在全方位的塑造我们各个的行业也在改变我们的生活 但实际上当我们关注到细节的时候会发现 AI 有很多地方没有真正的进入到生产领域 它会有很多问题，比如说现在我们的模型的卡点已经没有了 实际上变成数据的卡点，如何能够让数据让 AI 可见 如何能够让 AI 去理解流程，这些都是我们在行业的解决方案所遇到的核心痛点 然后在过去两三年中我们和中控进行了很多 AI 在工业领域落地的探索 今天我们会和大家简单地分三点，一个是痛点，一个是解法，还有一个是案例来和大家进行分享 那下面的时间交给张总 谢谢，谢谢 首先我给大家先介绍一下自己，我是来自中控技术 中控技术是一个中国行业隐形标杆，我们可能也算是个隐形标杆 我们服务过程制造业，过程制造业就是比如说石油、炼油、化工、制药、啤酒 任何跟气体和液体这种介质打交道的工厂，我们给他们提供全面的技术 我们是一个从93年创立的公司，30多年现在 然后我们在上海和瑞士两地上市 我们在中国的过程技术领域是绝对的第一 我们市场占有率应该在，可以说就是全中国的这个 全中国每两三个化工厂至少就一家在用我们的硬件和软件技术 然后我呢，我负责这个中控的海外业务的欧洲区域以及中控的国际研发中心 然后呢，我们的这个使命在公司里的工作是去研究最前沿的技术 去尝试发明下一代的这个工业软件和工业优化技术 然后呢，今天给大家介绍的其实也是一个我们的新产品 也跟亚马逊有非常多的深厚的关系，跟工业数据相关的 首先呢，是我们跟亚马逊的这个合作的历程也很悠久了 我们其实，我们在亚马逊上的产品和服务已经服务了非常多的客户 而且他们跨越了非常多的地区，从中东到东南亚到中国 包括我们自己的数据化，中控海外的这个数据化的基础设施都是靠亚马逊来支持 所以亚马逊在目前对于中企出海的对于这个 对这个基础设施的要求很高的这个领域来说依然是第一选择 那么首先呢，这个我不知道在做的有多少是在工厂工作过 或者是了解工厂或者制造业的 但是我先给大家介绍这个工厂和制造业数字化领域的一些背景吧 那么其实这个领域可能大家或多或少也都知道是一个处在寒冬的领域 就是工业的软件，工业的数字化 以前呢在2010年代的时候在中国提出过工业互联网，在德国提出过工业4.0 实际上这都是可以说是一个失败的 initiative 到现在来看，因为做这个行业的同行基本上没几家了 我外面碰到西门子的这个同事他们还在坚持，我们还在坚持 基本都亏钱，然后做出来的东西，客户也都不满意 这就是现状 为什么呢？其实就是几点 第一点就是我们太追求技术上的细节 以及太追求这个就是技术上名义上的领先了 我在我走过很多工厂，我见过很多客户，我们也做过很多错误 很多工厂就是我们工厂花了很多钱说你给我一套大数据 这个什么系统 然后预测性维护说很多这个很好听的名词 最后呢是一个看板，看板领导来了开一开 领导不来呢也不开，花个几千万这种事情经常出现 这是很令人震惊的 当然我也犯过类似的错误 然后另外呢就是定制化和标准化这个问题 像今天在这个会场里的有一些同行把西门子像我们 我们都想都是作为技术供应商我们想做产品 我们不想提供服务很好理解 因为我要是每个客户我都去一个三五十个人给他服务个一年 了解他的需求给他做一套好软件做一个好 agent 那我是没有办法拓展的 而且我很有可能亏本 因为这个客户交付完了就不给我钱了 那我这边兄弟们该怎么办呢 所以我们想做标准产品 但是工厂是不接受标准产品的 因为世界上任何两个工厂都是不一样的 哪怕他们生产完全一样的东西 哪怕他们是同样的工艺和工序 这是绝对不可能不解决的问题 绝对两个工厂绝对是不一样的 所以这两者本质有冲突 然后这就造成啊 我们看到数字化项目工业数字化项目 大规模的成本在开发交付 在 ai 出现之前的 ai 出现之后都是这样 他们大规模的成本不是我们的软件授权钱 我要收这个客户的钱 也不是我要装他的服务器或者电脑 或者亚马逊的钱 而是我要派到客户现场做研究做调研 做项目然后做开发的人的钱 所以说我们想怎么办啊 就是这个行业已经很萧条 然后呢我们发现很多问题 所以我们还是回归一个这个 现状就是我们现在看看手头有什么最先进的工具 他们是不是能够帮助我们破解现在的问题 然后还有就是我们尊重这个定制化的这个 这个工业定制化的这个本质属性 所以我发现呢 真正像我们这样的公司啊 想做一个好的工业数字化的软件 要做到让客户的业务专家或者我们的业务专家 他可以不懂软件工程 他可以不懂机器学习 他可以不懂数据科学 他用一个简单的工具 比如说 Claude Code 是个简单的工具 比如说 Kiro 是个简单的工具 通用的工具 然后呢他再基于大模型去生成他想要的应用 其实简而言之是这样 所以这样你就会发现我们有饭吃这个通用 我们是通用工具厂 我们只需要提供工具就好了 然后呢客户呢也很满意 因为他不需要花很多很多钱找我们 他可以自己可能有很低的成本 去生成他想要的东西 然后另外呢这件事情 只有在大模型出现之后才有可能 才变得有可能 所以我们非常相信 只要我们这个公司 我们这个团队还非常相信 这个也许是拯救工业数字化领域的 这个灵丹妙药 那么什么是工业数字化 我们一步一步讲的更细节一点 或者这个没有在工厂工作的人 可能没有具体的体会 工业数字化呢就是应用加上数据 其实是任何数字化都是这样 那么我们在这个刚才我提到的那个等式里边 我们应用加数据的做法会变得不一样 首先应用呢可以想象 你要 Vibe Coding 应用 一会我会提到为什么在工厂里可以 Vibe Coding 应用 另外数据呢 我们要追求简洁和简单了 我们不要再以这个 比如说我能做七层数仓 我能做这个大数据 我有一套这个 HDFS 这种 眩晕的名词为引以为傲了 我们要给客户 给我们自己这个提供喘息的空间 我们要选择极简的这个数据基础 所以这个是等式的这个新的做法 一些我们理解的一些变化 那么首先在先看等式的左边应用 什么是应用在工厂里面什么是应用 这里有两张截图 大家可以直观的看到 一个是 Palantir 一个是 SAP 看起来其实挺古老的 而且他们就是一些所谓的 我们叫他叫他纪录系统 System of Records 然后他们基本上就是一些表单单据 比如说在工厂里面最重要的应用 比如说 BOM 就是物料清单 我要去生产一个比如说那边有做汽车的公司 我要生产一辆汽车 你这个一个汽车里面的 BOM 它会非常非常的多非常非常的长 就是你要组成一个汽车的元件 可以超过10万个20万 然后它没有层级 比如说这个一个汽车的车骨架 它是属于顶级的这个物料 它的车骨架有它的组成 车骨架的组成又有它的组成 所以它有多级问题 那么这是一类 就是如果你就可以想象 我要管理这一类这个物料的时候 我需要一个很好的软件界面 然后让我这帮管物料的这个同事们 都可以基于这个软件界面 录入我有缺什么物料 然后我在使用什么物料 什么物料坏了 这是一种需求 那再举一个简单点的例子 比如说这个供应链 比如说供应链 说简单点仓库 一个仓库 我要知道这个仓库里 目前有多少东西 然后哪些东西是过期了 哪些东西快过期了 然后哪些 然后我要收到一个新的包裹 我要扫码入库它 我等我把这个包裹发出去的时候 我要扫码出库它 那你总之需要一套软件 来连着你的扫码枪 让你的这个仓库的操作同事们 能够看到 然后能够去操作这个仓库 所以这就是工业软件 工业数字化 其实没什么玄乎的 然后通过这两个截图 大家能够直观地感受到 这种东西其实挺容易被 Vibe 出来 挺适合的 它也不是多复杂的 对吧 它也不是云的 它也可能一个工厂 再大的工厂 几十个人同时用最多了 并发量很低 然后再往下看 这种应用在以往 一个我刚才给大家举的这个应用 这个从供应商的角度来讲 我们一个应用找一个大客户 我能收他一千万 真的是不夸张的 而且是定制的 而且最后我们还能不挣钱 那过去就是这个现象 现在像这种应用 是可以被轻松的生成出来的 实际上是这样 后面我给大家介绍一下 具体我们是怎么做的 然后再看应用之后数据 就是应用底下肯定要有 后端逻辑有数据 工业领域一直有一个误解 这也是我们曾经犯过的错误 所有人犯的错误 很多人现在还在犯这个错误 就是认为工业数据是大数据 实际上不是 工业数据是小数据 因为一个工厂里边的数据 类型无非就这几种文档 纸质的文档 他们可能是非结构化的图片 或者是 PDF 然后传感器设备的数据 然后图片的数据 然后软件系统的这些 来自数据库的关系型数据 这些数据我们如果按照 TPS 来按照互联网常用的这种标准 每秒钟的有意义的事件 它的数据量大概是500个每秒 我们在服务过的大规模的化工厂 炼油厂 沙特阿美我们看到 它全厂可能加一起 每秒钟不会发生500件新鲜事 其实这就是现实 有人说这个传感器频率其实很高 每秒钟产生几万条数据 这是不对的 因为传感器 它的大部分的时间是平稳的 比如说我们现在的这个传感器的温度 可能就24度 如果它一直是24度的话 没必要关注它 如果我把每一个这个 从现在到晚上的这个 每一个24度都采上来 可能有上千万条 但是我只需要关注它变化的那一刻 这个叫 Change on Exception 所以说这个 如果我们这个记录这些效果 这些要素啊 这些原因的话 我们发现工业数据真的是小数据 很简单 所以说这一样的 这一样的话 好浅啊 这些长话短说 对于小数据怎么处理它呢 简单的技术设施 什么叫简单的技术设施 PostgreSQL PostgreSQL 一个单体的 PostgreSQL 能够扛住这个星球上所有的工厂 相信我 然后呢 大部分的工厂 我觉得80% 一个单体的 SQLite 可能也能扛住 这就是现实 所以我们不要去幻想有很多很多这个 这里边这个处理工业数据有什么 什么需要什么神奇的技术 需要什么复杂的投资啊 这是不需要的 然后呢 像 PostgreSQL 他这个为什么我们选 我会在这里强调 PostgreSQL 这个技术 因为他现在是事实标准 所有人都在用它 嗯 不得不说的就是他现在比 MySQL 要流行 像 ChatGPT 都用一个 PostgreSQL 主从的集群去 服务他们全球超过多少人 上亿的用户吧 所以说这个就是未来的趋势 在工厂里 也应该是未来的趋势 我们做的产品 我们叫它 TIER0 TIER0 这个有点奥克伯奇的名字 他我们希望用它来去生成更好的工业 数字化软件 其实 TIER0 简言之就是这样 它长什么样的第一个功能叫 可能得帮我点一下视频 就这样 就这样一下 好 这样一下 好 呃 简单来讲 就是这个让 AI 可以开发应用 这个视频讲的故事就是 首先你把你的数据源都集成上来 连进来 其实连起来也很简单 后面会给大家看 连进来之后呢 我就可以打字 说我想要什么东西 基本上跟它聊200多轮左右 你就可以得到你想要的软件 因为工业软件没什么神奇的出 工厂运营软件 没什么神奇的 就是它就是一个这个表单系统 Vibe 出来的东西 比我们之前自己开发的强多了 实话实讲是这样 而且想做到这件事情 做到如果大家有人是开发者的话 会想到其实实现这个功能也不算难 我们看到这个场馆里 今天很多人都实现这些功能了 这件事情其实也没有什么神奇的技术 但就是大模型的这个力量 能够让这件事变成一个现实 能够让它在未来变成一个日常 这是我们非常相信的事情 让 AI 开发工厂运营层的软件 200轮左右对话 可能一周的时间 一个人的功夫就把它做出来了 没什么成本 这是我们做的一些应用 第一个呢 是给沙特阿美做的应用 常讲工厂用的软件要求很高 安全很重要 你怎么可以交给 AI 去写呢 这是交给 AI 去写的 工厂安全应用 它是分析一个乙烯精馏塔 什么时候会爆炸的应用 这种分析方法叫做 Bowtie 领结图是一个行业标准 它无非是一种数据可视化方式 它需要消费各种各样的数据 然后来去用一个简单的模型 来计算这个乙烯精馏塔 一个很高很高的一个高压装置 会不会爆炸 没什么神奇的东西 但是它是一个需要一直在线的 在中控室里一直被操作员盯着的东西 这个东西可以被 Vibe 出来 然后客户也用了 效果挺好 然后呢这个仓储管理 仓储管理呢 其实就是我们跟一个在上海的 这个德国企业汉高一起做的东西 我们仓储管理有一个难点是什么呢 就是每家仓库都不一样 哪怕我们都是两个 就是存一样东西的仓库 他们需求都不一样 这个呢客户是一个 第三方仓库3PL 就是仓库的拥有者把这仓库租给了我们的客户 然后我们的客户还想管理好这个仓库的效率 所以你自然需要一套软件 要求这个仓库的服务提供者 让什么操作员每天用 所以说可以想象这里边的需求会非常非常复杂 非常非常的细碎 我们和客户一起 Vibe Coding 用我们的软件就可以做出来这样的东西 那么应用后面是数据 其实我们在过去的几年里边 其实我们产品甚至改过一次名了 我们一直标榜自己是工业互联网平台 是工业数据平台 没有说就是应用生成这块毕竟以前没有 那么就是让这些 Vibe Coding 出来的产物可以互相协作 能够真的在工厂有用 第一件事就是要把它连进数据源和连进其他的系统 工厂里面的数据源很奇怪的 有很多什么 PLC 控制系统 很多设备他们都是插总线的都不插网线 所以连他们的其实或者是用一种语义模型来去建模他们 其实一直是一个有争议 而且大家觉得没有标准答案的事情 那我们现在觉得有一个标准的答案 这个东西在工业领域有一个开源标准叫做 Unified Namespace 统一命名空间 工业领域有很多很多标准 大部分标准都是被机构把持的 只有这个标准不是 这个标准是开源的 一个美国哥们他就自己在发 YouTube 视频 然后慢慢更多的工业客户觉得他说有点道理 就这么慢慢形成了 名字也是他自己一个人起的 没有任何大公司在背后把持 然后我们基于这个标准来去做事 这个标准简单来讲就可以看这个视频里能看到 他是把所有的数据按树型结构建模 也就是像文件夹里文件一样 可以展开的这种树型结构 树型结构其实就是最简单的数据结构 然后另外所有的数据的信息是 以 JSON payload 的方式被存在每个路径下面 所以大家可以想象 这跟 Rest API 好像一样 这跟 MQTT 其实也一样 所以这一套语义模型是 整个建立在纯 MQTT 上面 非常非常简单 MQTT 非常非常简单 轻量 如果我们想到 如果我们能做这个 App 我们可以做有很好的数据基础 其实我也不需要 它要 Vibe 出来一个固定的画面拿去点 有的人会说 那我把这个 UNS 跟这个数据模型 接入给一个大模型 Agent 让它自己去做事 自己去决定就好了 所以我们也做了类似的东西 就是你可以把 我们管这个叫 UNSAgent 就是你可以把数据源集成好连进来 然后你去说白了就是 Vibe 去分析 或者是让它甚至让它去做一些决策和事情 但是我们现在的观察看 大模型 Agent 在工厂里面真的做点事 是比较费劲的 不是说它做不好 而是你让它做一件事情 要伺候它太久太多时间了 这个效率不是很高 因为大模型天生对时间戳不是特别敏感 它不知道自己现在到底处在一个 什么人类时间尺度下面 所以它容易犯这个时间常识上的错误 比如说我让它取一个货 它也许过了5秒钟把货取回之后 然后再过5秒之后 我说把这货放回去 它已经忘了它前面是已经把货取出来了 因为它对时间戳会有这个不敏感性在 所以总结一下 用这套方法有应用生成的机制 有这个数据基础基于 PostgreSQL 的一套东西 然后坚实的亚马逊基础设施做后盾 就可以实现业务专家用标准的工具 生成千人千面的适应定制化需求的应用 它的总拥有成本 我们讲 TCO 会降低70% 然后我们在亚马逊上怎么做的 具体的我可能不会太细的讲 但是总而言之 亚马逊第一是世界上目前公认的 最可靠的云基础设施 哪怕我们在有中东有客户 我们中东客户要挨炸的最近 我们有东西部署在迪拜的数据中心 但是哪怕是在这种环境极端的条件下面 极端的不利因素下面 亚马逊依然是如果我们要提供全球化服务 如果我们提供的服务有一点 Mission Critical 它依然是重要的选择 另外就是在 AI 方面 我们刚才提到了很多跟 AI 有关的 可以想象跟 AI 和 Agent 有关的事情 这背后离不开亚马逊的基础设施 亚马逊现在目前如果你要选择存储 跟 AI 相关的存储 比如说对象存储 比如说向量存储 比如说检索 你用它肯定比自己搭建要容易要可靠 如果你要选择多个大模型的供应商 用 Bedrock 可能没那么便宜 但它依然是目前最可靠的 最高效的选择 然后这是我们的软件 然后这是我们的官网 如果大家感兴趣可以扫码看一看 我们有自己的开源版本 开源版本是 Apache 2.0 开源 这意味着你可以自己下载下来 自己拿去玩 自己部署在自己代码仓库上 自己抹掉我们的 LOGO 去 resell 都可以 我想证明我们不是想绑架客户 也不想坑客户的这个供应商 然后如果这个在座的 有工业的工厂的客户 或者是有开发者 任何这个对我们感兴趣的 我们好像还有时间可以 对可以请大家可以现在可以提问 我们可能还有五分钟 然后如果现在不想提问 可以一会我们还会在这边一会 然后我们可以一会先线下交流