我叫沈砚舟，做制造业数字化项目十多年，近两年被问得最多的就是同一句：我们工厂到底能不能做“制造人工智能”？我的回答通常很直接：能做，但别把它当成“买一套大模型就起飞”。在制造现场，AI更像一套可交付的工程体系——数据要能用、流程要能接、产线要能跑、责任要能落。只要目标选对、边界划清，半年内做出可量化收益的场景并不稀奇；难的是把它做成长期稳定的能力。
我下面按“从0到1能走通”的方式讲：怎么选场景、怎么搭数据与模型、怎么上线与验收，以及最容易踩的坑。你不需要先变成算法专家，但需要用制造的语言把AI做成产品。
很多团队一上来就想“全厂智能化”，结果项目变成PPT马拉松。我在工厂里更愿意用三个问题筛场景：有没有稳定闭环？能不能快速验证？收益能不能被财务或生产认可？
1）质量：缺陷检测与根因追溯视觉质检、尺寸偏差预警、工艺参数与不良的关联分析，往往是最先出成果的。原因很简单：缺陷有标签、返修报废有成本、产线节拍有压力。
- 前段做“拦截”：宁愿先把漏检降下来，再谈误检优化
- 后段做“解释”：把可疑区域、关联批次、关键参数列出来，让工艺和质量能追溯
2）设备：预测性维护与异常诊断设备故障不是“有没有”，而是“什么时候”。振动、电流、温度、润滑等信号叠起来，AI更擅长做异常发现与风险评分。但我会提醒：预测性维护不等于“预测准确率越高越好”，更重要的是维修策略能落地，比如：
- 预警后能否安排停机窗口
- 备件是否提前到位
- 维修工单是否能自动触发并记录结果（不然模型永远学不到闭环）
3）计划与能耗：排产辅助、能耗优化、良率爬坡这类场景经常被低估。很多工厂数据不完美，但排产的约束和规则很清晰，先用规则+优化，再叠加学习型模型，常见收益点是减少换线损失、降低峰值用电、缩短爬坡时间。我更建议从“建议系统”做起：AI给出推荐方案，计划员确认后执行，逐步积累信任，而不是一开始就“全自动排产”。
“制造人工智能”项目失败，十有八九卡在数据上，不是没数据，而是数据不能用：时间对不上、工序对不上、批次对不上、同名变量含义不一致。
我在现场通常先做两件事：把数据“对齐”，把责任“对齐”。
关键动作：一张“生产事件时间轴”别急着谈特征工程，我会先逼着项目组回答：
- 同一件产品（或同一批）从投料到出站，有没有唯一标识？
- 每道工序的开始/结束时间能不能落到同一时间基准（NTP/PLC/系统时钟）？
- 设备信号与工艺参数、质检结果能不能在同一个“事件时间轴”上关联？
没有这张时间轴，所谓的“根因分析”很容易变成巧合。时间对齐后，很多问题反而变简单：你能清楚看到异常发生前后的工艺波动、设备状态变化和人员操作记录。
数据最常见的三种坑（我见过太多次）- 采集粒度不匹配：设备秒级数据，质检是班次级，硬凑会制造假相关
- 标签不可用：不良原因靠手填，字段长期“其他”，模型学不动
- 系统孤岛：MES、QMS、SCADA、ERP各说各话，接口一拖就三个月处理方式不一定是“大改系统”。很多厂先从中间层做起：建立数据字典、统一编码、打通最小闭环接口，先让一个场景跑起来，再扩展。
现在最容易被营销带偏的就是“上大模型”。在制造现场，我更关心四个指标：可解释、可维护、可复现、可验收。
视觉质检：从传统CV到大模型的组合拳不少缺陷并不需要大模型，传统检测+轻量学习就能达标。大模型更适合两类事情：
- 小样本/长尾缺陷：少量标注也能起步，但仍要做数据增强与难例回采
- 多品种快速切换：用提示词/少样本微调降低换型成本策略上我更偏向“分层”：前端用稳定模型跑节拍，后端用更强模型做复核与学习，既控成本也控风险。
预测维护：异常检测先行，分类诊断随后很多工厂没有足够的“故障标签”，一上来训练分类器会很痛苦。我更常用：
- 先做无监督/半监督异常检测，形成健康度曲线
- 再把维修记录结构化，逐步补齐“故障类型”这样能先把预警价值跑出来，再慢慢提高诊断精度。
工艺优化：别把模型当“黑箱指挥官”工艺参数往往受物料、设备、环境、人员影响。我的做法是让模型输出“建议区间”而不是单点值，并提供约束：安全上下限、设备能力边界、工艺规程红线。制造里最怕的不是“没提升”，而是“一次离谱的建议”把信任摔碎。
“制造人工智能”能不能持续，取决于上线后谁来盯、怎么报警、怎么回滚、怎么复盘。交付不只是一段代码，而是生产系统的一部分。
我通常会要求项目在验收前就写清三件事：
- 验收口径：良率提升算哪条产线、哪个产品族、是否剔除工艺变更期
- 在线监控：数据缺失、分布漂移、模型输出异常要能报警
- 回退机制：模型出问题时，能不能一键切回人工规则或旧版本
权限与合规别忽略。涉及图像、人员操作记录、供应商数据时，要按企业制度做访问控制与留痕。对于高风险决策（比如安全相关的设备联锁），不要把AI输出直接接到执行端，至少要有审批或双通道校验。
很多老板关心ROI，但ROI不是靠一句“提升X%”来证明的，而是靠“投入项清清楚楚、收益项可被对账”来站住脚。
这里给你一个更现实的成本清单思路：
- 数据侧：采集改造、标签成本、接口开发、存储与计算
- 业务侧：现场配合工时、停线窗口、SOP调整与培训
- 运维侧：监控、迭代、版本管理、模型退化后的再训练
至于AI能力的发展趋势，建议直接看权威机构的长期跟踪数据。比如国际能源署（IEA）对数据中心用电与AI带来的电力需求有持续更新（来源网站：iea.org），对制造企业评估算力与能耗成本很有参考意义；NIST对AI风险管理框架（AI RMF）也提供了可落地的治理思路（来源网站：nist.gov），适合用来定义“哪些场景必须有人在环、哪些输出需要审计”。
我不在文章里硬塞“2026年某某市场规模”这类数字，因为不同报告口径差异大，拿来做决策容易被误导。真正有用的是：把你的场景、数据、节拍、风险级别放进同一套算账与治理框架里。
如果你准备启动，我会建议把第一期目标压到足够小：选一个产线、一个痛点、一个可验收指标，让数据—模型—执行—反馈跑成闭环。等闭环跑顺，再复制到相邻工序或相近产品族。
“制造人工智能”不是一次性采购，它更像你在工厂里新增了一条“学习回路”。只要你愿意把数据当原材料、把模型当工装夹具、把上线当设备验收，你会发现这件事并不玄学——它只是制造工程的另一种形态。
