一家工厂出了质量问题,最棘手的是什么?
不是那件瑕疵产品,而是接下来的一连串追问。是设备参数出了偏差,还是原材料发生变化?是工序出了纰漏,还是多个因素叠加?
过去,工程师要翻记录、查设备、反复讨论。如今,人工智能开始加入这场“破案”。
在央视网《科技新观察》栏目专访中,中国国家创新与发展战略研究会副会长、中国科学院大学经济与管理学院教授吕本富举例说,过去可能花费三五天甚至更久的事故原因分析,借助AI,有机会缩短到几个小时。
这不意味着AI能包办判断,却释放出一个信号:当人们还在关注机器人能不能拧螺丝时,人工智能已经尝试走进工厂更重要的环节——决策。
工厂的下一场升级,不只是机器更勤快
提起智能工厂,很多人的第一反应是机械臂挥舞、无人车穿梭、屏幕上数据飞快跳动。过去,自动化回答“怎么干得更快”。现在,AI开始回答“下一步怎么干”?
设备什么时候需要检修?哪批产品可能出现质量风险?生产计划怎么调整更合理?这些问题需要把数据、经验和判断连接起来。
吕本富认为,AI进入企业决策的价值,首先体现在两个方面:更精准,以及更高效。借助模型和行业知识库,企业有望更快缩小排查范围。
当然,AI给出的不是一张可以免检的“标准答案”。吕本富特别强调,最后仍需要人来把关。
工厂智能化,不是让机器取代人拍板,而是让决策多几分依据、少几分猜测。

操控中心工作人员正在远程作业。图源:新华社
想让AI当参谋,工厂得先交“作业”
既然AI这么能干,企业接入一个大模型,是不是就能原地升级成智能工厂?
恐怕没那么简单。
吕本富在采访中提到,中国制造业门类齐全、企业数量众多,但数字化基础参差不齐。有的管理系统成熟,有的还没补完信息化这一课,就迎来智能化浪潮。
AI可以分析异常,却不能凭空知道一条产线昨天发生了什么;可以提出建议,却得先读懂设备、工艺、库存与质量记录。没有可靠的数据,所谓精准决策,很容易成为空中楼阁。
这也是为什么“补课”变得格外重要。
今年3月,工业和信息化部启动工业数据筑基行动,重点探索工业数据的采集、汇聚和应用,推动建设高质量行业数据集。
换句话说,人工智能要进厂,得先让工厂里的数据流动起来。数据能否采集、用好、安全流动,决定了模型能帮多大忙。

员工在车间操作设备进行智能裁剪。图源:新华社
模型越来越多,谁真正懂工厂?
过去谈AI产业,话题很容易落到模型参数、算力规模和排行榜上。但到了产业现场,企业可能更关心一个朴素的问题:你到底能解决我什么麻烦?
通用大模型像一位博闻强记的“通才”,可让它直接处理复杂的生产工艺,未必就能胜任。真正落地时,还需要行业模型、企业知识库和能够调用工具、执行流程的智能体。
吕本富特别提到行业内的私域数据,那些不会公开、也不适合随意上传的数据,对垂直模型和智能体可能更有价值。
一位老师傅多年积累的故障判断经验,一家企业长期沉淀的质量记录,也许不如最新模型亮眼,却可能最难复制。前提是,这些经验能被整理、验证,并转化为系统可以使用的知识。
今年公布的《“人工智能+制造”专项行动实施意见》提出,到2027年推出1000个高水平工业智能体,打造100个工业领域高质量数据集,推广500个典型应用场景。
产业信号已经很清晰,下一阶段,AI企业不只是比谁的模型会得多,也要比谁更懂场景、交付更稳、效果更能算清楚。
AI敢给建议,企业就敢照着做吗?
不过,一旦AI从“写报告”走向“提决策”,另一个问题就绕不开了,它万一提错了呢?
推荐一件商品出了偏差,消费者或许还能退换。但如果生产安全、医疗或司法等高风险场景依赖了错误判断,代价就可能完全不同。
吕本富认为,AI的可靠性要结合行业的容错要求来看。在专业领域,不能只拿通用模型的生成结果直接使用,还应当经过行业知识库校验。
工业AI还有一道隐形门槛:可信。
模型为何给出这个建议?依据来自哪里?什么时候需要人工复核?数据有没有权限边界?这些看起来不像炫酷的技术演示,却决定了企业是否真的敢把AI接入核心流程。
真正成熟的工业智能,不是永远自信地回答,而是知道什么情况下必须停下来,让人再看一眼。
机器越来越聪明,人该往哪里走?
AI进厂,讨论到最后,终究绕不开人。
吕本富在采访中反复提及一个观点:发展“就业友好型人工智能”。人擅长的事情交给人,机器擅长的事情交给机器,让技术进步的红利惠及劳动者。
放到工厂里,这或许意味着,工程师不必把大量时间耗在重复检索和初步排查上,而能更多地投入复杂问题解决、工艺优化与创新;管理者也不必只凭有限经验做决定,而可以在更多信息支持下承担判断和责任。
但改变不会自动发生。吕本富还提醒,技术看似人人可用,却可能拉开新的“智能鸿沟”。企业需要投入培训,员工需要学习工具,技术红利也要转化为实实在在的工作改善。
从一条产线的故障排查,到整个企业的经营决策,AI正在改变制造业处理问题的方式。
但一座真正聪明的工厂,衡量标准不该只是有多少机器人、跑着多少模型,更要看它能否把知识变成能力,把效率变成价值。
机器可以越来越聪明,而超级工厂的下一次升级,仍然需要人来定义方向。





首页
AI对话
资讯
我的