制造场景与 AI 的结合：先有数据，再谈智能

这两年「AI + 制造」的声音很大。我自己也在做相关的事，但聊的时候有个很深的感触：

大多数「AI + 制造」的项目，卡住的地方不是模型不够强，而是数据还不够格。

这句话听起来像老生常谈，但我认为它值得被具体拆开讲——因为「数据不够格」有非常具体的形态，而且是可以被解决的。

---

一、先说一个观察：Demo 和落地的分水岭

我见过不少这类项目：

• 演示阶段：把设备手册、质量标准上传知识库，做个 RAG 问答，问「设备异响怎么处理」，答得头头是道
• 落地阶段：车间主任问「这批料为什么报废率高」，系统答不上来

差别在哪？

演示阶段的知识是静态的、干净的、结构化的——手册是 PDF，标准是文本。

落地阶段的问题是动态的、脏的、跨系统的——这批料的工艺参数在 MES 里，检验记录在 QMS 里，设备状态在采集系统里，而这三套系统的口径可能压根不一致。

AI 不是把数据变聪明的魔法，它是把「已经变聪明的数据」用起来的工具。

---

二、什么样的系统基础才让 AI 真正可用

结合我自己做 MES/MOM 的经验，我认为至少要满足这四条。

1. 主数据必须统一

同一个物料，在 MES 里叫 A、在 ERP 里叫 B、在车间标签上叫 C——AI 拿到这些数据也做不出任何判断。

最低标准：

• 物料、BOM、工艺路线、工作中心四类主数据有唯一编码，且跨系统一致
• 有明确的「谁是主数据源」（一般是 ERP 或 PLM），其他系统引用而非复制

2. 事务数据必须可追溯

AI 之所以能分析，是因为数据有上下文。

只存「某设备在 3 月 5 日报警」没用。有用的是：

设备报警 → 关联工单 → 关联批次 → 关联物料 → 关联工艺参数 → 关联质检结果

这条链路通了，AI 才能回答「这批货为什么报废」「这个工位为什么老出异常」。

3. 口径必须一致

这是最容易被忽视、也最致命的一条。

同一个「良率」：

• MES 算的是 (投料数 - 报废数) / 投料数
• ERP 算的是 (入库数 - 退货数) / 订单数
• 车间说的「良率」是「这一班做出来的有多少能直接用的」

三个口径三个数。AI 拿到这些数据只会生成一份看起来专业但完全错误的报告。

解法：在建设 AI 应用之前，先花两周把核心指标的口径写成文档，各方确认。这两周的投入，能省掉后面三个月的返工。

4. 异常必须留痕

很多系统只记录「正常」和「最终结果」，中间的异常过程丢了。

AI 要能回答「为什么」，就必须能看到「当时发生了什么」：

• 换料时参数没改过来
• 操作工跳过了一次抽检
• 设备报警后直接手动复位

这些「不干净」的过程数据，才是 AI 真正的燃料。

---

三、四个能真正落地的场景

基于上面的基础，我认为下面四个方向是当前最有机会的。

场景一：工艺异常的经验化沉淀

现状：车间老师傅知道「这个料这个温度容易结块」，但这个知识在他脑子里，人一走就没了。

AI 怎么做：把工艺参数曲线、报警记录、质检结果、老师傅的处理动作关联起来，让 AI 回答：

「昨天 3 号线那批料在挤出段扭矩异常，历史上类似情况怎么处理的？」

为什么能落地：因为这类问题有明确的历史数据支撑，且答案有对错（老师傅认可）。

场景二：质量异常的根因辅助分析

现状：质量工程师拿到一堆检验数据，靠经验猜是来料问题还是工艺问题。

AI 怎么做：跨系统拉取同批次的完整链路数据，列出可能的根因并给出证据链。

注意边界：AI 给的是候选根因和证据，不是结论。判断权在人，这一点必须设计清楚，不能让业务方误以为机器定了案。

场景三：设备维护的预测性提示

现状：设备坏了才修，坏了就停线。

AI 怎么做：结合振动/温度/电流等采集数据、维保记录、历史故障，提示「这个设备 3 天内可能出故障」。

落地关键：先做提示（辅助排产、提前备件），不要一上来就做「自动停机」。

场景四：工艺文档与培训助手

现状：新人上手靠师傅带，师傅没时间就放养。

AI 怎么做：把作业指导书、设备手册、历史异常处理记录做成知识库，让新人随时问「这道工序的标准参数是多少」「上个月这个报警怎么处理的」。

这是最容易见效的场景，因为：

• 数据基础要求最低（文档本来就存在）
• 价值明确可感知（新人上手快了）
• 风险可控（错了有师傅兜底）

---

四、给制造业朋友的三条实操建议

建议一：先做「知识库」，别急着做「智能体」

很多项目一上来就要做 Agent。但制造业的知识大量是文档 + 结构化数据混合的，先把 RAG 做扎实，比做花哨的 Agent 更有价值。

真正需要 Agent 的，是「需要多步调用工具」的场景，比如「查这批料的成本 → 查工序耗时 → 算瓶颈 → 生成调整建议」。这类场景确实存在，但不是第一步。

建议二：让 AI 的输出可追溯

每条 AI 给出的结论，都应该能点开看到依据了哪些数据。

在制造业，一个不可追溯的 AI 建议是没有价值的——车间主任不信任、看不懂、不敢用，整个系统就废了。

建议三：先在「有数据、有痛点、有负责人」的地方试点

选场景的标准：

1. 数据已经在系统里（不要为了 AI 去额外采集三个月数据）
2. 痛点真实且高频（一年发生几百次的比一年一次的值得做）
3. 有明确的业务负责人愿意为结果负责

三个条件缺一个，先别做。

---

五、一个更根本的判断

我觉得「AI + 制造」真正的价值，不在于把 AI 塞进每个业务环节。

而在于：

当系统的数据变干净、口径变统一、异常被记录下来之后，AI 让「原本只有老师傅能做的判断」变得可以规模化。

这才是制造业规模化的问题。一个老师傅能判断 200 种异常，那就只能支撑一个车间；AI 能判断 200 种异常，就能支撑 20 个车间。

但前提是——这 200 种判断所依赖的数据，得先在一个系统里躺着。

---

写在最后

我自己也在这个方向上摸索。个人项目里做了知识库构建、RAG 检索、多轮对话管理，也用 AI 辅助做代码分析和工作流优化。

但我更想聊的是落地层面的东西：数据怎么治理、口径怎么统一、哪些场景先做、哪些坑别踩。这些在技术文章里很少有人写，但在现场是天天要面对的。

如果你也在做制造场景的 AI 落地，欢迎交流。我的邮箱和微信都在个人主页。

---

本文首发于微信公众号「苹之苹之」。