與管老師談工業(yè) AI ——關于制造業(yè) AI 的建議

　　1 工業(yè)AI的數據保護與知識提取的難題

　　宋：管老師，在和一些企業(yè)交流后，我感覺在工業(yè)領 域里，大家對于AI究竟如何落地都有很迫切的了解需求。但 是，他們的顧慮在于兩個方面：首先，AI企業(yè)對于現場的了 解是匱乏的，并且也缺乏相應的人才;其次，他們又不愿意 將這些制造中的Know-How與AI企業(yè)分享。這些對于AI的推 進是非?，F實的難題，請問您怎么看待這樣的情況，有哪些 好的建議?

　　管：這是個老大難問題，在工業(yè)互聯(lián)網時代就有了，做設備的不懂現場，懂現場的不懂數據，懂IT的不懂工業(yè)， 2017年我們提出來工業(yè)還是應該回歸“松耦合”，讓專業(yè)的 人做專業(yè)的事情，但專業(yè)的事情做了以后呢?沒有人可以站 在更高的維度來看這些站在不同注意力(Attention)角度之 上的平衡，也就是全局。而工業(yè)里提效也好、降本也好，不 僅要解決局部的問題，更要講的是一個全局，不僅是一家企 業(yè)，價值鏈的延伸更是同樣如此。如果一家鏈主企業(yè)把供應 鏈上的供應商都“逼死”了，難道這家企業(yè)就能獨善其身不 成?工業(yè)互聯(lián)網時代是沒有答案的，然而AI出現之后有了，如果你對這次大模型帶來的多注意力機制有了解的話，就立 刻能聯(lián)想到了，所以我們有幾個考量的方向：

　　(1)全局視角與局部優(yōu)化的平衡難題

　　工業(yè)系統(tǒng)的復雜性在于“牽一發(fā)而動全身”。過去工業(yè) 互聯(lián)網的嘗試常陷入“局部優(yōu)化陷阱”——設備供應商只關心 設備效率，IT企業(yè)聚焦數據管道，OT團隊守護產線穩(wěn)定，卻 無人能站在全價值鏈的維度來統(tǒng)籌鋼產量、庫存周轉、能耗 成本的之間的三角關系。

　　破局點在于AI的多注意力機制：大模型可同時關注設 備的振動信號、原材料批次質量、訂單交付緊急度等多模態(tài) 數據，在動態(tài)博弈中尋找帕累托最優(yōu)。例如通過引入智能體 的調度模型，在將高爐煤氣利用率提升的同時，降低庫存積 壓，一次干不好，可以干兩次;兩次干不好，那就來一千 次，可以是由模型來模擬，也可以在實踐中讓智能體不斷自 省，找到當中的平衡點。

　　(2)制造業(yè)Know-How

　　制造業(yè)的Know-How對于一家企業(yè)來說至關重要，無 論是工藝配方還是財務透明度都是不傳之秘，這些知識基本 上不存在與別人共享的可能，搞自動化的或者搞AI的要尊重 這一點，所以解決問題得從這個基礎開始，當然到目前人工 智能技術的發(fā)展有三樣工具可以逐漸將這個“死結”解開：

　?、俚谝还ぞ撸郝?lián)邦知識蒸餾

　　通過參數隔離技術，讓AI在不接觸原始數據的情況下學 習知識精華。如：半導體企業(yè)A的缺陷檢測模型，將其預測 邏輯蒸餾成輕量級規(guī)則注入企業(yè)B的本地模型，實現知識遷 移而不泄露晶圓圖案細節(jié)。

　?、诘诙ぞ撸阂蚬评碓鰪?/strong>

　　用因果鏈分析取代傳統(tǒng)關聯(lián)分析，讓AI理解“溫度提 升導致良率下降”的本質是冷卻速率不足，而非簡單統(tǒng)計關 聯(lián)，這種多頭注意力機制的引入使企業(yè)可以跨設備、跨部門 共享因果機制，而不是僅僅依賴某一設備的具體參數。

　?、鄣谌ぞ撸簲底制跫s

　　基于區(qū)塊鏈的智能合約，確保工藝參數的使用權與所有 權分離。例如：化工企業(yè)將催化劑配方加密后上鏈，AI企業(yè) 調用時需支付Token并獲得有限次數的計算權限，雖然這種 方式是基于區(qū)塊鏈的。

　　宋：果然是“術業(yè)有專攻”——這里提到的幾個點，的 確可能會是對AI不大了解的朋友所不清楚的。原來工業(yè)場景也可以通過“知識蒸餾”來實現“隔離”;并且“因果推理增 強”可以降低算力需求且能更為實時的推理;而數字契約也 是一種很好的辦法。

　　2 AI人才培養(yǎng)的“三明治”模型

　　管：人才不是一時半會兒就有的，人工智能從某種意義 上來說發(fā)展得太快了，普遍意義上的制造業(yè)不能指望馬上就 有百八十個AI人才來實現自己的人工智能戰(zhàn)略，而且這個前 提是制造業(yè)企業(yè)要知道自己企業(yè)的人工智能戰(zhàn)略是什么。因 此，在假設我們已經知道企業(yè)具體的AI發(fā)展戰(zhàn)略之后，那么 在人才布局上可以參考這樣的架構——

　　· 頂層：培養(yǎng)3-5名AI戰(zhàn)略架構師，他們需同時理解精益 生產與機器學習特性，負責制定AI與業(yè)務融合的頂層邏輯; 如果無法做到，則可以先成立一個AI實驗室，負責引入合作 伙伴來推動企業(yè)AI戰(zhàn)略的規(guī)劃和實現;

　　· 中間層：通過低代碼AI平臺武裝企業(yè)的工藝工程師， 使其能自主開發(fā)預測性維護等場景應用;

　　· 基層：企業(yè)可以與職業(yè)院校共建工業(yè)AI技工認證體 系，培養(yǎng)會操作智能質檢設備、能理解模型報警含義的新型 “藍領”人才，可見，未來掌握AI人工智能能力的產業(yè)工人 會比傳統(tǒng)產業(yè)工人的效率要更高。

　　宋：管老師預設的是“AI戰(zhàn)略清晰”，其實，可能這就 是目前很多企業(yè)發(fā)展AI的第一大難題。我們經常說做正確的 事，才正確地做事。對于制造業(yè)而言，能夠清晰認識到AI與 自身的“爆點”在哪里，本身就是“AI人才”的一種“前置能 力”。很多企業(yè)對于AI的認識還是很模糊的——它是什么?它 能干什么?它能在企業(yè)運營這里干什么?……因此，目前來說，制造業(yè)領域還需要很多像管老師這樣能夠在AI技術和產 業(yè)之間建立起橋梁的專家。

　　3 如何平衡IT與OT的碰撞

　　宋：管老師，IT人思考問題與OT人思考問題，在我看來 其實是兩個方向，一個是自上而下的，一個是自下而上的。 前者從全局看局部，但有可能你的全局未考慮現實的局部而 無法推進;后者則是從問題而來，但有可能解決了局部難 題，但缺乏解決全局問題的能力。那么，您認為如何才能在 這兩者之間達成平衡呢?

　　管：人有死角、有成見，但道理上AI不會，所以第一是 要建立起多級Agent驅動的企業(yè)運營管理模型，第二是要讓 這些Agent都具備快速反省的能力，讓他們在實踐中能夠動 態(tài)調整策略。IT與OT的沖突本質是確定性系統(tǒng)與不確定性系 統(tǒng)之間的碰撞。OT往往要求達到99.99%的穩(wěn)定;而IT則追求 敏捷迭代——平衡二者需要構建“雙環(huán)學習”體系。

　　(1)第一環(huán)：Agent驅動的實時決策層

　　· 在邊緣側部署物理信息Agent，直接連接PLC與傳感 器，執(zhí)行毫秒級控制(如緊急停機);

　　· 在車間級部署資源優(yōu)化Agent，將IT和OT系統(tǒng)、數據 連接起來，協(xié)調多產線資源分配;

　　· 在供應鏈級別設計博弈優(yōu)化Agent，將局部和全局統(tǒng) 籌起來，并在模擬和實踐中獲得其優(yōu)化路徑。

　　(2)第二環(huán)：因果反事實推理層

　　工業(yè)知識的價值不在于靜態(tài)存儲，而在于動態(tài)演化與主 動創(chuàng)造。真正的知識工場需要實現“數據→知識→決策→驗 證”的閉環(huán)。原來這一環(huán)節(jié)都是依賴老師傅的經驗，但在AI 背景下，這個閉環(huán)可以通過事實推理和因果算法來推導關鍵 路徑權重，更科學地沉淀企業(yè)的Know-How，例如：

　　· 當出現異常(如某批次產品硬度超標等)，系統(tǒng)不僅 定位直接原因(例如淬火時間不足等等) ，更能模擬“如果 當時延長回火時間會怎樣”，通過反事實推演來優(yōu)化工藝知 識庫;

　　· 知識庫很重要!很重要!很重要!我更愿意稱其為知識 工場，不僅僅是找個大模型把一堆文檔丟進去，然后可以聊 天，而是要保證這個知識工場能不斷更新、接入實時數據、 把不同的數據源、知識整合起來;當每個生產異常、每次改 進都能觸發(fā)數百次數千次虛擬世界的“如果當時……”，工業(yè)就真正進入了用計算創(chuàng)造知識的時代。

　　4 制造企業(yè)的AI戰(zhàn)略制定建議

　　宋：能力在任何時候都是關鍵，不管是企業(yè)的整體能 力，還是團隊中的個體能力——那么，對于推進AI項目，企制 造業(yè)企業(yè)應該有怎么樣的能力來培養(yǎng)或者完成團隊建設呢? 是否需要借助于外力來進行這項工作?

　　管：工業(yè)AI的落地不是“買一個模型就能用”的簡單任 務，而是需要企業(yè)從戰(zhàn)略認知、組織能力到技術儲備的全面 升級。這就像攀登珠峰，既需要清晰的路線圖，也需要專業(yè) 的向導和扎實的訓練。下面是大家可以參考的企業(yè)AI能力建 設的“三步走”策略：

　　(1)第一步：明確AI能力建設的“金字塔”模型

　?、夙攲樱簯?zhàn)略決策能力

　　· 核心目標：讓管理層理解AI的邊界與價值，避免“AI萬 能論”或“AI無用論”的極端認知;

　　· 培養(yǎng)方式：

　　—組織高管參加工業(yè)AI戰(zhàn)略工作坊，通過案例拆解來理 解AI如何創(chuàng)造業(yè)務價值，高管的認知和經驗投入是企業(yè)AI戰(zhàn) 略的重要起點;

　　—引入AI成熟度評估模型，幫助企業(yè)定位當前階段(如： L1數據采集→L5全流程優(yōu)化)，制定3-5年AI路線圖。

　?、谥袑樱簶I(yè)務融合能力

　　· 核心目標：讓業(yè)務骨干(如生產經理、工藝工程師 等)具備“用AI思維解決問題”的能力;

　　· 培養(yǎng)方式：

　　—開展AI+精益生產雙軌培訓，教會工程師如何將六西格 瑪問題轉化為機器學習任務;

　　—開發(fā)或者引入低代碼AI工具鏈，讓業(yè)務人員能自主完 成80%的常規(guī)分析任務(如設備健康度評分、質量異常分類 等等)。

　?、刍鶎樱簲祿僮髂芰?/strong>

　　· 核心目標：讓一線員工(如設備操作員、質檢員等) 掌握AI工具的基本操作與反饋機制;

　　· 培養(yǎng)方式：

　　—設計AI技能認證體系，覆蓋數據標注、模型報警響應 等實用技能;

　　—與學校合作，培養(yǎng)下一代新型的產業(yè)員工。

　　(2)第二步：構建“內功+外力”的雙輪驅動模式

　?、賰裙π逕挘?/strong>打造AI核心團隊

　　· 團隊構成：

　　—AI架構師(1-2人)：負責技術選型與系統(tǒng)集成;

　　—數據科學家(2-3人)：專注特征工程與模型優(yōu)化;

　　—業(yè)務翻譯官(3-5人)：由資深工藝工程師轉型，負責 需求對齊與結果驗證;

　　· 培養(yǎng)路徑：

　　—與高校共建AI人才實訓基地，定向培養(yǎng)復合型人才;

　　—設立AI創(chuàng)新實驗室，鼓勵團隊通過橫向合作或者內部 創(chuàng)業(yè)機制來孵化AI應用。

　?、谕饬鑴荩阂肷鷳B(tài)合作伙伴

　　· 短期合作：

　　—聘請AI咨詢顧問，快速完成20-30個“痛點”場景的可 行性評估;

　　—與“智用開物”這樣的機構合作，搭建工業(yè)級AI PaaS 平臺，降低技術“門檻”;

　　· 長期合作：

　　—加入行業(yè)AI聯(lián)盟，通過貢獻脫敏數據換取模型微調 權益;

　　—與科研院所共建聯(lián)合實驗室，攻關數字孿生、因果推 理等前沿技術。

　?、鄣谌剑航⒛芰ㄔO的“飛輪效應”

　　A.從試點到推廣

　　· 選擇1-2個高價值場景(如預測性維護、智能排產等)啟動試點，確保6個月內可見成效;

　　· 將試點成果轉化為標準化解決方案，逐步復制到其他 產線或工廠。

　　B.從工具到文化

　　· 通過AI創(chuàng)新大賽、最佳實踐分享會等活動，營造全員 參與的創(chuàng)新氛圍;

　　· 設立AI貢獻獎勵機制，對提出優(yōu)質問題或貢獻關鍵數 據的員工給予激勵。

　　C.從項目到平臺

　　· 將分散的AI能力沉淀為企業(yè)AI中臺，提供統(tǒng)一的數據 管理、模型訓練與部署服務;

　　· 通過API開放能力，賦能供應鏈上下游，構建AI驅動的 產業(yè)生態(tài)。

　　宋：這的確是非常實用的企業(yè)AI戰(zhàn)略發(fā)展建議，非常全 面、務實，且具有實際操作性。個人感覺這是比較完整、穩(wěn) 妥的關于企業(yè)AI發(fā)展路徑的建議。其實，很多企業(yè)的領導只 需要看懂這一部分，就會對未來AI發(fā)展戰(zhàn)略有了更為全景的 了解和認識。

　　5 能力建設是一場馬拉松

　　工業(yè)AI的落地不是一蹴而就的，而是需要企業(yè)在戰(zhàn)略上 堅定、組織上協(xié)同、技術上務實，通過“內功修煉+外力借 勢”的雙輪驅動，企業(yè)不僅能解決眼前的效率問題，更能構 建面向未來的AI核心競爭力。AI不是終點，而是企業(yè)邁向智 能制造的一個新起點。