制造業(yè)里做AI智能體最尷尬的一幕不是模型答不上來而是它答得頭頭是道產(chǎn)線卻紋絲不動(dòng)。過去兩年我參與過幾個(gè)工廠的智能體項(xiàng)目從設(shè)備預(yù)測性維護(hù)到工藝參數(shù)推薦幾乎每個(gè)項(xiàng)目都經(jīng)歷過“演示驚艷、上線拉胯”的循環(huán)。問題很少出在模型本身而是卡在OT與IT之間那道看不見的墻PLC里的數(shù)據(jù)出不來MES里的工單對(duì)不上老師傅的經(jīng)驗(yàn)沒法變成智能體能理解的規(guī)則。這篇內(nèi)容想聊的就是這些落地難點(diǎn)到底難在哪以及解決方案商需要具備哪些能力才能真正把智能體塞進(jìn)車間。如果你正在評(píng)估工業(yè)智能體項(xiàng)目或者本身就是方案商的技術(shù)負(fù)責(zé)人下面這些從現(xiàn)場踩出來的經(jīng)驗(yàn)應(yīng)該能幫你少走幾個(gè)月的彎路。1. 工業(yè)智能體和通用智能體的本質(zhì)差異1.1 消費(fèi)級(jí)智能體的成功邏輯在工廠里為什么失效通用智能體比如客服機(jī)器人、文檔助手它們的運(yùn)行環(huán)境是數(shù)字世界輸入輸出都是文本或結(jié)構(gòu)化數(shù)據(jù)錯(cuò)了大不了重來一次。工廠環(huán)境完全不是這個(gè)邏輯。一個(gè)智能體如果給產(chǎn)線操作工推薦了錯(cuò)誤的焊接電流參數(shù)輕則產(chǎn)品報(bào)廢重則設(shè)備損壞甚至出安全事故。這種容錯(cuò)空間的差異決定了工業(yè)智能體從設(shè)計(jì)第一天起就必須把可靠性放在智能性前面。我見過一個(gè)典型的失敗案例某方案商拿開源框架搭了一個(gè)工藝問答智能體在辦公室測試時(shí)回答準(zhǔn)確率能到85%部署到車間后操作工問“3號(hào)注塑機(jī)今天下午的鎖模力該調(diào)多少”智能體直接懵了。因?yàn)樗恢馈?號(hào)注塑機(jī)”對(duì)應(yīng)的是哪臺(tái)設(shè)備不知道“今天下午”的排產(chǎn)計(jì)劃是什么更不知道當(dāng)前模具已經(jīng)換了。通用智能體可以靠語義相似度糊弄過去工業(yè)場景里每一個(gè)參數(shù)都必須有明確的物理意義和數(shù)據(jù)來源。另一個(gè)關(guān)鍵差異是實(shí)時(shí)性要求。消費(fèi)級(jí)智能體響應(yīng)慢個(gè)兩三秒用戶無感但工業(yè)控制場景里一個(gè)異常檢測智能體如果不能在毫秒級(jí)給出判斷等它“思考”完設(shè)備已經(jīng)撞機(jī)了。這就意味著工業(yè)智能體的推理鏈路不能太長很多時(shí)候需要把模型壓縮到邊緣設(shè)備上運(yùn)行而不是全部丟到云端。1.2 OT數(shù)據(jù)的“臟亂差”程度遠(yuǎn)超IT人想象做IT出身的人第一次接觸OT數(shù)據(jù)往往會(huì)崩潰。IT系統(tǒng)里的數(shù)據(jù)表有明確的schema字段類型清晰缺失值有規(guī)范處理。OT側(cè)的數(shù)據(jù)是什么樣呢同一個(gè)溫度值可能來自三個(gè)不同品牌的PLC采樣頻率不同時(shí)間戳格式不同甚至單位都不統(tǒng)一——有的用攝氏度有的用華氏度有的把小數(shù)點(diǎn)后兩位截?cái)嗔?。更麻煩的是很多老設(shè)備根本沒有數(shù)據(jù)接口只能靠加裝傳感器或者從HMI畫面上“讀”數(shù)據(jù)。我在一個(gè)沖壓車間做過統(tǒng)計(jì)要采集20臺(tái)設(shè)備的運(yùn)行狀態(tài)涉及7種不同的通信協(xié)議其中3臺(tái)設(shè)備是2005年出廠的連以太網(wǎng)口都沒有。最后是靠加裝IO模塊和串口服務(wù)器才把數(shù)據(jù)接出來。這個(gè)過程花了整整六周而訓(xùn)練智能體模型只用了三天。這個(gè)比例很能說明問題工業(yè)智能體項(xiàng)目80%的工作量在數(shù)據(jù)接入和治理20%才在智能體本身。注意評(píng)估工業(yè)智能體項(xiàng)目周期時(shí)不要用“模型訓(xùn)練時(shí)間×3”來估算更靠譜的公式是“數(shù)據(jù)接入時(shí)間×5模型迭代時(shí)間×2”。數(shù)據(jù)接入的復(fù)雜度往往被嚴(yán)重低估。1.3 工業(yè)智能體的“不可解釋性”是致命傷在消費(fèi)領(lǐng)域用戶不太關(guān)心推薦算法為什么推薦這個(gè)商品。但在工廠里老師傅一定會(huì)問“你為什么建議我把溫度調(diào)高5度”。如果智能體回答“因?yàn)槟Ｐ陀X得這樣好”沒有人會(huì)執(zhí)行這個(gè)建議。工業(yè)智能體必須能給出基于物理機(jī)理或歷史數(shù)據(jù)的解釋比如“過去三個(gè)月相同工況下溫度提高5度后良率提升了2.3%”。這就要求智能體不能是一個(gè)黑盒?，F(xiàn)在很多方案商的做法是把知識(shí)圖譜和深度學(xué)習(xí)結(jié)合用知識(shí)圖譜提供可解釋的推理路徑用深度學(xué)習(xí)做參數(shù)優(yōu)化。這個(gè)思路方向是對(duì)的但知識(shí)圖譜的構(gòu)建本身又依賴大量領(lǐng)域?qū)＜彝度胗质且粋€(gè)成本大頭。2. 落地過程中最?？ㄗ〉乃膫€(gè)環(huán)節(jié)2.1 數(shù)據(jù)采集層協(xié)議碎片化和設(shè)備孤島制造業(yè)工廠的設(shè)備往往是在不同時(shí)期、不同供應(yīng)商那里采購的協(xié)議五花八門。Modbus、Profibus、Profinet、EtherCAT、OPC UA還有各種私有協(xié)議。一個(gè)中等規(guī)模的工廠里同時(shí)存在五六種協(xié)議是常態(tài)。解決方案商如果只支持OPC UA那可能一半的設(shè)備都接不進(jìn)來。實(shí)際操作中比較務(wù)實(shí)的做法是分三層處理對(duì)于支持OPC UA的新設(shè)備直接走標(biāo)準(zhǔn)協(xié)議對(duì)于老設(shè)備通過協(xié)議網(wǎng)關(guān)做轉(zhuǎn)換對(duì)于完全無法數(shù)字化的設(shè)備先用人工錄入或視覺識(shí)別的方式補(bǔ)數(shù)據(jù)。我見過一個(gè)方案商在紡織廠的做法很聰明給每臺(tái)老式織機(jī)加裝了一個(gè)電流互感器通過電流波形變化來判斷設(shè)備運(yùn)行狀態(tài)成本低而且不依賴設(shè)備本身的通信能力。數(shù)據(jù)采集還有一個(gè)容易被忽略的問題是時(shí)間同步。不同設(shè)備的時(shí)間戳如果不同步后續(xù)做關(guān)聯(lián)分析時(shí)根本對(duì)不上。建議在工廠內(nèi)部署NTP服務(wù)器把所有采集節(jié)點(diǎn)的時(shí)間統(tǒng)一到毫秒級(jí)。這個(gè)工作看起來簡單但不做的話后面全是坑。2.2 數(shù)據(jù)治理層從“有數(shù)據(jù)”到“能用數(shù)據(jù)”的距離數(shù)據(jù)接進(jìn)來之后下一個(gè)難題是治理。工廠的數(shù)據(jù)往往存在大量異常值、缺失值和重復(fù)記錄。比如傳感器故障時(shí)會(huì)產(chǎn)生恒定值網(wǎng)絡(luò)中斷時(shí)會(huì)產(chǎn)生數(shù)據(jù)缺口設(shè)備重啟時(shí)會(huì)產(chǎn)生重復(fù)上報(bào)。這些如果不處理智能體學(xué)出來的全是錯(cuò)誤模式。我通常建議在數(shù)據(jù)治理階段做四件事第一建立數(shù)據(jù)質(zhì)量規(guī)則比如溫度值超過物理極限的直接標(biāo)記為異常第二對(duì)缺失值做插值處理但要注意區(qū)分“設(shè)備停機(jī)”和“傳感器故障”導(dǎo)致的缺失前者不應(yīng)該插值第三做數(shù)據(jù)對(duì)齊把不同采樣頻率的數(shù)據(jù)統(tǒng)一到相同時(shí)間粒度第四建立數(shù)據(jù)字典明確每個(gè)字段的物理含義、單位和正常范圍。這個(gè)階段最需要的是既懂OT又懂IT的人。純IT背景的人可能把設(shè)備停機(jī)時(shí)的零值當(dāng)成正常數(shù)據(jù)純OT背景的人可能不理解為什么要做數(shù)據(jù)標(biāo)準(zhǔn)化。解決方案商如果缺乏這種復(fù)合型人才項(xiàng)目很容易在數(shù)據(jù)治理階段陷入反復(fù)。2.3 模型層通用大模型直接拿來用為什么不行現(xiàn)在很多方案商宣傳“基于大模型構(gòu)建工業(yè)智能體”但實(shí)際做下來會(huì)發(fā)現(xiàn)通用大模型在工業(yè)場景的zero-shot表現(xiàn)遠(yuǎn)不如預(yù)期。問它“注塑機(jī)鎖模力不足可能導(dǎo)致什么缺陷”它能答出飛邊、缺料這些常見問題但問到具體某臺(tái)設(shè)備在特定模具下的最優(yōu)參數(shù)它就無能為力了。原因在于通用大模型的訓(xùn)練數(shù)據(jù)里缺乏特定工廠、特定設(shè)備的細(xì)粒度知識(shí)。解決辦法通常有兩種一種是用工廠歷史數(shù)據(jù)做微調(diào)但工業(yè)場景的標(biāo)注數(shù)據(jù)往往很少微調(diào)效果有限另一種是RAG架構(gòu)把設(shè)備手冊(cè)、工藝文件、維修記錄做成知識(shí)庫讓大模型基于檢索結(jié)果來回答。目前來看RAG是更務(wù)實(shí)的路徑因?yàn)橹R(shí)庫可以持續(xù)更新而且推理過程可追溯。但RAG也有自己的問題。工業(yè)文檔很多是PDF掃描件表格和圖紙居多文本提取質(zhì)量很差。我做過一個(gè)項(xiàng)目設(shè)備手冊(cè)里的參數(shù)表提取出來全是亂碼最后是靠人工重新錄入的。所以知識(shí)庫構(gòu)建階段的人工投入不能省指望全自動(dòng)處理在工業(yè)場景里還不現(xiàn)實(shí)。2.4 應(yīng)用層操作工為什么不信任智能體的建議即使前面三層都做得很扎實(shí)到了應(yīng)用層還有一個(gè)大坎人愿不愿意用。工廠里的老師傅往往有幾十年的經(jīng)驗(yàn)他們對(duì)智能體的態(tài)度通常是“你先證明你比我強(qiáng)”。如果智能體給出的建議和老師傅的判斷不一致操作工大概率會(huì)按自己的經(jīng)驗(yàn)來。解決這個(gè)問題不能靠強(qiáng)制推行得靠漸進(jìn)式滲透。我見過一個(gè)比較成功的做法是初期智能體只做“事后分析”比如每天下班后生成一份報(bào)告指出哪些參數(shù)偏離了最優(yōu)區(qū)間但不直接給操作建議。等操作工發(fā)現(xiàn)報(bào)告里指出的問題確實(shí)存在信任感就慢慢建立起來了。第二階段再讓智能體做“實(shí)時(shí)提醒”比如“當(dāng)前溫度已偏離推薦區(qū)間建議關(guān)注”。第三階段才過渡到“主動(dòng)推薦”。整個(gè)過程可能需要三到六個(gè)月。提示智能體在工廠的推廣節(jié)奏應(yīng)該是“先做眼睛再做嘴巴最后做手”。一上來就讓它直接控制設(shè)備阻力會(huì)非常大。3. 解決方案商需要具備的五項(xiàng)核心能力3.1 OT協(xié)議兼容能力是入場券前面反復(fù)提到協(xié)議碎片化的問題這直接決定了一個(gè)解決方案商能不能把數(shù)據(jù)接進(jìn)來。評(píng)估一個(gè)方案商的OT能力不要只看它宣傳支持多少種協(xié)議要問它在實(shí)際項(xiàng)目中最老的設(shè)備是什么年代的用的什么協(xié)議怎么接的。如果對(duì)方只能說出OPC UA和Modbus那大概率沒怎么碰過真正的老工廠。更深一層的能力是邊緣計(jì)算。工廠里很多場景不適合把原始數(shù)據(jù)全部傳到云端比如高頻振動(dòng)的原始波形數(shù)據(jù)量極大全部上云帶寬成本太高。方案商需要具備在邊緣側(cè)做數(shù)據(jù)預(yù)處理和特征提取的能力只把有用的特征傳上去。這要求方案商既懂嵌入式開發(fā)又懂?dāng)?shù)據(jù)分析。3.2 行業(yè)Know-How的積累方式工業(yè)智能體不是一個(gè)通用產(chǎn)品每個(gè)細(xì)分行業(yè)的知識(shí)差異巨大。注塑、沖壓、焊接、裝配每個(gè)工藝的參數(shù)體系和缺陷模式都不同。方案商不可能在每個(gè)行業(yè)都招到資深專家比較現(xiàn)實(shí)的做法是招有行業(yè)背景的解決方案架構(gòu)師同時(shí)和工廠的老師傅建立深度合作關(guān)系把他們的經(jīng)驗(yàn)逐步沉淀到知識(shí)庫里。我認(rèn)識(shí)一個(gè)做焊接智能體的團(tuán)隊(duì)他們的做法是每次去現(xiàn)場都帶著錄音筆把和老師傅的對(duì)話錄下來回去整理成結(jié)構(gòu)化的知識(shí)條目。兩年下來積累了上千條焊接工藝知識(shí)這成了他們最核心的競爭壁壘。這個(gè)工作很笨但很有效。3.3 從單點(diǎn)智能到產(chǎn)線智能的架構(gòu)設(shè)計(jì)很多方案商一開始只做一個(gè)單點(diǎn)應(yīng)用比如某臺(tái)設(shè)備的預(yù)測性維護(hù)。但工廠的需求很快會(huì)擴(kuò)展到整條產(chǎn)線甚至整個(gè)車間。如果一開始的架構(gòu)沒有考慮擴(kuò)展性后面每加一個(gè)點(diǎn)就要重新集成一次成本會(huì)失控。比較好的架構(gòu)設(shè)計(jì)是分層解耦的底層是統(tǒng)一的數(shù)據(jù)接入和治理平臺(tái)中間層是模型和知識(shí)庫上層是面向不同場景的智能體應(yīng)用。這樣新增一個(gè)場景時(shí)底層數(shù)據(jù)平臺(tái)不用動(dòng)只需要開發(fā)上層的智能體邏輯。這種架構(gòu)在初期看起來會(huì)重一些但長期來看節(jié)省的成本非?？捎^。3.4 交付模式項(xiàng)目制還是產(chǎn)品化工業(yè)智能體項(xiàng)目目前主流還是項(xiàng)目制交付每個(gè)客戶都要做定制開發(fā)。這種模式的問題是規(guī)模不經(jīng)濟(jì)方案商做十個(gè)項(xiàng)目可能十個(gè)都在虧錢。產(chǎn)品化是出路但工業(yè)場景的標(biāo)準(zhǔn)化程度太低完全產(chǎn)品化也不現(xiàn)實(shí)。比較務(wù)實(shí)的路徑是“平臺(tái)產(chǎn)品化應(yīng)用定制化”。底層的數(shù)據(jù)平臺(tái)和智能體框架做成標(biāo)準(zhǔn)化產(chǎn)品上層的行業(yè)應(yīng)用根據(jù)客戶需求定制。這樣既能保證核心能力的復(fù)用又能滿足客戶的個(gè)性化需求。關(guān)鍵是找到那個(gè)“變與不變”的分界線這需要方案商在多個(gè)項(xiàng)目中不斷總結(jié)。3.5 安全與合規(guī)的底線思維工廠對(duì)數(shù)據(jù)安全的敏感度越來越高尤其是涉及到工藝參數(shù)的核心數(shù)據(jù)。方案商需要支持私有化部署讓數(shù)據(jù)不出廠區(qū)。同時(shí)智能體的決策過程要留痕出了問題能追溯到是哪條數(shù)據(jù)、哪個(gè)規(guī)則導(dǎo)致的判斷。這在汽車、航空等對(duì)質(zhì)量追溯要求高的行業(yè)尤其重要。另外智能體如果涉及到設(shè)備控制必須有安全兜底機(jī)制。比如智能體建議調(diào)整的參數(shù)如果超出安全范圍系統(tǒng)要能自動(dòng)攔截。這個(gè)安全邊界不能由智能體自己判斷必須由獨(dú)立的規(guī)則引擎來執(zhí)行。4. 一個(gè)典型項(xiàng)目的完整落地過程4.1 從需求確認(rèn)到數(shù)據(jù)接入的六周去年我參與了一個(gè)注塑車間的智能體項(xiàng)目目標(biāo)是降低不良率。第一周做需求調(diào)研發(fā)現(xiàn)車間主任最頭疼的是“調(diào)機(jī)依賴?yán)蠋煾到?jīng)驗(yàn)新人上手慢”。這個(gè)需求翻譯成智能體語言就是把老師傅的調(diào)機(jī)經(jīng)驗(yàn)結(jié)構(gòu)化做成一個(gè)能實(shí)時(shí)推薦參數(shù)的智能體。第二到第四周做數(shù)據(jù)接入。車間有12臺(tái)注塑機(jī)品牌涉及三個(gè)協(xié)議有OPC UA和Modbus兩種。其中4臺(tái)老設(shè)備沒有數(shù)據(jù)接口最后是通過加裝電流傳感器和溫度傳感器來采集關(guān)鍵參數(shù)。同時(shí)從MES系統(tǒng)里拉取工單信息和質(zhì)檢數(shù)據(jù)從ERP里拉取原料批次信息。這個(gè)階段最大的坑是時(shí)間同步注塑機(jī)的控制器時(shí)間和MES服務(wù)器時(shí)間差了將近兩分鐘導(dǎo)致初期數(shù)據(jù)關(guān)聯(lián)全是錯(cuò)的。第五到第六周做數(shù)據(jù)治理。把不同來源的數(shù)據(jù)統(tǒng)一到秒級(jí)時(shí)間粒度對(duì)缺失值做分類處理建立了包含溫度、壓力、速度、位置等關(guān)鍵參數(shù)的數(shù)據(jù)字典。這個(gè)階段還做了一件重要的事把老師傅的調(diào)機(jī)記錄整理成結(jié)構(gòu)化數(shù)據(jù)包括什么模具、什么原料、什么環(huán)境條件下用什么參數(shù)。4.2 知識(shí)庫構(gòu)建和模型迭代的四周第七到第八周構(gòu)建知識(shí)庫。把設(shè)備手冊(cè)、工藝文件、歷史調(diào)機(jī)記錄、維修工單全部整理成結(jié)構(gòu)化知識(shí)條目。這里遇到的最大問題是設(shè)備手冊(cè)是掃描版PDF表格提取效果很差最后是人工重新錄入的。知識(shí)庫的條目數(shù)量不多大概三百多條但每一條都經(jīng)過老師傅確認(rèn)。第九到第十周做模型迭代。先用RAG架構(gòu)搭了一個(gè)問答智能體讓操作工可以問“這個(gè)模具的推薦溫度是多少”。測試階段發(fā)現(xiàn)回答準(zhǔn)確率只有70%左右主要問題是檢索到的知識(shí)條目和問題不匹配。后來在檢索環(huán)節(jié)加了關(guān)鍵詞過濾和重排序準(zhǔn)確率提升到88%。同時(shí)做了一個(gè)參數(shù)推薦模型基于歷史數(shù)據(jù)學(xué)習(xí)最優(yōu)參數(shù)組合這個(gè)模型的離線評(píng)估效果不錯(cuò)但上線后還需要持續(xù)驗(yàn)證。4.3 上線部署和持續(xù)優(yōu)化的三個(gè)月第十一周開始上線部署。第一周只開放“事后報(bào)告”功能每天生成一份參數(shù)偏離報(bào)告。操作工反饋說報(bào)告里指出的問題確實(shí)存在但有些偏離是合理的因?yàn)閾Q了原料批次。這個(gè)反饋很重要說明智能體還需要考慮原料批次的影響。第十二到第十六周做迭代優(yōu)化。把原料批次信息加入模型輸入同時(shí)增加了“解釋”功能每條建議都附帶原因說明。操作工的使用率從最初的30%提升到70%。但老師傅仍然不太用他們覺得智能體的建議“太保守”。后來我們調(diào)整了策略讓智能體在推薦參數(shù)時(shí)給出一個(gè)范圍而不是固定值老師傅可以在范圍內(nèi)根據(jù)自己的經(jīng)驗(yàn)微調(diào)。這個(gè)改動(dòng)之后老師傅的接受度明顯提高。第十七到第二十四周做持續(xù)監(jiān)控和優(yōu)化。建立了模型性能的監(jiān)控指標(biāo)包括建議采納率、采納后的良率變化、操作工反饋等。根據(jù)這些指標(biāo)每兩周做一次模型更新。三個(gè)月下來車間整體不良率下降了1.8個(gè)百分點(diǎn)雖然不算驚天動(dòng)地但車間主任說這個(gè)改善是可持續(xù)的因?yàn)榻?jīng)驗(yàn)已經(jīng)沉淀到系統(tǒng)里了。5. 關(guān)于工業(yè)智能體未來兩年的一些判斷5.1 從“能問答”到“能執(zhí)行”的跨越目前大部分工業(yè)智能體還停留在問答和推薦階段真正能直接控制設(shè)備的還很少。但趨勢很明顯隨著邊緣計(jì)算能力的提升和安全機(jī)制的完善智能體會(huì)逐步獲得更多的執(zhí)行權(quán)限。這個(gè)過程中最大的挑戰(zhàn)不是技術(shù)而是責(zé)任界定如果智能體的決策導(dǎo)致了質(zhì)量問題責(zé)任算誰的這個(gè)問題不解決智能體永遠(yuǎn)只能做“建議者”而不是“執(zhí)行者”。5.2 解決方案商的洗牌不可避免現(xiàn)在做工業(yè)智能體的方案商很多但真正有OT能力的并不多。很多是從IT領(lǐng)域轉(zhuǎn)過來的對(duì)工廠的理解還停留在表面。未來兩年隨著項(xiàng)目深入那些缺乏OT基因、只會(huì)套用通用框架的方案商會(huì)逐漸被淘汰。能活下來的要么是本身有工業(yè)背景的要么是愿意沉到車間里花時(shí)間積累行業(yè)知識(shí)的。5.3 智能體之間的協(xié)同會(huì)成為新課題一個(gè)工廠里可能同時(shí)運(yùn)行著多個(gè)智能體設(shè)備維護(hù)智能體、工藝優(yōu)化智能體、質(zhì)量檢測智能體、排產(chǎn)調(diào)度智能體。這些智能體之間如果各自為政可能會(huì)產(chǎn)生沖突。比如工藝優(yōu)化智能體建議提高溫度來改善質(zhì)量但設(shè)備維護(hù)智能體發(fā)現(xiàn)高溫會(huì)加速設(shè)備磨損。如何讓多個(gè)智能體協(xié)同決策是一個(gè)比單個(gè)智能體復(fù)雜得多的問題。目前還沒有成熟的解決方案但已經(jīng)有方案商在嘗試用多智能體強(qiáng)化學(xué)習(xí)來做這件事。我在實(shí)際項(xiàng)目中最深的體會(huì)是工業(yè)智能體的核心壁壘不在算法而在對(duì)工廠的理解深度。一個(gè)愿意在車間里泡三個(gè)月、和操作工一起倒班的方案商比一個(gè)算法團(tuán)隊(duì)豪華但沒進(jìn)過工廠的方案商更有可能做成事。這個(gè)行業(yè)沒有捷徑每一臺(tái)設(shè)備、每一道工序、每一個(gè)老師傅的經(jīng)驗(yàn)都需要花時(shí)間去理解和沉淀。那些看起來“笨”的功夫最后都會(huì)變成競爭壁壘。