一、工業(yè) AI 的數(shù)據(jù)保護(hù)與知識(shí)提取的難題

　　作者 : 在和一些企業(yè)的交流后，我感覺在工業(yè)領(lǐng)域里，大 家對(duì)于 AI 究竟如何落地很迫切的需求。但是，他們的顧慮在于 兩個(gè)方面，首先，AI 企業(yè)對(duì)于現(xiàn)場(chǎng)的了解匱乏，并且也缺乏相 應(yīng)的人才;其次，他們又不愿意將這些制造中的 Know-How 與 AI 企業(yè)分享。這個(gè)對(duì)于 AI 的推進(jìn)是個(gè)非?，F(xiàn)實(shí)的難題，您 如何看待并給出一些建議?

　　管震：這是個(gè)老大難問題，其實(shí)在工業(yè)互聯(lián)網(wǎng)時(shí)代就存在， 做設(shè)備的不懂現(xiàn)場(chǎng)，懂現(xiàn)場(chǎng)的不懂?dāng)?shù)據(jù)，懂 IT 的不懂工業(yè)， 2017 年我們提出來工業(yè)還是應(yīng)該回歸松耦合，讓專業(yè)的人做專 業(yè)的事情，但專業(yè)的事情做了以后呢?沒有人可以站在更高的 維度來看這些站在不同注意力(Attention)角度之上的平衡即 全局，而工業(yè)提效或者降本不僅要解決局部問題，更要講全局， 不僅是一家企業(yè)，價(jià)值鏈的延伸同樣如此。如果一家鏈主企業(yè) 把供應(yīng)鏈上的供應(yīng)商都逼到絕境，這家企業(yè)也不能獨(dú)善其身。

圖 -2024 年廣州自動(dòng)化展 , 與管老師中午小敘

　　工業(yè)互聯(lián)網(wǎng)時(shí)代沒有答案，有了 AI 之后就有了解答。如 果對(duì)這次大模型帶來的多注意力機(jī)制有了解就立刻能聯(lián)想到， 所以我們有以下幾點(diǎn)考量：

　　1. 全局視角與局部優(yōu)化的平衡難題

　　工業(yè)系統(tǒng)的復(fù)雜性在于“牽一發(fā)而動(dòng)全身”。過去工業(yè)互 聯(lián)網(wǎng)的嘗試常陷入“局部優(yōu)化陷阱”——設(shè)備供應(yīng)商只關(guān)心設(shè)備 效率，IT 企業(yè)聚焦數(shù)據(jù)管道，OT 團(tuán)隊(duì)守護(hù)產(chǎn)線穩(wěn)定，卻無人能 站在全價(jià)值鏈維度統(tǒng)籌鋼產(chǎn)量、庫存周轉(zhuǎn)、能耗成本的三角關(guān)系。

　　破局點(diǎn)在于 AI 的多注意力機(jī)制：大模型可同時(shí)關(guān)注設(shè)備 振動(dòng)信號(hào)、原材料批次質(zhì)量、訂單交付緊急度等多模態(tài)數(shù)據(jù)， 在動(dòng)態(tài)博弈中尋找帕累托最優(yōu)。例如通過引入智能體的調(diào)度模 型，將高爐煤氣利用率提升的同時(shí)，降低庫存積壓，一次干不好， 可以干兩次;兩次干不好，那就來一千次，可以是由模型來模擬， 也可以在實(shí)踐中讓智能體不斷自省，找到平衡點(diǎn)。

　　2. 制造業(yè)的 Know-How 至關(guān)重要

　　無論是工藝配方還是財(cái)務(wù)透明度都是不傳之秘，這些知識(shí) 基本上不存在與別人共享的可能，一定要尊重這一點(diǎn)，所以解 決問題需要從這個(gè)基礎(chǔ)開始，當(dāng)然到目前人工智能技術(shù)的發(fā)展 有三樣工具可以逐漸解開這一死結(jié)：

　　(1)第一工具：聯(lián)邦知識(shí)蒸餾

　　通過參數(shù)隔離技術(shù)，讓 AI 在不接觸原始數(shù)據(jù)的情況下學(xué) 習(xí)知識(shí)精華。如半導(dǎo)體企業(yè) A 的缺陷檢測(cè)模型，將其預(yù)測(cè)邏輯 蒸餾成輕量級(jí)規(guī)則注入企業(yè) B 的本地模型，實(shí)現(xiàn)知識(shí)遷移而不 泄露晶圓圖案細(xì)節(jié)。

　　(2)第二工具：因果推理增強(qiáng)

　　用因果鏈分析取代傳統(tǒng)關(guān)聯(lián)分析，讓 AI 理解“溫度提升導(dǎo) 致良率下降”的本質(zhì)是冷卻速率不足，而非簡單統(tǒng)計(jì)關(guān)聯(lián)，這 種多頭注意力機(jī)制的引入使企業(yè)可以跨設(shè)備、部門共享因果機(jī) 制而不是僅僅依賴某設(shè)備的具體參數(shù)。

　　(3)第三工具：數(shù)字契約

　　基于區(qū)塊鏈的智能合約，確保工藝參數(shù)的使用權(quán)與所有權(quán) 分離。例如化工企業(yè)將催化劑配方加密后上鏈，AI 企業(yè)調(diào)用時(shí) 需支付 Token 并獲得有限次數(shù)的計(jì)算權(quán)限，雖然這種基于區(qū)塊 鏈的。

　　果然是“術(shù)業(yè)有專攻”，這里提到的幾個(gè)點(diǎn)，的確可能會(huì) 是對(duì) AI 不大了解的朋友不清楚。原來也可以通過“知識(shí)蒸餾” 來實(shí)現(xiàn)“隔離”。并且提到的“因果推理增強(qiáng)”，這可以降低算 力需求且能更為實(shí)時(shí)的推理。數(shù)字契約也是一個(gè)很好的辦法。

　　二、AI 人才培養(yǎng)的三明治模型

　　人才不是即刻就能產(chǎn)生，人工智能從某種意義上發(fā)展太快 了，普遍意義上的制造業(yè)不能指望來多個(gè)人工智能人才來實(shí)現(xiàn)自 身的人工智能戰(zhàn)略，而且這個(gè)前提是制造業(yè)企業(yè)要知道自己的人 工智能戰(zhàn)略是什么。我們假設(shè)已經(jīng)知道 AI 戰(zhàn)略是什么了，那么 就可以按以下操作：

　　頂層：培養(yǎng) 3-5 名 AI 戰(zhàn)略架構(gòu)師，需同時(shí)理解精益生產(chǎn)與 機(jī)器學(xué)習(xí)特性，負(fù)責(zé)制定 AI 與業(yè)務(wù)融合的頂層邏輯。如果沒有， 可以先成立一個(gè) AI 實(shí)驗(yàn)室，負(fù)責(zé)引入合作伙伴來推動(dòng) AI 戰(zhàn)略的 規(guī)劃和實(shí)現(xiàn)。

　　中間層：通過低代碼 AI 平臺(tái)武裝工藝工程師，使其能自主 開發(fā)預(yù)測(cè)性維護(hù)等場(chǎng)景應(yīng)用。

　　基層：與職業(yè)院校共建工業(yè) AI 技工認(rèn)證體系，培養(yǎng)會(huì)操作 智能質(zhì)檢設(shè)備、能理解模型報(bào)警含義的新型藍(lán)領(lǐng)，未來懂 AI 能 力的產(chǎn)業(yè)工人比傳統(tǒng)產(chǎn)業(yè)工人的效率更高。

　　管老師預(yù)設(shè)的是“AI 戰(zhàn)略清晰”，其實(shí)，可能就是目前很多 企業(yè)發(fā)展 AI 的第一大難題。我們經(jīng)常說做正確的事，才能正確 地做事。對(duì)于制造業(yè)而言， 能夠清晰的認(rèn)識(shí)到 AI 與自身的“爆點(diǎn)” 在哪里，本身就是“AI 人才”的一種“前置能力”。很多企業(yè)對(duì) 于 AI 是模糊的—它是什么?它能干什么?它能在我這里干什么，

　　這件事情就很難。因此，可能制造業(yè)領(lǐng)域還是需要很多像管老師 這樣能夠在 AI 技術(shù)和產(chǎn)業(yè)之間建立橋梁的專家。

　　三、如何平衡 IT 與 OT 的碰撞

　　作者：從事 IT 和 OT 的人思考問題是不一樣的，在我看來 其實(shí)是兩個(gè)方向，一個(gè)是自上而下，一個(gè)是自下而上。前者從 全局看局部，但有可能你的全局未考慮現(xiàn)實(shí)的局部而無法推進(jìn)， 后者從問題來反推，但有可能解決了局部但缺乏全局的問題解 決。如何在這兩者間形成平衡?

　　管震：人的思維有死角、有成見，但理論上 AI 不會(huì)，所以第一是建立起多級(jí) Agent 驅(qū)動(dòng)的企業(yè)運(yùn)營管理模型，第二是 讓這些 Agent 都具備快速反省的能力，讓他們?cè)趯?shí)踐中動(dòng)態(tài)調(diào) 整策略。IT 與 OT 的沖突本質(zhì)是確定性系統(tǒng)與不確定性系統(tǒng)的 碰撞。OT 要求 99.99% 穩(wěn)定，IT 追求敏捷迭代。平衡二者需構(gòu) 建“雙環(huán)學(xué)習(xí)”體系：

　　第一環(huán)：Agent 驅(qū)動(dòng)的實(shí)時(shí)決策層

　　1、在邊緣側(cè)部署物理信息 Agent，直接連接 PLC 與傳感器， 執(zhí)行毫秒級(jí)控制(如緊急停機(jī))。

　　2、在車間級(jí)部署資源優(yōu)化 Agent，將 IT 和 OT 系統(tǒng)、數(shù) 據(jù)連接起來，協(xié)調(diào)多產(chǎn)線資源分配。

　　3、在供應(yīng)鏈級(jí)別設(shè)計(jì)博弈優(yōu)化 Agent，將局部和全局統(tǒng) 籌起來，并在模擬和實(shí)踐中獲得其優(yōu)化路徑。

　　第二環(huán)：因果反事實(shí)推理層

　　工業(yè)知識(shí)的價(jià)值不在于靜態(tài)存儲(chǔ)，而在于動(dòng)態(tài)演化與主動(dòng) 創(chuàng)造。真正的知識(shí)工場(chǎng)需要實(shí)現(xiàn)“數(shù)據(jù) →知識(shí) →決策 →驗(yàn)證” 的閉環(huán)。原來這一環(huán)節(jié)都是依賴?yán)蠋煾档慕?jīng)驗(yàn)，但在 AI 背景下， 這個(gè)閉環(huán)可以通過事實(shí)推理和因果算法來推導(dǎo)關(guān)鍵路徑權(quán)重， 更科學(xué)地沉淀企業(yè)的 Know-How

　　1、當(dāng)出現(xiàn)異常(如某批次產(chǎn)品硬度超標(biāo)) ，系統(tǒng)不僅定 位直接原因(淬火時(shí)間不足) ，更能模擬“如果當(dāng)時(shí)延長回火 時(shí)間會(huì)怎樣”，通過反事實(shí)推演優(yōu)化工藝知識(shí)庫。

　　2、知識(shí)庫很重要，我更愿意叫知識(shí)工場(chǎng)，不僅僅是找個(gè) 大模型把一堆文檔丟進(jìn)去，然后可以聊天，而是要保證這個(gè)知 識(shí)工場(chǎng)能不斷更新、接入實(shí)時(shí)的數(shù)據(jù)、把不同的數(shù)據(jù)源、知識(shí) 整合起來，當(dāng)每個(gè)生產(chǎn)異常、每次改進(jìn)都能觸發(fā)數(shù)百次數(shù)千次 虛擬世界的“如果當(dāng)時(shí)…”，工業(yè)就真正進(jìn)入了用計(jì)算創(chuàng)造知識(shí) 的時(shí)代。

　　四、制造企業(yè)的 AI 戰(zhàn)略制定建議

　　作者 : 能力在任何時(shí)候都是關(guān)鍵，不管是企業(yè)的整體能力，還是團(tuán)隊(duì)中的個(gè)體能力—那么，對(duì)于推進(jìn) AI 項(xiàng)目，企業(yè)應(yīng)該有 怎么樣的能力培養(yǎng)或者團(tuán)隊(duì)建設(shè)?是否需要借助于外力來進(jìn)行 這項(xiàng)工作?

　　管震：工業(yè) AI 的落地不是“買一個(gè)模型就能用”的簡單任 務(wù)，而是需要企業(yè)從戰(zhàn)略認(rèn)知、組織能力到技術(shù)儲(chǔ)備的全面升級(jí)。 這就像攀登珠峰，既需要清晰的路線圖，也需要專業(yè)的向?qū)Ш?扎實(shí)的訓(xùn)練。以下是企業(yè)能力建設(shè)的“三步走”策略：

　　第一步：明確 AI 能力建設(shè)的“金字塔”模型

　　1. 頂層：戰(zhàn)略決策能力

　　(1)核心目標(biāo)：讓管理層理解 AI 的邊界與價(jià)值，避免“AI 萬能論”或“AI 無用論”的極端認(rèn)知。

　　(2)培養(yǎng)方式：

　　·組織高管參加工業(yè) AI 戰(zhàn)略工作坊，通過案例拆解理解 AI 如何創(chuàng)造業(yè)務(wù)價(jià)值，高管的認(rèn)知和經(jīng)驗(yàn)投入是企業(yè) AI 戰(zhàn)略的重 要起點(diǎn)。

引入 AI 成熟度評(píng)估模型，幫助企業(yè)定位當(dāng)前階段(如 L1

　　數(shù)據(jù)采集→ L5 全流程優(yōu)化)，制定 3-5 年 AI 路線圖。

　　2. 中層：業(yè)務(wù)融合能力

　　(1)核心目標(biāo)：讓業(yè)務(wù)骨干(如生產(chǎn)經(jīng)理、工藝工程師) 具備“用 AI 思維解決問題”的能力。

　　(2)培養(yǎng)方式：

　　·開展 AI+ 精益生產(chǎn)雙軌培訓(xùn)，教會(huì)工程師如何將六西格瑪 問題轉(zhuǎn)化為機(jī)器學(xué)習(xí)任務(wù)。

　　·開發(fā)或者引入低代碼 AI 工具鏈，讓業(yè)務(wù)人員能自主完成 80% 的常規(guī)分析任務(wù)(如設(shè)備健康度評(píng)分、質(zhì)量異常分類)。

　　3. 基層：數(shù)據(jù)操作能力

　　(1)核心目標(biāo)：讓一線員工(如設(shè)備操作員、質(zhì)檢員) 掌握 AI 工具的基本操作與反饋機(jī)制。

　　(2)培養(yǎng)方式：

　　·設(shè)計(jì) AI 技能認(rèn)證體系，覆蓋數(shù)據(jù)標(biāo)注、模型報(bào)警響應(yīng)等 實(shí)用技能。

　　·與學(xué)校合作，培養(yǎng)下一代產(chǎn)業(yè)員工。

　　第二步：構(gòu)建“內(nèi)功 + 外力”的雙輪驅(qū)動(dòng)模式

　　1. 內(nèi)功修煉：打造 AI 核心團(tuán)隊(duì)

　　(1)團(tuán)隊(duì)構(gòu)成：

　　·AI 架構(gòu)師(1-2 人)：負(fù)責(zé)技術(shù)選型與系統(tǒng)集成。

        數(shù)據(jù)科學(xué)家(2-3 人)：專注特征工程與模型優(yōu)化。

      業(yè)務(wù)翻譯官(3-5 人) ：由資深工藝工程師轉(zhuǎn)型，負(fù)責(zé)需

　　求對(duì)齊與結(jié)果驗(yàn)證。

　　(2)培養(yǎng)路徑：

　　·與高校共建 AI 人才實(shí)訓(xùn)基地，定向培養(yǎng)復(fù)合型人才。

·設(shè)立 AI 創(chuàng)新實(shí)驗(yàn)室，鼓勵(lì)團(tuán)隊(duì)通過橫向合作或者內(nèi)部創(chuàng) 業(yè)機(jī)制孵化 AI 應(yīng)用。

　　2. 外力借勢(shì)：引入生態(tài)合作伙伴

　　(1)短期合作：

　　·聘請(qǐng) AI 咨詢顧問，快速完成 20-30 個(gè)痛點(diǎn)場(chǎng)景的可行性 評(píng)估。

　　·與智用開物這樣的機(jī)構(gòu)合作，搭建工業(yè)級(jí) AI PaaS 平臺(tái)， 降低技術(shù)門檻。

　　(2)長期合作：

　　·加入行業(yè) AI 聯(lián)盟，通過貢獻(xiàn)脫敏數(shù)據(jù)換取模型微調(diào)權(quán)益。

　　·與科研院所共建聯(lián)合實(shí)驗(yàn)室，攻關(guān)數(shù)字孿生、因果推理等 前沿技術(shù)。

　　第三步：建立能力建設(shè)的“飛輪效應(yīng)”

　　1. 從試點(diǎn)到推廣

選擇 1-2 個(gè)高價(jià)值場(chǎng)景(如預(yù)測(cè)性維護(hù)、智能排產(chǎn))啟

　　動(dòng)試點(diǎn)，確保 6 個(gè)月內(nèi)可見成效。

　　·將試點(diǎn)成果轉(zhuǎn)化為標(biāo)準(zhǔn)化解決方案，逐步復(fù)制到其他產(chǎn)線 或工廠。

　　2. 從工具到文化

　　·通過 AI 創(chuàng)新大賽、最佳實(shí)踐分享會(huì)等活動(dòng)，營造全員參 與的創(chuàng)新氛圍。

　　·設(shè)立 AI 貢獻(xiàn)獎(jiǎng)勵(lì)機(jī)制，對(duì)提出優(yōu)質(zhì)問題或貢獻(xiàn)關(guān)鍵數(shù)據(jù) 的員工給予激勵(lì)。

　　3. 從項(xiàng)目到平臺(tái)

　　·將分散的 AI 能力沉淀為企業(yè) AI 中臺(tái)，提供統(tǒng)一的數(shù)據(jù)管 理、模型訓(xùn)練 l 與部署服務(wù)。

　　·通過 API 開放能力，賦能供應(yīng)鏈上下游，構(gòu)建 AI 驅(qū)動(dòng)的 產(chǎn)業(yè)生態(tài)。

　　這的確是非常實(shí)用的 AI 戰(zhàn)略發(fā)展建議，全面、務(wù)實(shí)，且 具有實(shí)際操作性。個(gè)人感覺這是比較完整、穩(wěn)妥的一個(gè)企業(yè) AI 發(fā)展路徑建議。其實(shí)，很多企業(yè)的領(lǐng)導(dǎo)，只需要看這一段，可 能就會(huì)有了全景的認(rèn)識(shí)。

　　五、結(jié)語

　　工業(yè) AI 的落地不是一蹴而就，而是需要企業(yè)在戰(zhàn)略上堅(jiān)定、 組織上協(xié)同、技術(shù)上務(wù)實(shí)。通過“內(nèi)功修煉 + 外力借勢(shì)”的雙 輪驅(qū)動(dòng)，企業(yè)不僅能解決眼前的效率問題，更能構(gòu)建面向未來 的核心競(jìng)爭力。AI 不是終點(diǎn)，而是企業(yè)邁向智能制造的新起點(diǎn)。