如何把老师傅经验，变成可验收的AI系统

一家工厂要做 AI，最常听到的一句话是：“我们最大的资产，都在老师傅脑子里。”

这句话没错，但很容易把项目带偏。有人会先录访谈、建知识库，再让大模型回答“这个参数应该怎么调”。演示时，答案听起来像行家；到了生产线，工艺人员却不敢按它操作。原因很直接：老师傅说的“火候到了”“这批料偏软”“这个声音不对”，其实是对原料、设备、环境、过程变化和历史异常的综合判断。

企业真正要交付的，应是一套能在明确边界内给建议、能解释依据、能被人工接管、还能用业务结果验收的生产系统，而不只是一个会模仿老师傅说话的模型。

最近整理 AI 制造案例时，我发现四个看似差异很大的项目，恰好拼出了一条完整路径：国药太极涪陵制药厂把定性工艺翻译成数字标准；美菱让视觉与声纹进入质量判断；鞍钢把人工配煤变成受质量约束的优化问题；一家匿名化的电子制造企业 GM，则把分散的能源与设备数据纳入统一运营闭环。

四个案例对应四个交付问题

四个案例分别对应工艺数据、质量约束、安全边界和效果验收四个交付问题。图：FDE中国社区自制

第一步：不要先问“老师傅知道什么”，先问“他在什么条件下做什么决定”

隐性经验难以数字化，症结通常在于团队只记录了结论，没有记录结论成立的上下文。

国药太极涪陵制药厂是一个很典型的例子。传统中药生产长期依赖人工经验和定性控制，同时又要兼顾大批量、小批量与定制化需求。世界经济论坛在 2026 年公布的灯塔工厂材料中提到，该工厂部署了 30 多项先进解决方案，其中包括“数字化炒制标准”和质量标志物分析。最终，批次间质量波动降低 33%，OEE 提升 13%，生产成本降低 10%，关键隐性知识也被数字化沉淀。

这里最值得借鉴的是把经验拆成可以稳定采集和关联的数据对象，而不止于“把炒药经验写成文档”：这一批原料是什么状态，处于哪个工序，设备当时的温度、转速和负载如何，操作员做了什么调整，最终质量指标怎样。国药太极公开材料还显示，其生产体系持续推进 DCS、LIMS、QMS、质量数据分析平台与追溯系统建设。这说明经验数字化的底座，仍然是批次、工艺、设备与质量数据的贯通。

把经验拆成可学习的数据对象

一句经验必须落到“条件—动作—结果”的可追溯记录上。图：FDE中国社区自制

因此，FDE 进入现场后，第一张表不该是“AI 功能清单”，而应该是工艺决策数据字典。至少要回答六个问题：决策对象是什么；决策发生在哪个时间点；当时可见的输入有哪些；允许采取哪些动作；结果要经过多久才出现；哪些异常会让这条经验失效。

如果历史系统只存了最终参数，没有保存调整前的工况和操作原因，模型学到的往往只是相关性。这样的数据可以做趋势提示，却不足以直接控制设备。项目需要补采日志、对齐时间戳、统一批次主键，并请老师傅为异常样本补充“为什么”。这一步看起来不像 AI，却决定了后面的模型究竟是在复现有效经验，还是在放大历史噪声。

第二步：把质量从训练标签升级为优化问题的硬约束

制造现场很少只有一个目标。降低成本、提高产量、减少能耗都很重要，但前提是产品质量和工艺合规不能被破坏。把质量仅仅做成一个预测分数，再让模型追求成本最优，风险会非常高。

案例 105 中，鞍钢的人工配煤依赖资深配煤师，经验传承时间长，方案质量也可能随人员状态波动。案例材料给出的方案，是基于原料煤、工艺工况、焦炭和运营数据，结合机理与数据模型预测焦炭质量，再生成配比建议。华为云公开的智能配煤方案也采用了相同的数据链路，并强调在保证焦炭质量的前提下优化成本；其公开结果包括平均配合煤成本降低 5 元以上、方案输出从 1—2 天缩短到 1—2 分钟、焦炭质量预测准确率从 90% 提升到 95% 以上。

炼焦配煤本身也有明确的行业规范。全国标准信息公共服务平台公开的 YB/T 4868—2020，覆盖配煤原则、生产工艺、目标焦炭质量、原料煤评价、配煤方案、炼焦实验和方案实施。对 AI 项目而言，这类规范不应该只放在知识库里供模型“参考”，而应被翻译成确定性的约束、校验规则与审批条件。

质量约束必须包在模型外层

优化算法负责寻找候选方案，规则、机理、权限和人工审批共同决定方案能否执行。图：FDE中国社区自制

一个可上线的配煤优化器，输出的不应只有“推荐配比”，还要同时返回预测质量、约束余量、关键影响因素、数据完整性和适用范围。当某个煤种缺少关键指标、设备状态异常或预测落在训练样本之外时，系统应拒绝自动建议，进入人工队列。能够拒绝回答，是工业 AI 必须具备的能力。

第三步：安全边界要写进系统，不要只写进培训材料

案例 95 里的美菱，展示了另一类“老师傅经验”：有些经验来自视觉和听觉。案例材料记录，生产现场约 65dB 的噪声会干扰人工判断，项目使用视觉检测、声纹识别和时序模型辅助发现装配、外观和噪声异常；另一个运营报告场景把原来约 5 小时的整理工作缩短到约 1 分钟。长虹官网此前公开的美菱制造数据也显示，其通过 APS、MES、数据中台和智能设备形成生产数据库，产品一次检出率提高 32%，生产效率提高 25%，动态检测一次成功率提高 20%。

这些能力的风险等级并不相同。自动生成设备运营报告，错了可以复核；漏掉一个质量缺陷，可能形成批量返工；如果模型直接改写发泡、温度或设备控制参数，风险又会上升一个等级。项目不能用同一套“准确率达到多少即可上线”的标准处理所有动作。

我更建议把自动化分为四级：只读分析、生成建议、人工确认后执行、闭环自动执行。每升一级，都要增加更严格的权限、联锁、回滚和运行监控。视觉或声纹结果低于置信度门槛时进入复检；涉及关键质量特性的参数调整必须由工艺负责人确认；数据延迟、传感器漂移、模型服务不可用时，系统退回原有 SOP，并保留完整操作记录。

NIST 的 AI 风险管理框架同样强调，AI 系统需要在上线前和运行中持续测试，明确人与 AI 的监督责任，记录模型适用范围，并验证系统能在超出知识边界时安全失败。对制造业来说，“安全失败”可以落到非常具体的设计：不下发、不中断原 PLC 联锁、不绕过既有审批、保留一键回退，并且让异常告警抵达真正有处置权限的人。

生产系统需要闭环与回退

AI 只占闭环中的一段，执行权、责任链和回退路径必须独立存在。图：FDE中国社区自制

第四步：验收不能只看模型分数，要看系统有没有改变生产结果

案例 145 是一家以“GM”代称的匿名化电子制造企业，不能据此理解为通用汽车。它面临的核心问题跨越十多个工厂：厂务子系统孤立运行，能耗归集不清，运维依赖大量人工。案例材料给出的结果包括综合能耗降低 10%、综合成本减少 6%、运维效率提升 20%。这些数字适合说明价值方向，但在正式验收时仍要补齐基线周期、产量变化、能源价格和工艺切换等口径，否则项目很难区分“模型贡献”和外部因素。

这也是制造 AI 最常见的验收误区：PoC 用历史数据算出 95% 的准确率，项目就宣布成功。到了生产环境，班组不采纳建议、接口经常超时、旺季工况漂移、节省金额无法被财务确认，技术指标与业务价值之间仍隔着一整条交付链路。

一套更稳妥的验收表，应同时包含五层指标。

第一层是数据：关键字段完整率、时间戳对齐率、批次可追溯率和异常数据发现时延。第二层是模型：在正常、边界、异常和不可执行样本上的误差、召回率、置信度校准与拒答表现。第三层是约束：质量与安全规则违反次数必须为零，高风险动作必须经过授权。第四层是流程：建议采纳率、人工复核时间、接口可用性、回退成功率和告警响应时间。第五层才是价值：质量波动、一次合格率、单位能耗、单位成本、OEE 与人工工时相对基线的变化。

一张可签字的五层验收表

模型指标只是第二层；没有数据、约束、流程与价值指标，项目仍不可验收。图：FDE中国社区自制

这五层指标还要绑定责任人。数据问题由谁修，模型退化由谁判断，工艺越界由谁叫停，节省金额由谁确认，都应在 PoC 开始前写进验收方案。ISO/IEC 42001 把 AI 管理描述为持续建立、实施、维护和改进的管理体系；它给制造项目的提醒很实际：风险、责任、监控和变更不能等上线后再补。

一个可执行的 PoC：四周不求自动控制，先证明“建议闭环”

如果今天要启动一个“老师傅经验数字化”项目，我会把第一阶段收敛为一个可输入、可输出、可验收的决策动作，而不是建设一个包罗万象的“工艺大模型”。例如：针对某一产品、某一工序和某类异常，在十分钟内给出三组不越界的参数候选，并由工艺工程师确认其中一组。

第一周，确定业务动作、基线、数据字段、质量红线和验收人，形成数据字典与规则清单。第二周，用历史正常样本、困难样本、异常样本和不可执行样本完成离线盲测，重点观察模型什么时候应该拒答。第三周，把建议接入现有工作台，保持人工确认，不直接连接控制系统，记录采纳、修改和驳回原因。第四周，在限定产品和班组中试运行，核对质量、节拍、能耗和人工工时，同时演练服务中断、数据缺失和一键回退。

四周PoC的验收门禁

PoC 应以一份可以决定继续、整改或停止的证据包收尾。图：FDE中国社区自制

四周结束后，交付团队至少应留下五项可复用资产：工艺数据字典、质量与安全规则库、固定评测集、异常与回退流程、价值基线和运营台账。模型可以换，平台可以升级，这五项资产才是企业继续扩展场景的基础。

老师傅不会被“录入”系统，他会成为系统的共同设计者

把经验变成 AI，并不意味着把老师傅的判断权一次性交给模型。更现实的路径，是先让经验能够被观察、比较和复盘，再让模型在边界内扩大人的覆盖范围。

太极案例说明，经验必须先落到批次、工艺与质量数据；美菱案例说明，人的感官判断可以被视觉、声纹和时序信号增强；鞍钢案例说明，优化必须把质量标准写成硬约束；GM 案例说明，最终价值要回到跨系统运营数据和统一口径。四个案例共同指向一件事：工业 AI 的核心产品，是“数据—建议—审批—执行—反馈—验收”的责任系统，模型只是其中一段。

对 FDE 来说，这也意味着工作边界必须从“把模型跑起来”向两端延伸：向前走到现场，把模糊经验拆成数据与规则；向后走到生产运营，让效果能够被工艺、质量、安全和财务共同确认。

模型会越来越强，但制造企业真正愿意签字验收的，永远是一套知道自己能做什么、不能做什么，出了问题还能被人接住的系统。

如果你正在做企业 AI 落地，欢迎关注 FDE前线。后续我们会继续拆解 PoC、Evaluation、安全边界和 Production 交付的真实方法。

参考资料

1. New Global Lighthouse Sites Demonstrate How AI Is Rewiring Manufacturing and Supply Chains

• 来源：World Economic Forum
• 发布时间：2026-06
• URL：https://www.weforum.org/press/2026/06/new-global-lighthouse-sites-demonstrate-how-ai-is-rewiring-manufacturing-and-supply-chains/
• 核心信息：太极集团重庆涪陵制药厂部署30多项先进方案，包括数字化炒制标准与质量标志物分析；批次质量波动降低33%、OEE提升13%、生产成本降低10%。

2. 收官“十四五”｜国药太极：创新驱动产业升级 责任书写健康华章

• 来源：中国医药集团有限公司官网
• 发布时间：2026-01-04
• URL：https://www.sinopharm.com/2026-01/04/c_20393.htm
• 核心信息：太极生产体系的DCS、LIMS、QMS、质量数据分析平台、追溯与智能制造基础。

3. 三箭齐发三线并举 美菱40更新鲜

• 来源：四川长虹电子控股集团有限公司官网
• 发布时间：2023-05-18
• URL：https://group.changhong.com/xwzx_255/mtbd/202305/t20230518_323446.html
• 核心信息：美菱通过APS、MES、数据中台和智能设备构建制造数据库；公开一次检出率、生产效率与动态检测成功率等指标。

4. 智慧配煤，降本提质增效

• 来源：华为云客户案例
• 发布时间：页面未标注
• URL：https://www.huaweicloud.com/cases/agbyq.html
• 核心信息：智能配煤使用原料煤、工艺工况、焦炭和运营数据，结合机理与数据模型完成质量预测和配比优化；公开平均成本、方案时间与预测准确率结果。

5. YB/T 4868—2020《炼焦配煤优化技术规范》

• 来源：全国标准信息公共服务平台
• 发布时间：2020-12-09
• URL：https://std.samr.gov.cn/hb/search/stdHBDetailed?id=B783196B196BA04CE05397BE0A0A5803
• 核心信息：规范覆盖配煤原则、工艺流程、目标焦炭质量、原料煤评价、配煤方案、炼焦实验与方案实施。

6. AI Risk Management Framework Core

• 来源：National Institute of Standards and Technology
• 发布时间：基于AI RMF 1.0（2023），页面持续更新
• URL：https://airc.nist.gov/airmf-resources/airmf/5-sec-core/
• 核心信息：AI风险管理应贯穿生命周期；明确人机监督责任；上线前与运行中持续评测；验证安全失败、监控、响应与回退能力。

7. ISO/IEC 42001:2023 — AI management systems

• 来源：International Organization for Standardization
• 发布时间：2023-12
• URL：https://www.iso.org/standard/42001
• 核心信息：建立、实施、维护与持续改进AI管理体系，覆盖风险、责任、透明度、可靠性和持续治理。

8. 企业AI落地案例45：国药太极涪陵制药厂

• 来源：FDE企业AI转型案例库本地材料
• 发布时间：2026-09-08
• URL：https://articles.zsxq.com/id_b7dlbs41w04i.html
• 核心信息：案例结构、技术模块、工艺数据与结果指标。

9. 企业AI落地案例95：美菱

• 来源：FDE企业AI转型案例库本地材料
• 发布时间：2026-09-09
• URL：案例库本地材料
• 核心信息：视觉、声纹、时序模型及运营报告场景；具体数字按案例材料表述。

10. 企业AI落地案例105：鞍钢集团

• 来源：FDE企业AI转型案例库本地材料
• 发布时间：2026-09-09
• URL：https://articles.zsxq.com/id_osc9ja5cgouq.html
• 核心信息：人工配煤问题、ModelArts集成、质量约束与成本优化方向。

11. 企业AI落地案例145：GM（匿名化企业）

• 来源：FDE企业AI转型案例库本地材料
• 发布时间：2026-09-09
• URL：https://articles.zsxq.com/id_w4fwf8nodu4n.html
• 核心信息：跨工厂能源与设备数据孤岛、能耗和运维结果；正文明确匿名与口径边界。