1. 13万家制造企业接上AI平台，为什么大多数人还在“热闹地闲置”？
“13万家制造企业已经接上AI平台了”——这个数字我第一次看到的时候，正蹲在一家做精密结构件的工厂车间里，跟产线主管一起看他们刚部署的视觉检测工位。主管指着屏幕上跳动的良品率曲线跟我说了句大实话：“平台是接上了，但真正跑起来的东西，一只手数得过来。”这句话，基本就是当下制造业AI落地最真实的写照。
所谓“接上AI平台”，在多数工厂里指的是完成了账号开通、数据接口对接、甚至跑通了几个演示Demo。但“接上”和“用起来”之间，隔着一整套从数据治理、模型选型、智能体编排到产线集成的深水区。我见过太多工厂，大屏上挂着漂亮的AI看板，实际产线上该靠老师傅肉眼盯的还是肉眼盯，该手工填的报表还是手工填。这种状态我管它叫“热闹地闲置”——平台很热闹，业务很闲置。
这篇文章想聊的，就是这13万家制造企业接上AI平台之后，到底卡在了哪里。我会从AI平台、大模型、智能体、语义寻址这几个核心概念切入，拆解制造业AI落地的真实路径，把那些“接上了但用不起来”的坑一个个翻出来。不管你是工厂的数字化负责人、做工业AI的开发者，还是正在选型智能体平台的决策者，这篇内容应该都能帮你少走几个月的弯路。
2. 先搞清楚：制造业说的“AI平台”到底是什么
2.1 从“接上”到“用上”之间，差了三层东西
很多工厂老板理解的“接上AI平台”，就是买了一套软件、开通了账号、IT部门把网络打通了。但从我实际参与过的项目来看，一个制造企业要真正把AI用起来，至少需要跨过三层：
第一层是数据层。工厂里的数据散落在MES、ERP、SCADA、PLC、质检系统、甚至老师傅的手写记录本里。AI平台要能跑起来，首先得把这些数据接进来、洗干净、对齐时间戳。我见过一家做注塑的工厂，光是把三台不同年代的海天注塑机的数据统一成同一个格式，就花了两个月。
第二层是模型层。接上平台只是有了算力和框架，但具体到“这个零件有没有划痕”“这炉钢水的温度曲线是否异常”，需要针对性的模型。通用大模型在这些场景下往往不够用，需要微调、需要领域数据、需要持续迭代。
第三层是业务层。模型跑出结果之后，怎么推给产线工人？怎么和现有的MES工单联动？怎么让质检员愿意用而不是觉得“又多了一个要填的系统”？这一层才是最要命的，因为它涉及组织习惯的改变。
我经常跟工厂的数字化负责人说一句话：AI平台不是买回来就能用的，它更像是一个需要持续喂养和调教的“新员工”，你得给它数据、给它反馈、给它时间。
2.2 大模型在制造业里的真实角色
现在一提AI平台，很多人第一反应就是“大模型”。但制造业里的大模型，和互联网上写文章、聊天的那个大模型，用法完全不一样。
在工厂场景下，大模型主要承担三类角色：
- 语义理解与交互层：比如工人用自然语言问“昨天夜班二号线的良品率是多少”，大模型负责把这句话翻译成数据库查询语句，再把结果用人话返回。这就是“语义寻址”的典型应用——不是靠精确的字段名去查，而是靠语义理解去定位数据。
- 知识沉淀与检索层：工厂里大量的SOP、维修手册、历史故障记录，以前靠老师傅口口相传。现在可以用大模型做知识库，新员工遇到问题直接问，模型从历史文档里找答案。
- 多模态质检辅助：结合视觉模型，大模型可以对检测结果做二次判断和解释。比如视觉模型说“这个焊缝有气孔”，大模型可以进一步判断“根据历史数据，这种气孔在后续装配中导致失效的概率是X%”。
但这里有个关键点：制造业的大模型，几乎不可能直接用公开的通用模型。你需要用自己工厂的历史数据做微调，需要把工艺参数、设备型号、质量标准和模型对齐。这就是为什么“大模型微调实战”会成为热词——大家都意识到，不微调的大模型在工厂里就是个玩具。
2.3 智能体：让AI从“回答问题”变成“干活”
如果说大模型是大脑，那智能体就是手脚。在制造业场景下，智能体的价值在于把AI能力封装成一个个可执行的任务单元。
举个例子：一个“质检智能体”可能包含这样的工作流——接收产线传来的图像、调用视觉模型做初步判断、如果置信度低于阈值就调用大模型做二次分析、根据分析结果决定是放行还是报警、把结果写回MES系统、同时生成一条质检记录。这一整套动作，以前需要人来回切换好几个系统，现在一个智能体就能串起来。
我见过做得比较成熟的工厂，会把智能体按场景拆分：来料检验智能体、过程巡检智能体、成品抽检智能体、设备预测维护智能体。每个智能体有自己的知识库、自己的工具集、自己的触发条件。这种架构的好处是，一个智能体出问题不会影响其他环节，而且可以独立迭代。
但问题也在这里：智能体的开发门槛比想象中高。不是拖拖拽拽就能搞定，需要懂业务逻辑、懂数据接口、懂异常处理。很多工厂接上平台之后，发现要自己搭智能体，团队里没人会，外部供应商又贵又慢，于是就这么搁着了。
3. 为什么“接上了”却“用不起来”：四个真实卡点
3.1 数据质量：AI平台的“第一公里”问题
我参与过一个汽车零部件工厂的AI质检项目。平台部署得很顺利，视觉模型在实验室环境下的准确率能到98%。但一上产线，准确率直接掉到70%以下。排查了两周才发现，问题出在数据上：
- 实验室用的是标准光源，产线是混合光源，不同时段色温还不一样
- 实验室的零件是固定姿态，产线上零件有旋转、有遮挡
- 实验室的背景是纯色，产线背景里有油污、有反光、有上一道工序留下的碎屑
这就是典型的“数据分布偏移”。AI平台本身没问题，模型架构也没问题，但训练数据和实际数据对不上，模型就废了。
更隐蔽的问题是数据标注质量。工厂里做标注的往往是产线工人兼职，他们对“缺陷”的定义和算法工程师理解的不一样。比如“划痕”，工人觉得不影响使用的就不标，但算法需要的是客观一致的标注标准。我见过一个项目，因为标注标准不统一，模型把“正常纹理”学成了“缺陷”，导致误报率高达30%。
实操心得：在制造业做AI，数据清洗和标注标准对齐的时间，至少要占总项目时间的40%。别信那些“一周上线”的承诺，那都是Demo级别的。
3.2 模型选型：不是越大越好，而是越合适越好
现在市面上大模型很多，从几百亿参数到几千亿参数的都有。很多工厂的误区是“选最大的那个”，觉得参数越多越厉害。但在制造业场景下，模型选型要考虑的是推理延迟、部署成本、领域适配度这三个硬指标。
我拿一个实际场景算过账：一条产线每分钟产出60个零件，每个零件需要做视觉检测。如果模型推理延迟是200毫秒，那单台设备最多同时处理5个工位。如果延迟是50毫秒，就能处理20个工位。延迟直接决定了你需要多少台推理服务器，也就直接决定了成本。
另外，制造业很多场景其实不需要“通用大模型”。比如判断一个螺丝有没有拧紧，用一个小型的专用视觉模型就够了，准确率高、速度快、成本低。大模型更适合用在需要语义理解、多步骤推理、知识检索的场景。
这里有个选型参考表，是我根据实际项目经验整理的：
| 场景类型 | 推荐模型类型 | 推理延迟要求 | 部署方式 |
|---|---|---|---|
| 视觉质检 | 专用小模型+大模型二次判断 | <100ms | 边缘部署 |
| 设备预测维护 | 时序模型+大模型解释 | <1s | 边缘或本地 |
| 知识问答 | 微调后的大模型 | <3s | 本地或私有云 |
| 工艺参数优化 | 大模型+优化算法 | 分钟级 | 私有云 |
| 语义寻址查询 | 大模型+向量数据库 | <2s | 本地或私有云 |
3.3 智能体编排：从“单点智能”到“流程智能”的鸿沟
单个智能体跑通不难，难的是让多个智能体协同工作。我见过一个工厂，质检智能体、设备维护智能体、排产智能体各自都跑得不错，但三个智能体之间没有打通。质检发现连续三个零件有缺陷，设备维护智能体不知道，排产智能体也不知道，结果产线继续跑，废品越堆越多。
这就是“智能体孤岛”问题。要解决这个问题，需要一套智能体编排框架，让智能体之间能通信、能触发、能共享上下文。目前市面上有一些智能体框架在做这件事，但制造业的特殊性在于：很多决策需要和物理设备联动，不是纯软件层面的编排。
比如质检智能体发现缺陷后，需要触发PLC让产线暂停，需要通知AGV把不良品运走，需要更新MES里的工单状态。这些动作涉及OT和IT的融合，比纯互联网场景的智能体编排复杂得多。
3.4 组织惯性：最难的其实是让人改变习惯
技术问题都有解，组织问题最难解。我见过一个工厂，AI质检系统上线后，质检员故意把有缺陷的零件放到“合格”那一堆。问原因，他说：“系统说我漏检，扣我钱怎么办？我干了二十年，我说合格就合格。”
这不是个例。制造业AI落地最大的阻力，往往来自一线员工的抵触。他们担心AI取代自己，担心被AI“挑错”，担心新系统增加工作量。如果管理层只是把AI平台当成一个“监控工具”推下去，抵触是必然的。
我的经验是：AI平台上线前，先让一线员工参与进来。让他们参与标注、参与测试、参与反馈。让他们觉得“这个AI是我教出来的”，而不是“这个AI是来管我的”。有个工厂做得很好，他们把AI质检的准确率提升和质检员的奖金挂钩，质检员从“被AI监督”变成“和AI协作”，效果完全不一样。
4. 实操路径：一个制造企业AI平台从“接上”到“用上”的完整过程
4.1 第一步：选一个“小而痛”的场景切入
不要一上来就搞“全厂AI”，那是找死。选一个痛点明确、数据相对干净、影响面可控的场景先跑通。
我推荐从视觉质检或设备异常检测切入。原因有三：第一，这两个场景的数据相对结构化，图像和时序数据比文本数据好处理；第二，效果容易量化，准确率、漏检率、误报率都是硬指标；第三，价值直观，老板能看到“以前三个人干的活现在一个人加一台机器就干了”。
具体操作上，我会这样做：
- 选定一条产线的一个工位
- 收集这个工位过去三个月的所有质检记录和对应的图像/传感器数据
- 和产线主管、质检员一起定义“什么算缺陷”“缺陷分几类”
- 用这些数据训练一个基线模型
- 在产线上做影子测试（模型跑但不影响实际生产）
- 对比模型判断和人工判断的差异，迭代模型
- 模型稳定后，逐步切换到“模型判断+人工复核”
- 最后过渡到“模型判断+人工抽检”
这个过程，快的话两个月，慢的话半年。别信那些“两周上线”的鬼话。
4.2 第二步：搭建数据管道，让数据“流起来”
AI平台要持续工作，数据必须持续流动。我见过太多工厂，模型训练时用的是一个数据集，上线后数据不更新，模型很快就“过期”了。
一个基本的数据管道应该包含：
- 采集层：从PLC、传感器、相机、MES等源头采集数据
- 清洗层：去重、去噪、对齐时间戳、处理缺失值
- 存储层：原始数据存冷存储，处理后的数据存热存储
- 标注层：支持人工标注和自动标注，标注结果可追溯
- 版本层：每个数据集有版本号，模型训练时记录用了哪个版本
这里有个坑：很多工厂的数据管道是“项目制”的，项目结束管道就停了。正确的做法是把数据管道当成基础设施来运营，有专人负责，有监控告警，有定期维护。
4.3 第三步：模型微调，让大模型“懂”你的工厂
如果你用的是通用大模型，微调是必须的。微调不是把整个模型重新训练，而是在预训练模型的基础上，用你工厂的数据做增量训练。
微调的关键是数据质量和微调策略。数据方面，你需要准备：
- 至少几百条高质量的问答对（用于知识问答场景）
- 或者几千张标注好的图像（用于视觉场景）
- 或者大量的历史工单和故障记录（用于预测维护场景）
微调策略方面，我一般建议：
- 先用小学习率做全参数微调，观察loss曲线
- 如果效果不好，改用LoRA等参数高效微调方法
- 微调后一定要做A/B测试，对比微调前后的效果
- 保留微调前的模型作为fallback
注意：微调不是一劳永逸的。工厂的工艺在变、设备在老化、原材料在换，模型需要定期重新微调。我一般建议每季度做一次增量微调。
4.4 第四步：智能体编排，把AI能力串成工作流
单个模型跑通后，下一步是用智能体把多个能力串起来。以一个“来料检验智能体”为例，它的工作流可能是这样的：
- 接收AGV送达的物料信息
- 调用视觉模型对物料外观做检测
- 调用大模型对检测结果做语义解释
- 如果检测通过，调用MES接口更新物料状态
- 如果检测不通过，调用告警接口通知质检员
- 同时把检测记录写入数据库
- 如果连续N批不合格，触发供应商预警流程
这个工作流可以用智能体框架来实现。目前市面上有一些智能体开发平台，支持可视化编排和代码混合开发。选型时重点看三点：是否支持制造业常用协议（如OPC UA、Modbus）、是否支持边缘部署、是否有成熟的异常处理机制。
4.5 第五步：语义寻址，让数据“好找”
“语义寻址”这个词听起来很玄，其实解决的是一个很实际的问题：工厂里的数据表有几百张，字段名都是英文缩写，新来的工程师想查“昨天二号线的良品率”，得先知道良品率存在哪张表、字段名叫什么。
语义寻址的做法是：把所有数据表的元数据（表名、字段名、字段描述、样例数据）向量化，存到向量数据库里。用户用自然语言提问时，大模型先把问题向量化，然后在向量数据库里找最相关的表和字段，生成查询语句，执行后返回结果。
这套东西的价值在于降低数据使用门槛。以前只有IT部门能查的数据，现在产线主管用自然语言就能查。我见过一个工厂，部署语义寻址后，产线主管自己就能查“过去一周哪台设备停机时间最长”“哪个班次的废品率最高”，不用再等IT排期。
5. 常见问题与排查技巧实录
5.1 模型在实验室好用，上产线就废
这是最常见的问题，原因通常是数据分布偏移。排查思路：
| 排查项 | 检查方法 | 解决方案 |
|---|---|---|
| 光照条件 | 对比实验室和产线的光源类型、色温、亮度 | 在产线环境下重新采集训练数据 |
| 背景干扰 | 检查产线背景是否有油污、反光、杂物 | 增加背景多样性训练，或加物理遮挡 |
| 零件姿态 | 统计产线上零件的旋转角度、遮挡比例 | 增加数据增强，或调整相机安装角度 |
| 设备差异 | 对比不同设备、不同班次的数据分布 | 分设备建模，或做域适应 |
| 标注标准 | 抽查标注数据，看是否存在不一致 | 重新对齐标注标准，做标注培训 |
5.2 智能体之间“打架”
多个智能体同时运行时，可能出现资源冲突或逻辑冲突。比如质检智能体要暂停产线，排产智能体要加速生产，两个指令同时发出，PLC不知道该听谁的。
解决方案是引入优先级机制和仲裁智能体。每个智能体发出的指令带优先级标签，仲裁智能体根据当前生产状态决定执行哪个。质检和安全相关的指令优先级最高，排产和效率相关的指令优先级较低。
5.3 大模型“胡说八道”
大模型在制造业场景下最危险的问题是“幻觉”——它可能编造一个不存在的故障原因，或者给出一个错误的工艺参数。这在质检和维修场景下可能导致严重后果。
我的做法是：
- 所有大模型的输出必须经过规则引擎校验，不符合工艺规范的直接拦截
- 关键决策必须有人工确认环节，大模型只做建议不做决定
- 建立反馈闭环，操作员可以标记“这个回答不对”，这些反馈用于后续微调
- 对高风险场景，用检索增强生成替代纯生成，让模型基于检索到的真实文档回答
5.4 投入产出算不过来账
很多工厂接上AI平台后，发现投入了几百万，但产出不明显。算账时要算清楚：
- 直接收益：减少的质检人员数量、降低的废品率、减少的停机时间
- 间接收益：质量一致性提升带来的客户满意度、数据积累带来的长期价值
- 隐性成本：数据标注成本、模型维护成本、人员培训成本
我见过一个工厂，AI质检上线后，质检员从12个减到4个，但增加了2个数据标注员和1个AI运维工程师。净减5个人，按每人年成本10万算，一年省50万。项目总投入200万，四年回本。这个账算得过来，但前提是你要把隐性成本也算进去。
6. 我踩过的坑和给你的建议
第一个坑：别把AI平台当成IT项目。AI平台是业务项目，必须由业务部门主导，IT部门支持。我见过太多工厂，AI项目挂在IT部门下面，IT不懂工艺，业务不参与，最后做出来的东西没人用。
第二个坑：别追求“大而全”。先跑通一个场景，再复制到其他场景。一个场景跑通带来的信心和经验，比十个场景同时启动但都半死不活要值钱得多。
第三个坑：别忽视一线员工的感受。AI上线前，花时间跟产线工人聊，让他们知道AI是来帮他们的，不是来替代他们的。有个工厂的做法我很欣赏：AI质检上线后，质检员从“逐个检查”变成“处理AI标记的异常”，工作强度降低了，他们反而更愿意用。
第四个坑：别停止迭代。AI模型不是一次训练就完事的。工厂在变，模型也要变。建立定期评估和重新训练的机制，让模型持续进化。
第五个坑：别自己硬扛。制造业AI落地涉及数据、算法、业务、OT多个领域，很少有工厂能自己全搞定。找到靠谱的合作伙伴，但记住：业务逻辑必须掌握在自己手里，技术可以外包，业务理解不能外包。
最后说一个我观察到的趋势：那些真正把AI用起来的工厂，都有一个共同点——他们不把AI当成一个“项目”，而是当成一种“能力”。项目有开始有结束，能力是持续积累的。他们会在组织里培养懂AI的业务人员，会持续投入数据治理，会定期复盘AI应用的效果。这种工厂，才是那13万家里面真正“用上”了的少数派。
