制造业的AI建议书-与管老师谈工业AI

和管震老师认识差不多快十年了。那时候他还在微软中国担任首席技术顾问，常穿着一件标志性的红衬衫，穿梭于各个论坛和演讲台。聊起技术来，他视野开阔，洞察力也很深。后来他创业，和几位同事一起创办了AI4C，专注为企业AI落地提供工程咨询服务。

最近正好拜访了几家制造型企业，聊来聊去，话题总绕不开AI怎么真正用起来。微信上聊了很久，觉得这些讨论很有价值。跟管老师提议，不如把对话梳理成问答形式，他欣然答应。于是就有了下面这篇东西——当然，主要的内容都是来自管老师的回复。

注：2024年广州自动化展上与管老师小叙合影。

一、工业AI的数据保护与知识提取难题

对话开始就抛出了一个核心问题：很多制造企业一边对AI落地有迫切需求，一边又心存顾虑。顾虑来源于两点：一是AI企业普遍对现场工艺了解不足，也缺乏懂行的复合型人才；二是企业不愿意把核心的Know-How交给第三方。这一矛盾，怎么解？

管震：这确实是个老问题，在工业互联网时代就已经存在了。懂设备的不懂现场，懂现场的不懂数据，懂IT的不懂工业。2017年我们就提出过“松耦合”，让专业的人做专业的事。但专业分工之后，新的问题又出现了——没人能从更高的维度去统筹、去平衡各个专业视角下的局部最优。

工业要提效、要降本，光解决局部问题不行，更重要的是全局。不只是企业内部，价值链的延伸也一样。一家链主企业如果只想着把供应链上的供应商都逼死，那它自己又能独善其身吗？这个问题在工业互联网时代没有答案，但现在有了大模型带来的多注意力机制，解题思路就通了。

工业系统的复杂性就在于“牵一发而动全身”。过去的尝试常陷入“局部优化陷阱”：设备供应商只管设备效率，IT企业聚焦数据管道，OT团队守护产线稳定。没人能站在全价值链的高度，统筹产量、库存周转和能耗成本之间的三角关系。

破局点确实在于AI的多注意力机制。大模型可以同时关注设备振动信号、原材料批次质量、订单交付紧急度等多模态数据，在动态博弈中寻找帕累托最优。比如，引入智能体调度模型，可以在提升高炉煤气利用率的同时，降低库存积压。一次效果不好，就运行两次；两次不够，那就来一千次——既能在模型中模拟，也能在实践中让智能体不断自省，找到那个最优平衡点。

制造业的Know-How，无论是工艺配方还是财务透明度，对一家企业来说都是不传之秘。搞自动化也好，搞AI也好，必须尊重这个现实。不过，现在有三样技术工具，可以逐渐把这个死结解开。

通过参数隔离技术，AI可以不接触原始数据，只学习知识的精华。比如，企业A的缺陷检测模型，把预测逻辑蒸馏成轻量级规则，注入企业B的本地模型。知识迁移实现了，但A企业的晶圆图案等关键数据细节不会泄露。

用因果链分析取代传统的关联分析，让AI理解“温度提升导致良率下降”的本质是冷却速率不足，而不是简单的统计关联。这种多头注意力机制的引入，使得企业可以跨设备、跨部门共享因果机制，而不是仅仅依赖某个具体参数。

基于区块链的智能合约，确保工艺参数的使用权和所有权分离。比如化工企业把催化剂配方加密后上链，AI企业调用时支付Token，并获得有限次数的计算权限。

这一套组合拳下来，“术业有专攻”的壁垒正在被逐步打破。

二、AI人才培养的“三明治”模型

人才问题不是一朝一夕能解决的。人工智能发展太快了，你不能指望一家制造企业招来百八十个AI专家，然后说“我们AI战略做起来了”。更何况，前提是企业还得知道自己到底想要什么样的AI战略。

我们假定AI战略已经清晰了，那么人才结构应该怎么搭？这里有一个“三明治”模型：

：培养3到5名AI战略架构师。他们需要同时理解精益生产和机器学习，负责制定AI与业务融合的顶层逻辑。如果暂时没有这样的人，可以先成立一个AI实验室，引入合作伙伴来推动AI战略规划和落地。

：通过低代码AI平台武装工艺工程师。让这些懂工艺的工程师，能自主开发预测性维护等应用场景，而不是事事依赖AI团队。

：与职业院校共建工业AI技工认证体系。培养能操作智能质检设备、能理解模型报警含义的新型蓝领。可以预见，未来懂AI能力的产业工人，效率一定会远远超过传统工人。

当然，“AI战略清晰”本身就是一个不小的前提。很多企业对AI还是模糊的：它是什么？它能干什么？它在我这里能干什么？这三个问题如果答不上来，后面的动作就容易走偏。这个行业确实需要更多像管老师这样，能在AI和产业之间架起桥梁的人。

三、如何平衡IT与OT的碰撞

IT和OT的思考方式，几乎是两个方向。IT是自上而下的，先看全局再落局部；OT是自下而上的，从具体问题出发。前者可能全局设计得很好，但没考虑到局部现实，推不下去；后者能解决眼前问题，但可能缺乏全局视野。两者之间，怎么平衡？

管震：人会有死角、有成见，但AI理论上不会。所以解决方案有两个大方向：第一，建立起多级Agent驱动的企业运营管理模型；第二，让这些Agent都具备快速反省的能力，在实践中动态调整策略。

IT与OT的冲突，本质上是

。OT要求99.99%的稳定，IT追求敏捷迭代。平衡它们，需要构建一个“双环学习”体系。

在边缘侧部署物理信息Agent，直接连接PLC和传感器，执行毫秒级控制，比如紧急停机。在车间级部署资源优化Agent，把IT和OT的数据、系统连接起来，协调多产线的资源分配。在供应链级别设计博弈优化Agent，把局部和全局统筹起来，在模拟和实践中找到优化路径。

工业知识的价值不在于静态存储，而在于动态演化和主动创造。真正的“知识工场”要能实现“数据→知识→决策→验证”的闭环。原来这个环节全凭老师傅的经验，现在可以通过反事实推理和因果算法来推导关键路径权重，更科学地把企业的Know-How沉淀下来。当出现异常时，比如某批次产品硬度超标，系统不仅能定位直接原因——淬火时间不足，还能模拟“如果当时延长回火时间会怎样”。知识库，或者叫“知识工场”，不仅仅是找个大模型把文档丢进去让人聊天，而是要能不断更新、接入实时数据、整合不同数据源。当每一个生产异常和每一次改进，都能触发数百次数千次虚拟世界里的“如果当时…”，工业就真正进入了用计算创造知识的时代。

四、制造企业的AI战略制定建议

能力在任何时候都是关键。推进AI项目，企业应该怎么培养能力、建设团队？是不是必须借助外力？

工业AI的落地不是“买一个模型就能用”的事，需要企业从战略认知、组织能力到技术储备进行全面升级。下面这套“三步走”策略，是一份很务实的参考。

第一步：明确AI能力建设的“金字塔”模型

核心目标是让管理层理解AI的边界与价值，避免走向“AI万能论”或“AI无用论”两个极端。做法上，可以组织高管参加工业AI战略工作坊，通过拆解真实案例，理解AI如何创造业务价值。同时引入AI成熟度评估模型（比如L1数据采集到L5全流程优化），帮企业定位当前阶段，制定3到5年的路线图。

核心目标是让生产经理、工艺工程师这些业务骨干具备“用AI思维解决问题”的能力。可以通过“AI+精益生产”的双轨培训，教会工程师如何把六西格玛问题转化为机器学习任务。同时开发或引入低代码AI工具链，让业务人员能自主完成80%的常规分析任务，比如设备健康度评分、质量异常分类。

核心目标是让设备操作员、质检员等一线员工，掌握AI工具的基本操作与反馈机制。设计AI技能认证体系，覆盖数据标注、模型报警响应等实用技能，同时与学校合作培养下一代产业工人。

第二步：构建“内功+外力”的双轮驱动模式

团队构成上，需要1到2名负责技术选型与系统集成的AI架构师，2到3名专注特征工程与模型优化的数据科学家，以及3到5名由资深工艺工程师转型的“业务翻译官”，负责需求对齐与结果验证。培养路径上，可以和高校共建AI人才实训基地，定向培养复合型人才，同时设立AI创新实验室，鼓励团队通过横向合作或内部创业机制孵化应用。

短期来看，可以聘请AI咨询顾问，快速完成20到30个痛点场景的可行性评估；或者与技术服务机构合作，搭建工业级AI PaaS平台，降低技术门槛。从长期看，可以加入行业AI联盟，通过贡献脱敏数据换取模型微调权益；与科研院所共建联合实验室，攻关数字孪生、因果推理等前沿技术。

第三步：建立能力建设的“飞轮效应”

先选1到2个高价值场景启动试点，确保6个月内能看到成效。成功之后，把成果转化成标准化解决方案，逐步复制到其他产线或工厂。

通过AI创新大赛、最佳实践分享会等活动，营造全员参与的创新氛围。设立AI贡献奖励机制，对提出优质问题或贡献关键数据的员工给予激励。

把分散的AI能力沉淀为企业AI中台，提供统一的数据管理、模型训练与部署服务。最终通过API开放能力，赋能供应链上下游，构建AI驱动的产业生态。

工业AI的落地是一场马拉松，不是短跑。需要企业在战略上坚定、组织上协同、技术上务实。通过“内功修炼+外力借势”的双轮驱动，企业不仅能解决眼前的效率问题，更能构建面向未来的核心竞争力。说到底，AI不是终点，而是企业迈向智能制造的新起点。