工厂AI落地的卡点：知识不动，模型再强也白搭

不少工厂的 AI 还困在"翻资料"环节。瓶颈并非模型能力不足，而是知识仍处于零散休眠状态，尚未被梳理成系统可直接调用的形式。唯有把行业常识、管理方法论与企业内部积累的经验分层结构化，并嵌入业务流程，AI 才称得上真正上手干活。 01同款困境：AI 成了最贵的搜索引擎 跟制造企业的客户交流，我们反复听到同一种抱怨：平台买了、模型接了，最后用得最多的功能，还是"查资料"。让它总结上个月缺陷的主要原因，它能答；让它套个模板写份整改报告，也写得有模有样。可再往前一步——让它把工单派到责任人头上、盯着闭环、把这次经验归档进体系下次自动调用——它就卡住了。 看得多了我们才明白：多数时候不是模型不够聪明，而是企业的知识还"躺着"——一部分在 PDF 里，一部分在老师傅脑子里，还有一部分散在各个系统的字段里。AI 读得到它们，却搬不动它们。没被组织成机器能操作形态的知识，接上 AI 也只是让它多了一个聊天窗口，而不是多了一个干活的人手。 *图源：自制示意图，AI 能问答、却难参与现场的困境* 02他山之石：Palantir 的"活知识" Palantir 的本体论常被讲得玄乎，落地看其实就做对了一件事：把企业知识重新组织成"能用"的形态。行业里大致公认的概念、组织自己选的管理方法、企业独有的现场经验，这三类知识被放进同一套模型里，而且每一条都能被查到、被追溯、被触发动作。 最直观的例子是"设备"：它不再是台账里一行型号和购入日期，而是一个点进去就带出维修记录、实时状态、责任班组、可执行操作清单的节点。知识由此变成挂在业务对象上的活资产，而不是文档里的死文字。这套思路对制造业特别对症——因为工厂里的知识，本来就是分层的。 *图源：自制示意图，一个"设备"对象挂着的活知识网络* 03工厂知识，其实分三层 横向看制造企业，知识大致能分出三层，越往里，越属于"这家公司独有"。 *图源：自制示意图，工厂知识的三层结构* 第一层是行业通识。工艺原理、材料脾气、通用质量工具、设备运行的一般规律。这类知识写在教材和标准里，获取不难，难的是用在对的场景。比如"注塑保压时间不够，制品容易出缩痕"，任何一本注塑手册都查得到。 第二层是方法论。企业引进并推广的改善路径——精益、TPM、QCC、5Why、六西格玛之类。它们是被验证过的"做事套路"，比通识具体，但依然能跨企业搬用：拿"5Why 连问五层"去逼一个问题，在电子厂和食品厂一样好使。 第三层是企业私域经验。这一层最值钱，也最脆弱：某条线的真实节拍、某条 SMT 线一到换季就莫名抬头的抛料率、老师傅手往机壳上一搭就知道轴承该不该换。这些经验写不进任何一套制度大全，它们活在人的嘴上和手上。 举个例子，"我们这条 SMT 线换季抛料率就抬头，查了半天才发现是某几个吸嘴的磨损节奏比保养周期快了三天"——这种判断，外请的顾问拿不到，通用大模型也猜不出。第三层才是工厂真正的护城河，但它也恰恰是 AI 最看不见的一层：通识和方法论好歹能从文档里检索到，私域经验没人整理，就永远在系统之外。 04从"能查到"到"能动手"，差在哪 把三层知识变成能用的东西，和"把文档灌进向量库"是两回事。我们实践下来，有四件事必须做。 一是把定义对齐。"停机""合格""紧急"这些词，在各个系统里必须是同一个意思，否则设备报上来的和品质接到的，是两本账。 二是把关系连起来。一台设备要挂着它的工艺、班组、缺陷史，组成一张能顺藤摸瓜的网。出了问题，查到的不是一堆文档，而是一串上下文。 三是把方法变成动作。质量异常一出现，系统不该只弹个红框，而要按方法论推荐下一步：走哪个模板、通知谁，并在授权范围内直接把流程发起起来。 四是把经验固化。老师傅的判断一旦结构化，就不再随人走，而是变成组织随时能调用的能力。 四件事做完，AI 才算从"会聊知识的搜索引擎"换成"能参与业务的同事"。 *图源：自制示意图，让知识"能动手"的四个动作* 举个反例。知识如果还停在文档层面，某台冲压机废品率突然抬头时，AI 最多递给你一份废品损失的通用计算公式。而知识若被组织成可操作形态，系统知道这台冲压机在哪条线、谁负责、历史上出过什么同类缺陷、该启动哪条改善路径。前者是答题，后者是解题。两者之间，隔的就是"知识接没接进动作"这一步。 这也解释了一个常见错觉：知识库建好了，AI 怎么还是不会干活。因为文档灌进向量库，只是造了个更聪明的检索盒；可操作的知识底座要求知识以"对象＋关系＋动作"的形态存在，而不是以段落形态存在。这是两件完全不同的事。 05我们怎么搭这座底座 顺着这个思路，我们这几年在做的事可以概括成一句：给制造企业搭一个统一的知识底座。它像一台三层引擎——行业知识、方法论、企业私域知识——AI 助理和智能体的"聪明"，来自调用这套被结构化、被验证过的现场知识，而不是靠模型凭空发挥。 这里要把边界说清楚：搭底座不等于自己造大模型、造 AI 平台。通用模型能力和云基础设施，我们交给生态；自己聚焦在领域层——把精益方法论和制造场景的理解，接进真实的改善流程，让 AI 在现场真的好用。这个分工其实和 Palantir 异曲同工：它把云交给 AWS、Azure，攥在自己手里的是别人建不了的本体和信任。 *图源：自制示意图，统一知识底座的能力边界* 还有一件事是通用 AI 替代不了的：整理现场知识本身，是个需要体感的活。哪条经验值得固化、哪个概念各车间其实一直没对齐、哪种隐性判断可以显性化——这些判断依赖对工厂的真实理解，不是把文档丢给模型就能自动长出来的。 对于制造型企业，把老师傅十多年攒下的听振诊断经验，一条条拆成可调用规则，接进了设备点检流程。老师傅的手艺，这才不再"只长在他自己身上"。这种活不快，但绕不开。 06统一标准，会不会抹平个性？ 聊统一底座时，常有老板担心：一套标准推下去，各家工厂的差异会不会被抹平？我们的观察恰恰相反。三层知识里，底下两层——通识和方法论——本来就该统一，统一了才能高效复用。真正不该统一的，是最上层的私域经验：每家工厂的设备、人、工艺都有自己的脾气，这部分必须原样保留。 本体这件事的真正手艺，不是用一套标准消灭差异，而是搭一个能容纳差异的统一语义框架。共性高效复用、个性精准承载，两件事同时做到，知识才算真正"立"了起来。而知识立起来之后，AI 才能从聊天者变成动手者——这大概是制造业 AI 落地最踏实的起点。

很多工厂的 AI 停留在"查资料"阶段。问题不在模型不够聪明，而在知识还散着躺着，没被组织成系统能调用的形态。把行业通识、方法论和企业自己的经验分层结构化、接进业务动作，AI 才真正撸起袖子干活。

跟制造企业的客户交流，我们反复听到同一种抱怨：平台买了、模型接了，最后用得最多的功能，还是"查资料"。让它总结上个月缺陷的主要原因，它能答；让它套个模板写份整改报告，也写得有模有样。可再往前一步——让它把工单派到责任人头上、盯着闭环、把这次经验归档进体系下次自动调用——它就卡住了。

看得多了我们才明白：多数时候不是模型不够聪明，而是企业的知识还"躺着"——一部分在 PDF 里，一部分在老师傅脑子里，还有一部分散在各个系统的字段里。AI 读得到它们，却搬不动它们。没被组织成机器能操作形态的知识，接上 AI 也只是让它多了一个聊天窗口，而不是多了一个干活的人手。

*图源：自制示意图，AI 能问答、却难参与现场的困境*

Palantir 的本体论常被讲得玄乎，落地看其实就做对了一件事：把企业知识重新组织成"能用"的形态。行业里大致公认的概念、组织自己选的管理方法、企业独有的现场经验，这三类知识被放进同一套模型里，而且每一条都能被查到、被追溯、被触发动作。

最直观的例子是"设备"：它不再是台账里一行型号和购入日期，而是一个点进去就带出维修记录、实时状态、责任班组、可执行操作清单的节点。知识由此变成挂在业务对象上的活资产，而不是文档里的死文字。这套思路对制造业特别对症——因为工厂里的知识，本来就是分层的。

*图源：自制示意图，一个"设备"对象挂着的活知识网络*

横向看制造企业，知识大致能分出三层，越往里，越属于"这家公司独有"。

*图源：自制示意图，工厂知识的三层结构*

第一层是行业通识。工艺原理、材料脾气、通用质量工具、设备运行的一般规律。这类知识写在教材和标准里，获取不难，难的是用在对的场景。比如"注塑保压时间不够，制品容易出缩痕"，任何一本注塑手册都查得到。

第二层是方法论。企业引进并推广的改善路径——精益、TPM、QCC、5Why、六西格玛之类。它们是被验证过的"做事套路"，比通识具体，但依然能跨企业搬用：拿"5Why 连问五层"去逼一个问题，在电子厂和食品厂一样好使。

第三层是企业私域经验。这一层最值钱，也最脆弱：某条线的真实节拍、某条 SMT 线一到换季就莫名抬头的抛料率、老师傅手往机壳上一搭就知道轴承该不该换。这些经验写不进任何一套制度大全，它们活在人的嘴上和手上。

举个例子，"我们这条 SMT 线换季抛料率就抬头，查了半天才发现是某几个吸嘴的磨损节奏比保养周期快了三天"——这种判断，外请的顾问拿不到，通用大模型也猜不出。第三层才是工厂真正的护城河，但它也恰恰是 AI 最看不见的一层：通识和方法论好歹能从文档里检索到，私域经验没人整理，就永远在系统之外。

把三层知识变成能用的东西，和"把文档灌进向量库"是两回事。我们实践下来，有四件事必须做。

一是把定义对齐。"停机""合格""紧急"这些词，在各个系统里必须是同一个意思，否则设备报上来的和品质接到的，是两本账。

二是把关系连起来。一台设备要挂着它的工艺、班组、缺陷史，组成一张能顺藤摸瓜的网。出了问题，查到的不是一堆文档，而是一串上下文。

三是把方法变成动作。质量异常一出现，系统不该只弹个红框，而要按方法论推荐下一步：走哪个模板、通知谁，并在授权范围内直接把流程发起起来。

四是把经验固化。老师傅的判断一旦结构化，就不再随人走，而是变成组织随时能调用的能力。

四件事做完，AI 才算从"会聊知识的搜索引擎"换成"能参与业务的同事"。

*图源：自制示意图，让知识"能动手"的四个动作*

举个反例。知识如果还停在文档层面，某台冲压机废品率突然抬头时，AI 最多递给你一份废品损失的通用计算公式。而知识若被组织成可操作形态，系统知道这台冲压机在哪条线、谁负责、历史上出过什么同类缺陷、该启动哪条改善路径。前者是答题，后者是解题。两者之间，隔的就是"知识接没接进动作"这一步。

这也解释了一个常见错觉：知识库建好了，AI 怎么还是不会干活。因为文档灌进向量库，只是造了个更聪明的检索盒；可操作的知识底座要求知识以"对象＋关系＋动作"的形态存在，而不是以段落形态存在。这是两件完全不同的事。

顺着这个思路，我们这几年在做的事可以概括成一句：给制造企业搭一个统一的知识底座。它像一台三层引擎——行业知识、方法论、企业私域知识——AI 助理和智能体的"聪明"，来自调用这套被结构化、被验证过的现场知识，而不是靠模型凭空发挥。

这里要把边界说清楚：搭底座不等于自己造大模型、造 AI 平台。通用模型能力和云基础设施，我们交给生态；自己聚焦在领域层——把精益方法论和制造场景的理解，接进真实的改善流程，让 AI 在现场真的好用。这个分工其实和 Palantir 异曲同工：它把云交给 AWS、Azure，攥在自己手里的是别人建不了的本体和信任。

*图源：自制示意图，统一知识底座的能力边界*

还有一件事是通用 AI 替代不了的：整理现场知识本身，是个需要体感的活。哪条经验值得固化、哪个概念各车间其实一直没对齐、哪种隐性判断可以显性化——这些判断依赖对工厂的真实理解，不是把文档丢给模型就能自动长出来的。

对于制造型企业，把老师傅十多年攒下的听振诊断经验，一条条拆成可调用规则，接进了设备点检流程。老师傅的手艺，这才不再"只长在他自己身上"。这种活不快，但绕不开。

聊统一底座时，常有老板担心：一套标准推下去，各家工厂的差异会不会被抹平？我们的观察恰恰相反。三层知识里，底下两层——通识和方法论——本来就该统一，统一了才能高效复用。真正不该统一的，是最上层的私域经验：每家工厂的设备、人、工艺都有自己的脾气，这部分必须原样保留。

本体这件事的真正手艺，不是用一套标准消灭差异，而是搭一个能容纳差异的统一语义框架。共性高效复用、个性精准承载，两件事同时做到，知识才算真正"立"了起来。而知识立起来之后，AI 才能从聊天者变成动手者——这大概是制造业 AI 落地最踏实的起点。