1. 产线上的AI专家说的和做的根本不是一回事上周我去一家做汽车零部件的厂子谈项目车间主任老周把我拉到一边一脸无奈地说了一件事不久前有个咨询公司带着数字化转型专家来做调研PPT做得那叫一个漂亮——什么数字孪生驱动全流程智造、基于大模型的工艺自优化两百多页每一页都有炫酷的架构图。领导听完很兴奋拍板要做。结果呢专家们问的第一个问题就让老周差点把茶杯摔了。你们产线的数据资产有哪些有没有统一的格式老周愣了愣说有啊SAP里有工单、MES里有产量、PLC里有设备参数。但格式都不一样我们平时都是人工整理。专家当场叹气这样不行啊没有数据底座AI就是空中楼阁。建议先上数据中台。领导说好于是数据中台项目启动了。三个月过去中台上线了数据确实通了——但车间工人该手工抄表还手工抄表老师傅该调参数还调参数。项目验收当天专家展示了一个大屏上面跳动着五颜六色的实时曲线。领导鼓掌老周心里直打鼓我就问一句这大屏能告诉我今天哪台机床要坏吗专家说这个需要更多历史数据训练模型建议二期再规划。老周跟我说他连我们车间有哪几类加工、哪几台设备用了几年、刀具寿命怎么管理都没问。我干了三十年了他一眼就能看出机床声音不对的师傅不比他那大屏有用这不是段子这是我两年来见过的真实场景。制造业不需要更多AI专家站在PPT上指点江山需要的是能蹲在机床边上、沾着机油把问题搞明白的人。说实话用AI改造制造业这个大方向我举双手赞成。质检、预测性维护、工艺优化、生产排程这些都是AI真正能创造价值的地方。但正因为赛道热牛鬼蛇神也混进来了。我见过太多AI专家——他们拿着互联网行业的经验套制造业拿着网上的公开数据集冒充现场数据拿着大模型概念包装根本没验证过的方案。结果就是一批项目烂尾一批车间主任从此对AI彻底失望。这篇文章不灌鸡汤我只想聊聊那些在产线上添乱的AI专家到底做错了什么以及真正能把AI落地的团队又是怎么干活的。2. 制造业和互联网的底子不一样硬套经验必然翻车2.1 互联网的快速迭代在产线面前是伪命题我之前认识一个做推荐算法的朋友他们内部的口号是灰度发布不行就回滚。这个逻辑在APP场景没问题但在制造业走不通——产线不能灰度机床不能回滚。你今天在一条生产线上试一套新的控制参数万一出问题一批工件报废是小事设备撞机、安全事故就是大事。制造业的本质逻辑是连续生产、稳定优先。一条注塑产线全天开28模每模的周期时间是55秒你以为55秒能压成54秒是提升了2%的效率但模具温度波动导致的缩水率变化、冷却时间不足带来的残余应力问题在老师傅眼里根本不敢调。AI专家不懂这些张口就是优化工艺参数10%以上——他不是坏是他根本不知道互联网那套小步快跑、试错迭代的方法论放到工厂里就是拿真金白银在赌。2.2 数据量的问题互联网的大数据在工厂常常是小数据做AI的人对数据有执念张口就是百万级样本。制造业的现实呢一条生产线上关键设备可能就十几台每台的故障一年也就两三次。你想训练一个故障预测模型历史故障样本可能就几十条。这叫典型的小样本、极度不平衡数据场景。另一个问题是数据质量的脏超乎想象。我在一个电子元器件厂见到过他们MES里的良率数据有一大片是空白——因为设备老化扫码枪经常扫不上工人怕耽误节拍就按默认值提交了。专家拿这种数据训模型模型输出的准确率96%看着很高其实它学到的规律是当系统查询超时了就记默认值跟真正的产品质量半毛钱关系没有。互联网的数据是养料制造业的数据是残渣——如果你想直接嚼残渣只会拉肚子。这句话有点糙但道理不糙在制造业做AI70%的精力都不是在模型上而是在清洗、对齐、理解数据的业务含义上。2.3 业务知识的鸿沟不是看两天书就能填平的我在做焊缝质检项目的早期也犯过同样的错误。当时我天真地以为有几千张标注好的焊缝X光图训一个缺陷检测模型足够了。结果第一轮训练模型把所有的气孔都识别成了夹渣把根部焊瘤识别成了裂纹误报率高得没法看。后来厂家工程师点醒了我焊缝缺陷类型有国标分类气孔是圆形暗影、夹渣是不规则块状、裂纹是细长亮线。而且因为X光成像角度不同同一个缺陷在不同片子上的形态都可能不一样。他知道但我不知道他知道他不知道我以为他不知道吗——这套绕口令的意思就是AI工程师不懂工艺标准就等于拿着相机拍了一堆照片却不知道拍的是什么。所以那之后我养成了一个习惯任何一个AI项目进场至少先花一个星期泡在产线上跟质检员、设备维修工、工艺工程师混熟搞清楚他们的术语、标准和憋屈。没干过这一步的AI专家我看都不会看他的方案。3. 那些添乱的AI专家到底做错了哪几步3.1 错误一把大模型当锤子见什么都是钉子这两年大模型火了什么都要AI大模型深度赋能。我见过最离谱的一个方案是给一家做精密模具的工厂上模具设计大模型——说是可以自动生成模具结构图。且不说模具设计要考虑的材料收缩率、脱模角度、冷却水道布局这些精密计算就问一句你的训练数据从哪来哪家企业会把自家几十年来积累的Know-how图纸开源给你大模型在制造业有价值的地方更多体现在知识问答、报告生成、辅助编码这类软场景真要碰工艺优化、设备控制这些硬场景用传统机器学习、时序模型、机理建模参数辨识这些方法反而更可靠。制造业需要的是匹配场景的算法不是追新的大模型。那些一上来就建议企业部署一套私有化大模型的专家我强烈怀疑他背后绑定了一个卖服务器的厂商。3.2 错误二用Kaggle的思维做工业项目Kaggle上的竞赛有个特点数据集是干净的、标签是完整的、评价指标是事先定义好的。工业界完全不是这么回事。我的一个朋友在做纺织厂的布面疵点检测算法模型效果挺好一到现场就崩——是因为纺织厂的网络不稳定几百张高清图像上传到服务器再传回来整个检测流程耗时超出了节拍。后来他们换成边缘计算盒子在设备端直接跑模型并把网络模型剪枝量化推理时间压到100毫秒以内这才真正用起来。工业项目管用的指标不是AUC、mAP而是节拍、误检率、漏检率、上线率、召回率对不上时的损失账。一个只在CSV文件上追求高分的AI专家是没办法在产线上活下来的。还有更隐蔽的数据标注。互联网项目里可以外包几十人标注但工业场景很多缺陷连老师傅都要争论半天你让一个刚毕业的实习生去标注出来的标签本身误差就有20%以上模型学得再好也学了一个错误的世界。不把控数据标注质量的人是在拿自己的模型开玩笑。3.3 错误三眼里只有算法没有系统制造业的AI系统本质上是插在自动化系统里的一环。你要让AI质检识别出缺陷不是训练一个模型就够了——你要对接相机触发信号、规划通信协议、设计一条自动剔除次品的物理机构还要考虑没有检出来时怎么复检、模型误杀过多时怎么缓解节拍压力。这一套东西算法工程师做不了需要自动化工程师、机械工程师、产线工艺员一起参与。但很多AI专家就只交付一个模型文件和一份报告然后拍拍屁股走人。后续模型新场景不好用了没人管。设备参数漂移了导致误报率飙升没人管。这叫什么这叫留了一堆烂摊子还美其名曰算法交付。3.4 错误四压根没算过投资回报率制造业老板最关心什么是这笔钱花下去多久能省回来。一个AI质检项目硬件成本大概包含工业相机、光源、工控机、传感器软件上要包含数据采集、标注、训练、部署、运维还要算上产线改造的停机损失。我见过一个方案验收后确实减少了两个质检员但整套系统加维护三年要花80万质检员年薪加社保一人8万两个16万三年省48万净亏32万。这种账那些专家敢跟老板摆出来吗不敢的。因为摆出来就露馅了——他根本不关心你省不省钱他只关心自己的项目款能不能拿到。4. 真正能落地的AI项目是怎么一步步做成的4.1 从老师傅嘴里挖需求而不是从PPT里挖需求我现在接制造业项目第一步永远是到现场跟人聊天而且专门找老油条聊——就是那些干活特别快、闭着眼都知道机器哪里不对劲的老师傅。比如我做过一个磨床砂轮寿命预测项目最初方案是想用振动传感器深度学习识别砂轮磨损状态。车间里一个老师傅听了直摆手想那么多干吗听声音不对了、电流往上飘了就知道该修了。他这句话点醒了我。后来我们改用电流信号主轴振动特征加上砂轮累计使用时间做了个轻量级的边缘模型预测精度高得离谱。因为电流的波动曲线本身就刻画了砂轮的磨损过程根本不用上什么复杂模型随机森林就够了。制造业里80%的需求老师傅都能用三句话讲明白。AI专家的价值不是发明新需求而是把这三句话翻译成可执行的算法和系统。4.2 数据策略先问有没有再问干不干净在没有历史数据或数据极其稀疏的场景下不要强求纯数据驱动。可以考虑三类替代方案规则先行的兜底方案用阈值、专家规则先跑起来保证系统有基本能力再逐步用数据模型替换和增强。机理模型数据融合像电机轴承故障诊断可以先建立基于振动学的物理模型再用实际数据去校准参数比纯数据模型外推能力强得多。迁移学习/合成数据用同行业公开数据集或仿真环境生成缺陷数据做模型预训练再用现场小样本微调。以我自己的经验能先上线一个简单的、不完美的系统比憋一个大而全的完美模型重要一百倍。因为只有真实跑起来你才会发现真正的数据和业务约束。4.3 ROI导向的方案设计从来不是为了酷一个制造业AI项目立项前我会先算几笔账项目类型核心成本项收益量化方式回本周期的理想区间AI质检相机、光源、工控机、标注人力替代质检员数量、漏检导致的客诉损失1~2年预测性维护传感器、边缘设备、平台减少非计划停机损失、延长设备寿命6~18个月工艺参数优化数据采集改造、算法开发提高良率、降低能耗、缩短节拍3~12个月智能排产MES对接、规则引擎提高设备利用率、缩短订单交付周期半年以内这个表格不是拍脑袋每个做过真项目的人心里都应该有一本流水账。如果算完账发现回本周期超过三年我建议企业先别做——制造业的钱是省出来的不是花出去好看的。4.4 交付之后才是一切的开始我见过很多项目死在最后100米模型在现场跑得不错但没人维护、没人持续优化三个月后环境一变就废了。所以我现在的团队做任何交付都会带一个**陪跑包**部署检测脚本每天自动跑一批测试样本监控预测分布的漂移情况一旦漂移超过阈值就告警。标注回流机制现场发现的漏检和误杀样本按照固定周期回流到训练集做增量训练。简明运维手册不用专业术语写清楚什么时候需要处理、该找谁、常见问题怎么排查。现场培训把质检员培训成能看懂系统、敢按系统结果操作的人而不是把系统当成摆设。很多企业买了AI系统不用不是不想用是真的不会用、没人教。真正的专家应该在交付现场待够一个月而不是验收当天露个面拍张合影就走。5. 制造业的AI需要的是工艺翻译官不是概念布道者5.1 如何鉴别一个AI专家是实干派还是PPT派这几年见的人多了我总结出了一套三问鉴别法送给所有制造业的甲方朋友第一个问题做过哪个行业的落地项目待了多久凡是回答我们做过在XX行业有成熟方案但说不出车间具体场景细节的大概率是套壳方案。第二个问题数据要是很脏怎么办如果他回答我们有专业的数据治理团队这是第二层的PPT答案。真正的答案是先跟产线的人确认清洗规则脏在哪个环节是采集缺了还是输入错了每个脏数据怎么补、怎么标都需要业务方拍板。能说出这些细节的人才是真正处理过脏数据的人。第三个问题上线之后你们管多久PPT派会说我们有金牌售后7×24小时响应。实干派会说前三个月我们陪跑每个月固定来现场驻场一周把模型调稳了再逐步撤。话不一样心不一样结果更不一样。5.2 行业需要什么样的角色制造业AI项目落地真正缺的不是懂Transformer的人也不是懂反向传播的人——这些技术人才市场上越来越多了。缺的是一类**工艺翻译官**既听得懂算法工程师讲过拟合、特征漂移也听得懂车间主任讲这台床子又抖了镗孔就会有振纹既能把工艺知识参数化给模型做特征也能把模型输出翻译成车间看得懂的报警和处理建议。我认识一个做得很好的同行他的团队配置很简单一个算法工程师、一个自动化工程师、一个工艺工程师出身的翻译官牵头。三个人两个多月做了一个刀具寿命预测系统帮助一个刀具厂把异常断刀率降低了40%。没有大模型没有数字孪生大屏没有花哨的可视化。只有老老实实从机床采集电流、振动、进给速度跟刀片上贴着RFID记录的刀具编号对应起来训了一个当前时刻的磨损状态模型。这套系统的价值有多大就是这个厂的车间主任现在每天早上先打开平板看一眼系统再安排当天的生产计划。5.3 我也曾是个添乱的人后来学乖了说实话写这篇文章不是把自己放在道德高地上。我做制造业AI的头两年也犯过同样的错——拿互联网思维硬套产线场景迷信大而全的平台方案被甲方领导请去讲概念讲得天花乱坠。最讽刺的是第一个项目验收时车间老师傅说了一句话你们做的这个智能大脑还不如我耳朵灵。这句话我记到现在。后来我悟了AI在制造业的位置不是取代老师傅而是当好老师傅的徒弟。先把老师傅的经验老老实实学到手再用算法把他从重复劳动里解放出来。这个逻辑那些把制造业想象成只需要数据就能运转的AI专家永远不会懂。所以如果看到这篇文章的你是一位制造业管理者我想告诉你AI确实是好东西但一定不要迷信专家的大词。多带他下车间多让他跟老师傅聊多问他上线之后的运维细节多算算这笔账划不划算。如果他经得起这三问再合作不迟。如果经不起那就趁早换人。制造业的时间浪费不起。