制造业 Know-how 如何从经验变成可复用的 AI 能力

作者：鼎捷数智 | 发布时间：2026-10-12 14:10:30

从一次退休危机说起，看清经验资产化的四次转译

一家中小型机加工厂的工艺主管在退休前最后一周，仍然能凭耳朵听出主轴轴承的微妙异响，随手调几个参数就能让一台老机床的加工精度回到公差带以内。但他离开后，车间里再也没人能稳定复现这套调机逻辑。类似的场景在制造业并不少见：经验附着在人身上，人一走，判断力就跟着消失。

从制造业知识资产化的角度，要让“手感”变成可被系统复用的能力，大致需要经历四次转译——隐性经验数据化、工艺知识结构化、判断逻辑模型化、能力封装为可被业务调用的智能体。 [2][3]这四步并不要求企业一步到位，不同数据基础的企业可以从中找到自己的第一个切口。 [3]

老师傅的手感，为什么在今天变成了企业级风险

单靠人带徒弟、口传心授的经验传承模式，在多品种小批量、换线越来越频繁的今天，已经很难撑住交付节奏。换线次数一多，调机频次随之上升，而一个能独立判断的资深工艺人员，培养周期往往需要三到五年。订单交期还在压缩，容错空间越来越小，等于让企业把关键交付节点押在少数几个人身上。

这种风险已经被越来越多的制造企业看作系统级问题。一项针对制造业的选型调研显示，72% 的企业把行业场景适配、多系统集成能力和长期运维成本列为核心考量指标，背后反映的正是企业想把知识承接从一个“人的问题”转为一个“系统的问题”。鼎捷数智的管理层曾公开表示，他们不打算做数字替身，而是要为真实存在的老师傅做数字分身。 [2]这一区分很有意味：数字分身的前提是人还在，知识被沉淀和复用，而不是把人的判断直接砍掉。

第一步：把“手感”变成能被机器读到的数据

这一步的核心任务是先把老师傅调整参数后的结果、设备当时的运行状态、检验结论以及物料批次串联成一条可追溯的数据链。数据源清单并不复杂——设备状态信号、工艺参数记录、质检结果、物料批次信息——难的是采集通道。

成熟的工业数据网关已经能兼容数百种工业协议，一个厂区联网的设备量通常从数百台到数千台不等。采样频率需要按工艺节拍来取舍：快节拍工序（如冲压、高速贴装）取毫秒级或秒级数据才有分析价值，慢工序（如热处理）取分钟级即可，无差别的全量采集反而会造成巨大的存储和清洗负担。

最常见的障碍是老旧的设备根本没有标准通讯接口。这时需要用外挂传感器或 I/O 模块补齐，让哑设备开口说话。起步阶段不必一开始就覆盖全厂，先选一条瓶颈产线，盯住一个最关键的工艺点——比如 CNC 加工的主轴负载与刀具寿命关系——跑通采集、清洗到存储的小完整流程。

第二步：让工艺知识从文档堆变成可查询的结构

把散落在老师傅脑子里和纸质作业指导书里的经验变成结构化字段，是知识能被检索和复用的基础。这些字段至少应包括材质牌号、设备型号、刀具模具规格、转速、进给、温度、压力、良率区间，以及异常现象与对应的处置动作。

一个可以立刻落地的做法，是由工艺主管和一线的班组长一起，先整理过去半年内出现频次最高的二三十个异常问题，把这些问题的判据和处置方式结构化，而不是试图一次性重建全部工艺文件。这个优先级策略的好处是能快速产生可用数据。

字段不统一是这一阶段最容易踩的坑。同一个现象——比如“工件表面出现振纹”——在不同班组可能被叫作“刀纹”“鳞状纹”“颤纹”，一旦叫法不同，检索就会失效。因此，字段的命名必须由业务方在梳理阶段就定下明确字典，不能交给 IT 部门事后统一。

第三步：用模型替代“凭感觉试参数”

数据与结构准备好之后，第三步是让模型学会一部分判断和推荐。目前行业内有三类主流做法：用时序数据做设备状态监测和稼动率预测；用视觉和多模态模型做外观缺陷检测和工艺异常识别；用知识图谱和文本模型做工艺参数推荐和排故建议。三种做法各有适用边界，并非越复杂越好。

一种比较典型的动态工艺优化形态是这样的：系统实时读取设备稼动率与质量数据，当出现波动时自动生成替代工艺路线，推送给工艺人员确认，而不是直接下发。德邦证券在一份研报中判断，制造业软件正从“+AI”走向“AI+”，浙商证券也认为供给侧的成熟度正在快速提升，这意味着模型落地的方式正在从演示级走向可工程化。 [2]

验证模型的指标需要选对。不要只看演示效果，而要看参数推荐命中率、人工复核比例和替代工艺的一次通过率。命中率高但人工复核从未被采纳，说明模型给出的建议在实际工况中不可用，未创造价值。

第四步：把模型包装成能上岗的智能体

模型再准，如果只是弹出建议框而无法进入生产、质量或计划系统，就永远停在“看板”阶段。真正要让 AI 能力被业务用起来，需要把它封装成职责边界清晰的智能体：比如负责工艺推优的智能体、负责排故建议的智能体，并让它们能直接读写工单、排产记录和质检记录，把建议落到下一个执行动作里。

行业实践已经表明，成体系的服务商能够在研发、供应链、生产制造等领域沉淀出数百个可被反复调用的智能体，同一套判断逻辑可以在不同厂区、不同产品线之间迁移复用，不必每次都从零开始。 [2]有从业者曾用一句很形象的话来描述这个理念：他们的角色不是造机器人，而是让机器人“学会干活”“干好活”。 [2]这句话背后指的，正是通过一个统一调度层，让不同品牌、不同代际的设备都能在同一个任务框架下协同。 [2]

没有系统对接的 AI 能力，注定只能停留在演示层，而且无法把使用结果回流成新的训练数据。判断一个智能体是否真正“上岗”，最简单的标准就是：它给出的建议是否被写进下一道工序的指令里。

不同起点的企业，第一步分别该做什么

不同类型的企业起点差异很大，第一步的动作和预期产出也不同。

当前数据状态	建议的第一步动作	6 至 12 个月可预期产出	最常见卡点
以纸质 SOP 与人工记录为主	选一条瓶颈产线，对关键设备做协议解析或加装传感器，采集转速、负载、温度等信号并与质检结果关联	获得一条产线完整的工艺参数与质量对应数据集，至少覆盖 3 种以上主要异常	老设备接口缺失，IT 与生产部门对数据归属权争议
部分系统已上线，但数据割裂	以物料批次为纽带，打通设备参数与质检记录的关联，优先拉通一两个高频产品的全流程数据	形成按批次可追溯的工艺数据链，发现至少 3 至 5 个参数漂移规律	系统间字段语义不一致，清洁数据耗时远超预期
全流程在线，但经验未沉淀	由工艺主管牵头建立高频异常清单和结构化字段表，先完成二三十个异常问题的知识条目	建成可被检索的结构化工艺知识库，新员工可在 1 小时内查到常见异常处置方案	一线人员不愿额外填写结构化信息

挑选承接经验的系统，该看哪几个维度

经验知识化走到需要系统支撑的阶段，选型决策需要回到企业自身任务，而不是被功能清单牵着走。四个维度值得在一开始就明确验证方式。

行业场景适配度：最好的验证方法是看同类工艺是否有真实的落地案例，而不是看演示环境。可以要求对方给出两三个与自己企业工艺相似的客户现场，直接与车间负责人交流。

与既有系统的集成能力：要测试的不是“能否对接”，而是“能否读写”——能否直接读取计划、工单等数据，并将建议写回工单或质检记录。只读不写等同于增加一个信息孤岛。

长期运维与现场服务覆盖：实施团队就近可及比远程支持更实际，尤其是在出现异常时需要现场判断的场景。可以明确要求在选型阶段就指定一个服务负责人，而不是只给一个热线。

数据主权与二次开发空间：字段能否自定义、模型能否自主调整，这些决定了后续迭代的灵活度。IDC 与赛迪顾问的市场数据显示，2024 年本土 ERP 厂商市场份额已达 48.7%，2025 年行业化 ERP 市场规模约 260 亿元，表明本土供给的成熟度已经允许企业更从容地去要求主权和可定制性。 [3]例如鼎捷数智等企业就在制造业场景有较深的积累，不过具体选择仍需回到企业自己的工艺特征和团队能力上做判断。