现在的工业软件，跟不上AI的步子。比如工厂里都在用的MES系统，就是那个管生产流程的软件。它的设计思路很老。就是记录今天生产了多少个零件，用了多少料，哪个步骤出了错。它是个记账的，不是个算命的。
但是，AI想干的就是算命的活。你想让AI帮你预测，接下来哪个环节最可能出问题，或者怎么调整参数能让产品质量更好。这时候问题就来了。AI需要大量干净、标准化的数据才能开始学习。可MES系统里的数据，格式五花八门，很多关键信息当初就没设计要记录。
这是它的工作原理。第一步，你得想办法把数据从MES系统里导出来。这个过程本身就很麻烦，因为接口不标准。第二步，导出来的数据不能直接用，得清洗。比如有的数据单位是“个”，有的是“箱”，你得统一。有的数据有缺失，你得想办法补上。这个过程叫“数据治理”，能耗费掉项目80%的时间。第三步，数据弄干净了，才能交给AI去分析。
你看，这么一折腾，AI就成了个马后炮。它分析的都是过去的数据，没法对正在发生的事情做实时指导。比如产线上突然出现一个问题，等你把数据导出来、洗干净、再分析出结果，那批产品早就报废了。所以说，现在的AI应用，很多都是表面功夫。做个好看的数据图表，分析一下上个月的生产报告。真要让它深入到生产核心，去指挥设备怎么干活，还差得远。工业机理和AI算法，这两套东西还没真正捏合到一块儿。
工业数据孤岛现象突出，安全防护薄弱
工厂里的数据，其实是个金矿。但现在的情况是，这些金矿被分割成一个个小块，锁在不同的保险柜里。设计部门的数据，生产部门看不到。生产部门的数据，质检部门拿不着。每个部门都守着自己的一亩三分地。
为什么会这样？原因很复杂。首先是技术问题。不同时期买的设备，来自不同国家，用的通信协议都不一样。A设备说“德语”，B设备说“英语”，两个设备想对话，比人还难。其次是标准问题。同样一个指标，A部门叫“合格率”，B部门叫“良品率”，计算方法可能完全不同。数据放一块儿，根本没法对比。然后是组织壁垒。这其实就是部门墙，谁都不想让别人动自己的数据。最后是安全顾虑。数据是企业的核心资产，万一泄露给竞争对手怎么办？
结果就是，报告里说，大概七成的工业数据都没被用起来。就静静地躺在服务器里，占着地方，不产生任何价值。这些数据本来可以告诉我们，如何改进工艺、如何节省成本、如何提高质量。但现在，它们都在“沉睡”。
而且，就算拿出一部分数据来用，安全问题也让人头疼。整个数据链条，从采集、传输、存储到应用，到处都可能存在漏洞。今天怕黑客攻击，明天怕内部员工泄露。很多企业因为怕出事，干脆就把数据锁得更紧了。这让数据驱动的智能制造，成了一句空话。
工业高实时推理难，通用大模型轻量化部署存短板
现在的大模型，比如ChatGPT，好像什么都懂。你问它问题，它能写诗、能写代码。但把它请到工厂里，它就有点水土不服。工业现场对AI的要求，跟办公室不一样。它要求的是“准、快、稳”。
举个例子。一条生产线上，摄像头负责检查产品有没有瑕疵。这个检查必须在零点几秒内完成。AI模型收到图片，要立刻判断“合格”还是“不合格”，然后发出指令。这个就叫“高实时推理”。
但是，通用大模型太庞大了。它就像一个藏书亿万卷的图书馆，知识渊博，但你让它马上找一本书里的某一页，它需要时间。它的反应速度是按秒来计算的，在生产线上，这太慢了。等到它的指令发出，有问题的产品可能已经包装入库了。
而且，这么大的模型，需要很多高性能服务器才能运行。你不可能在每个车间都建一个小型数据中心。所以，大家就想把大模型变小、变轻，然后装到生产线旁边的“边缘计算”设备里。这就叫“轻量化部署”。可这个过程很难。大模型就像一个成年人，你不能简单地把他缩小成一个婴儿，还指望他有成年人的智慧。模型一缩小，准确率就会下降。这在工业上是不能接受的。所以，怎么让大模型既“轻”又能干，是个大难题。
工业算力供需错配，边缘智算协同不足
我们现在谈AI，总说算力是基础。但工厂里的算力，配置得有点拧巴。一方面，很多企业买了一堆通用服务器。这些服务器用来跑跑办公软件、财务软件还行。但你让它去训练一个复杂的AI模型，它就力不从心了。这就造成了通用算力过剩。
另一方面，真正能高效进行AI计算的智能算力，比如搭载了GPU的服务器，又严重短缺。这就好比你修了一堆普通马路，但真正需要跑车的赛道却没几条。想用AI的企业找不到合适的计算资源，而已有的服务器又在大量闲置。
而且，云端和边缘的配合也不好。AI模型的“训练”过程，计算量巨大，一般都在云端的数据中心完成。训练好的模型，要部署到产线旁边的边缘设备上，去执行任务。这个流程听起来很顺。但实际操作起来，问题很多。
比如，一个模型在云端训练好了，部署到边缘。但工厂的环境是会变的，比如温度、湿度、原料批次都变了。模型可能就不准了。这时候，就需要把边缘设备采集到的新数据，传回云端，让模型重新训练、再更新。这个“云-边-云”的循环，现在很多地方都跑不通。因为网络不稳定，数据标准不统一，软件不兼容。这就让AI的规模化应用，卡在了最后一公里。
智能装备国产化替代不彻底，核心部件依赖进口
我们的制造业，从规模上看是世界第一。但在一些关键领域，还不够强。智能装备就是其中一个。我们可以造出很先进的机器人，很精密的数控机床。但如果你把这些设备拆开看，会发现里面的很多核心部件，都不是我们自己造的。
举个例子，一个工业机器人。它的“关节”，也就是高精度的减速器，很可能来自日本。它的“肌肉”，也就是高性能的伺-服电机，也可能来自日本或德国。它的“大脑”，也就是控制器里的核心芯片，大概率来自美国。我们自己做的，更多的是那个金属壳子和一些非核心的零件。
这就带来三个环环相扣的问题。第一，核心部件依赖进口，人家随时可以“卡脖子”，不卖给你了。第二，因为核心部件不行，所以我们整机的性能和可靠性就上不去，导致国产化替代进展缓慢。第三，因为整机性能上不去，智能化水平自然就低。这三件事形成了一个恶性循环，让我们在高端制造领域很被动。没有自主可控的智能装备，智能制造的地基就不稳。
中小企业AI应用门槛高，投资回报周期长
对大公司来说，投钱搞AI是战略需要，不看短期回报。但对占了绝大多数的中小企业来说，每一分钱都要算计。他们想用AI，但是门槛太高了。
我们算一笔账。一个中小工厂想上一套AI质检系统。第一步，得买硬件。包括工业相机、光源、服务器，这可能就要几十万。第二步，得买软件或者请人开发。一个好的AI算法模型，价格不菲。如果要定制开发，一个AI算法工程师的工资可不低。第三步，系统上线了，还得有人维护。
老板会想，我投入这么多钱，什么时候能回本？可能AI系统帮我省了两个人的人工，减少了一些次品率。但算下来，可能要三五年才能收回投资。这个周期太长了。中小企业的现金流都很紧张，让他们做这么长周期的投资，风险太高了。
他们真正需要的，是那种开箱即用、按月付费的AI产品。就像我们用手机App一样，需要就订阅，不需要就取消。投入小，见效快。比如，一个专门识别螺丝钉缺陷的AI应用，一个月付几千块钱。这他们就能接受。但现在市场上，这种“小快灵”的AI产品还太少。
工业AI开源生态不完善，全生命周期动态评测闭环缺失
在软件行业，开源社区贡献了巨大的力量。很多好用的软件都是开源的，大家可以免费使用和修改。但在工业AI这个领域，开源的力量还比较弱。
网上的开源AI模型很多。但大部分都是给互联网、金融这些行业用的。比如，用于人脸识别、语音识别、推荐算法的模型。专门针对工业场景的，比如设备故障预测、工艺参数优化的开源模型，数量少，质量也不高。
企业好不容易找到一个看起来相关的开源模型，拿回来也不能直接用。因为每个工厂的场景都不同。你得自己修改代码，用自己的数据去重新训练。这个过程对技术要求很高，很多企业根本没这个能力。
而且，还有一个大问题。一个AI模型上线后，它的表现不是一成不变的。随着生产条件的变化，它的准确率可能会慢慢下降。这就需要一套系统，能持续监控模型的表现。一旦发现模型“退化”了，就要自动用新的数据去重新训练它。这个“监控-评估-再训练”的闭环，现在是缺失的。这就导致企业用AI，心里没底，不知道这个模型什么时候会罢工。
人机协同模式不成熟，新型生产组织待构建
一说人机协同，很多人脑子里的画面是，一个机器人在旁边，给工人递一下工具或者零件。这种配合太初级了。它没有发挥出人和机器各自的优势。
真正的协同，应该是人和机器像一个团队的两个成员，互相配合，取长补-短。比如，在一项复杂的装配任务里，机器负责那些重复性的、需要大力气的活。人负责那些需要判断力、需要手眼协调的精细活。
但现在做不到。因为机器还不够“聪明”。它理解不了人的意图。工人快一点，它跟不上。工人换个顺序，它就蒙了。而且，从工人的角度看，他也很难完全信任一个机器“同事”。这就导致人和机器之间，始终有隔阂。
要实现深度的人机协同，光改进技术还不够，还要改变工厂的管理模式。我们需要建立一种新的生产组织方式。在这种方式里，人和机器的工作任务不是固定的，而是可以动态分配的。数据系统会根据当前的生产状况，实时决定下一个步骤由人来做，还是由机器来做效率更高。这需要整个生产流程变得更柔性、更透明。
供应链协同智能化推进难，且韧性不足
现在的竞争，早就不是一个公司单打独斗了。而是整条供应链和另一条供应链的竞争。你的反应速度，取决于链条上最慢的那个伙伴。但我们的供应链，整体的智能化水平还不够。
最大的障碍还是数据不通。一条供应链上，有原料供应商、零件制造商、总装厂、物流公司、经销商。每个环节都是一个信息孤岛。比如，汽车的销量突然大涨。等这个需求信号，层层传递到最上游的钢材厂时，可能已经过去一个月了。这时候钢材厂再开始增产，就来不及了。中间就会出现断货。
这就是供应链韧性不足的表现。它对突发事件的抵抗能力和恢复能力很弱。一场疫情、一次自然灾害，都可能让一条脆弱的供应链瞬间断裂。
理想的智能供应链是什么样的？链条上所有伙伴的数据都是实时共享的。经销商的库存数据、总装厂的生产计划、供应商的物料库存，都在一个平台上。用AI分析这些数据，就可以提前预测出哪个环节可能出问题，然后自动调整计划。比如，AI预测到A供应商下周可能交不了货，系统会自动寻找B供应商的产能，提前下单。这样整个链条就变得更“聪明”、更有弹性。
复合型人才缺口显著，数字技能与工艺知识脱节
说了这么多技术和模式上的问题，其实归根到底，都是人的问题。或者说，是缺人的问题。现在工厂里最缺的是一种“复合型人才”。这种人，既要懂生产现场的工艺，又要懂计算机和AI技术。
现实情况是，这两拨人互相听不懂对方说话。工厂里的老师傅傅，干了一辈子，对设备性能、产品工艺了如指掌。他知道哪个声音代表设备要出问题了，哪个温度最适合某个工序。但你让他把这些经验总结成数据和规律，他做不到。
另一边，从大学里出来的AI工程师，各种算法模型玩得很溜。但你把他扔到车间里，他可能连设备上的按钮是干嘛的都分不清。他看着数据报表上的一堆数字，不明白这些数字背后代表的物理意义。
这两者之间，存在一条巨大的鸿沟。报告里说，这种复合型人才的缺口，超过100万。而且这种人才不是靠学校上几门课就能培养出来的。他必须在工厂里，跟着数据和设备一起摸爬滚打好几年，才能成长起来。如果这个问题不解决，我们讨论的所有AI加制造，最后都可能只是纸上谈兵。
