工业AI并未革新工厂，而是放大了固有难题

起步阶段，我们与众多工厂一样，内心充满憧憬。总认为AI的到来，能让长期存在的问题迎来转机：人员管理困难，AI来监控；质量波动不定，AI来检测；设备意外停机，AI来预警；能耗居高不下，AI来优化；生产排程混乱，AI来规划。

这些设想并无不妥。部分项目确实提升了效率，有些节省了人力，也有些让以往难以察觉的问题变得清晰可见。

然而，经过一路实践，我最深的体会并非“AI有多么强大”。而是另一句感悟：AI并未改变工厂，它只是将工厂原本存在的问题放大呈现。

那些管理、流程、标准、数据、责任乃至人心层面的问题——过去常常依赖经验、老师傅、主管决断或模糊空间来维系。如今AI介入，这些问题瞬间被置于聚光灯下。

它如同一束强光。光本身没有情感，但一旦开启，地上的尘埃、墙上的裂痕、桌下未整理好的杂物，便全都无处遁形。

工业AI最令人不适、也最具价值之处，恰恰在于此：它并非帮助我们更好地掩盖问题，而是迫使我们承认，许多问题其实一直存在。

初涉工业AI领域时，我们的思路十分明确。从项目逻辑看，每个目标都合情合理。因为制造业这些年，确实长期被同一类难题所困扰：经验难以传承，一线管理困难，质量稳定性差，变化日益加速，成本难以压缩。因此人们自然认为：AI来了，终于可以弥补这些短板。

但真正深入现场几轮后，我愈发感到：许多工业AI项目，表面上是弥补技术能力，实质上是在冲击工厂那套依赖经验、弹性与模糊空间来维持运转的旧有逻辑。

以往许多问题并非不存在，只是被“人”兜底了：老师傅多看一眼，主管凭经验通融一下，质量经理拍板决定，调度员深夜自行用Excel修改，班组长在现场将人情与规则灵活调和。这些做法过去虽不标准，却能让工厂运转下去。

而AI的到来，带来的最大变化是：它不太会帮你兜底。它依据规则观察，基于数据计算，按照特征判断，依靠模型推导，围绕目标优化。于是，那些原本依靠经验和弹性维持的平衡，开始逐一被打破。

这时我们才会发现：许多项目真正暴露的，并非“AI是否足够智能”，而是工厂自身原本就没彻底解决的问题。

员工开始研究摄像头角度，班组长开始寻找监控盲区，主管开始琢磨这次报警能否解释得通。系统在观察人的行为，人也在反过来审视系统。视觉管理一上线，并非简单地将规则执行得更到位，而是将“规则如何落地”与“人如何应对规则”之间的博弈，彻底摊开在桌面上。

颜色略微偏暖整批被拦截，一粒灰尘被判定为缺陷而明显划痕反而漏检。更换供应商后，表面反光稍作改变，模型效果便直线下降。最终迫使我们承认：很多时候并非AI不准确，而是我们自己从未真正界定清楚，何谓“合格”。AI不会替你留有余地，它只会极其严谨地执行你赋予它的标准。

机器人每日拍摄大量照片、捕捉诸多状态、报告众多异常，可现场真正的症结在于：由谁来查看？谁来判定？谁来处理？谁来跟进到底？系统越来越勤勉，报表越来越详尽，但现场人员却越来越疲惫。工厂从来都不只是缺乏“发现问题”的能力，更欠缺的是处理问题的机制。

AI建议三天内检修，设备工程师也察觉趋势异常，生产主管却只会问一句：“现在还能不能继续运行？”提前停机的损失是确定的，不停机的风险是不确定的。工厂真正的难点，从来不是“预测是否有用”，而是谁愿意为了一个尚未发生的风险，在当下承担一个确定的损失。

首版方案来得太快、太顺、太像模像样，导致人们开始高估图纸本身，低估工程判断。结果一旦进入加工、装配环节，问题便接连涌现。更现实的是，一旦出现问题，责任最终仍会落到人身上。生成式AI首先替代的，并非工程师的价值，而是那部分最重复、最标准化的体力劳动。真正难以替代的，是图纸背后的连续性考量、现场约束条件、风险意识与责任判断。

它能计算每一度电的浪费，却管不住人去关灯；它知道哪台设备空载成本最高，却决定不了谁愿意为关机、重启、预热、异常处理承担责任。表面看是节能问题，深入探究，实则都是产能、环境、舒适度、风险、责任之间如何平衡的问题。工厂的许多浪费并非看不见，而是看见了也未必能改变。

一台贴片机停机五分钟，后续整张计划表便开始混乱。许多调度员的电脑上，APS与Excel总是同时开着——系统先生成一版计划，人再自行修改一版。最终真正指导生产的，往往仍是老调度员脑海中的那套经验。工厂从来不缺“生成计划”的能力，真正缺乏的是“计划被现实打乱后，如何继续决策”的能力。

如果仅审视单个项目，人们容易认为这是员工管理问题、那是质量问题、这是设备问题、那是排产问题。但若将这七个项目串联起来观察，便会发现它们背后反复指向同一核心：

AI并非在替工厂解决一个个孤立的问题，它是在迫使工厂面对自身运行方式中长期未被彻底解决的部分。

我们越深入实践，越清晰地看到：工业AI的难点，从来不只是“这件事能否自动化”，而是自动化之后，原本由人兜底的那部分，由谁来承接。

这才是许多项目真正卡住的症结所在。

这几年实践下来，我不再轻易相信那种“一套系统上线，工厂自动优化”的说法。并非因为技术没有进步，而是因为工厂从来就不是一个纯粹的技术系统。

工厂是规则、流程、责任、经验、利益、情绪、协同、妥协层层叠加的复合体。如果我们只看技术，永远会把问题看得过于肤浅。

工业AI真正有价值之处，不在于“有多聪明”，而在于它能否：尊重现场的复杂性，理解工厂的约束条件，承认人的判断依然具有价值，接受许多事情并非仅靠计算就能完成。

因此我越来越坚信一句话：技术永远是工具。真正决定其能发挥多大作用的，终究还是人。并非因为人一定比AI更快或更准，而是因为在工厂里：需要拍板的是人，需要担责的是人，需要协调的是人，需要在冲突目标间做出取舍的，最终还是人。

这两年我们上线了七个AI项目，如果现在让我为工业AI下一个定义，我会这样说：

它不是来将工厂变成未来模样的，它是来将工厂原本那些未说清、未厘清、未理顺的问题，统统照亮。它照亮规则，也照亮灰色地带；照亮效率，也照亮代价；照亮浪费，也照亮责任；照亮技术边界，也照亮人的边界。

所以工业AI真正的价值，不只是为工厂做更多事，而是迫使工厂重新回答一些以往从未认真回答的问题：

什么才算标准？什么叫真正可执行？由谁来拍板？由谁来担责？什么该交给系统？什么必须留给人？

这些问题若不回答，AI越多，工厂可能越疲惫。但反过来讲，如果这些问题被一项项理顺，AI才有机会真正从“演示中的能力”转变为“现场中的能力”。

我不再追问它是否神奇，我更关心的是：它是否真正理解工厂，理解现场，理解人。

因为工业AI的未来，不在于技术有多先进，而在于它能否真正融入工厂的骨髓。而这件事，比上线一套系统要困难得多。但也更有价值得多。

如果只用一句话，概括你们工厂这几年的AI落地历程，你会怎么说？欢迎在评论区分享你的见解