海天味业：从经验酿造到 AI 赋能的全链路升级

案例定位：面向AI项目审计、PoC设计、方案复用与交付复盘的结构化案例。
事实边界：本文仅把材料中明确披露的内容视为案例事实；PoC门槛与实施步骤属于FDE交付建议。

二、案例基本信息

三、30秒案例摘要

海天味业围绕工艺优化与能源管理开展AI能力建设。案例所对应的核心矛盾是：在酱油、蚝油等发酵型食品制造中，海天长期依赖人工经验、温湿度感知与师傅工艺判断。方案侧的关键做法是：面对更大规模、更高一致性、更高食品安全要求，海天在 2020–2025 年逐步构建了一套“原料—制曲—发酵—灌装—质检”全链路的 AI 化智能制造体系。当前材料可确认的结果为：海天自主研发的“AI 豆脸”系统可对每一颗黄豆进行视觉识别，实现数万亿颗级别的全量筛查，大幅提升原料稳定性，减少发酵阶段的质量波动。

从FDE交付视角，这类项目不应直接以“大模型上线”作为目标，而应把利用生产与质量数据优化工艺参数，在约束内降低能耗或成本定义为可评价任务。建议先以覆盖不同原料、工况、季节与质量结果的 3—12 个月历史数据建立测试集，以单位能耗/成本、一次合格率、质量波动为核心指标，通过PoC后再进入系统集成与生产化。

四、企业背景与项目起因

4.1 企业与业务背景

已披露事实

• 佛山市海天（高明）调味食品有限公司是海天味业旗下核心生产基地，被行业视为“传统酿造工业向智能制造跨越”的标杆工厂。
• 海天高明工厂是全球传统食品酿造行业中最具代表性的“AI 工艺智能化”案例之一。
• 海天高明工厂的实践展示了传统发酵食品行业在数字化、智能化浪潮中的转型范式：以 AI 为核心，将“黑箱经验工艺”重构为透明、可控、可复制的生产系统。

4.2 项目发起原因

已披露或可直接识别的问题

• 在酱油、蚝油等发酵型食品制造中，海天长期依赖人工经验、温湿度感知与师傅工艺判断。
• 酿造是一个高度依赖“经验”的传统制造业，痛点集中在四类：。
• 传统依赖人工巡检，问题发现滞后。
• 它把原本依赖师傅经验的黑箱工艺变成全链路可测、可控、可预测的数字系统——AI 豆脸负责输入质量、工艺模型负责过程控制、电子鼻负责风味智能判断，形成“原料 → 工艺 → 质量”的闭环。

FDE补充判断

项目边界应收敛到“利用生产与质量数据优化工艺参数，在约束内降低能耗或成本”，并在启动会中确认业务负责人、真实使用者、数据负责人和最终验收人。若无法确认这四类角色，项目容易停留在演示层。

五、原始流程与核心问题

5.1 AI介入前的工作流程

以下流程为基于场景的FDE复盘推断，必须在客户访谈和跟岗观察中确认。

采集原料与工况 → 工艺人员凭经验设参 → 生产执行 → 质量检测 → 事后调整。

5.2 核心问题

5.3 项目前基线

六、场景选择与价值判断

6.1 候选场景

6.2 选择原因

第一阶段建议选择“工艺优化与能源管理”，因为任务边界可以被定义，输入与输出可以形成测试样本，并能通过单位能耗/成本、一次合格率评价。上线初期保留人工审核和异常兜底，可以在控制业务风险的前提下验证价值。

6.3 核心验证假设

如果使用计算机视觉 + IoT与边缘采集组合方案完成“利用生产与质量数据优化工艺参数，在约束内降低能耗或成本”，预计能够让单位能耗/成本和一次合格率达到双方约定目标，同时把高风险异常控制在人工审核与可回滚范围内。

七、AI解决方案设计

7.1 方案概述

• 面对更大规模、更高一致性、更高食品安全要求，海天在 2020–2025 年逐步构建了一套“原料—制曲—发酵—灌装—质检”全链路的 AI 化智能制造体系。
• 海天自主研发的“AI 豆脸”系统可对每一颗黄豆进行视觉识别，实现数万亿颗级别的全量筛查，大幅提升原料稳定性，减少发酵阶段的质量波动。
• 制曲、发酵等核心工序部署多类传感器，实现温湿度、原料状态和微生物环境的数据点位实时监测。
• 海天通过建立数据驱动的工艺曲线，构建了完整的“智能酿造控制体系”。

建议的任务链路为：业务系统或工作台发起任务 → 数据与权限校验 → AI识别、检索、预测或优化 → 规则校验 → 返回建议/执行动作 → 人工确认高风险结果 → 结果写回与日志留存。

7.2 系统组成

7.3 核心业务对象

1. 原料：需要定义唯一标识、关键属性、状态和与其他对象的关系。
2. 配方/参数：需要定义唯一标识、关键属性、状态和与其他对象的关系。
3. 设备：需要定义唯一标识、关键属性、状态和与其他对象的关系。
4. 工况：需要定义唯一标识、关键属性、状态和与其他对象的关系。
5. 质量指标：需要定义唯一标识、关键属性、状态和与其他对象的关系。
6. 能耗：需要定义唯一标识、关键属性、状态和与其他对象的关系。
7. 批次：需要定义唯一标识、关键属性、状态和与其他对象的关系。

7.4 AI与人的分工

7.5 技术选型说明

• 材料可识别技术：计算机视觉、IoT与边缘采集。
• 选型原则：先选择能验证核心假设的最简单路径，再根据准确率、成本、时延和部署约束升级。
• Agent或工作流：只有任务涉及多步判断、工具调用或状态管理时才使用Agent；稳定规则优先交给确定性工作流。
• 知识库/RAG：涉及企业知识时必须提供引用、版本和权限过滤；无知识检索需求时不强行使用。
• 部署方式：由数据敏感度、时延、并发、可运维性和企业基础设施共同决定，材料未披露最终选择。

八、项目交付过程

8.1 第一阶段：需求调研（Audit）

材料未披露访谈岗位、跟岗次数和需求变化记录。正式交付时，FDE应分别访谈战略层、运营层和执行层，并至少跟随真实用户完成3次端到端任务。调研输出应包括As-Is流程、痛点优先级、干系人、项目边界和成功标准。

8.2 第二阶段：数据与知识准备

材料中的数据线索

• 制曲、发酵等核心工序部署多类传感器，实现温湿度、原料状态和微生物环境的数据点位实时监测。
• 海天通过建立数据驱动的工艺曲线，构建了完整的“智能酿造控制体系”。
• 制曲、发酵过程往往涉及温湿度、微生物活性、营养成分变化等多变量耦合，传统靠“老师傅感官 + 经验”，数据化不足、难以规模复制。
• 质检员 → 数据质控员：利用 AI 电子鼻、视觉检测数据做更高维度的质量判断。

数据准备需执行4C检查：完整性、口径一致性、准确性与时效性；敏感字段先脱敏，再划分训练集、验证集、盲测集和异常集。业务专家负责确认标签与知识版本。

8.3 第三阶段：PoC验证（Evals）

8.4 第四阶段：开发与迭代

交付范围应覆盖数据管道、AI能力、工作流、接口、权限、异常处理、日志、监控和用户界面。材料可识别的技术包括计算机视觉、IoT与边缘采集。材料没有系统披露首版问题、根因和迭代前后指标，因此不能把推荐方案写成已经发生的项目事实。

建议至少保留一次完整迭代记录：问题现象 → 根因 → 调整内容 → 回归测试集 → 指标变化 → 是否进入下一阶段。

8.5 第五阶段：试运行与上线（Deployment）

当前阶段判断：生产运行/规模化（材料披露）。若进入生产，建议先选择3—5名真实用户和5—10个典型任务开展UAT，再按小流量、部门级、全量三个阶段灰度。上线前必须确认人工兜底、回滚、告警、用户培训与知识运营责任人。

九、项目结果与价值验证

9.1 核心结果

材料披露的结果（对外引用前需复核原始台账）

• 海天自主研发的“AI 豆脸”系统可对每一颗黄豆进行视觉识别，实现数万亿颗级别的全量筛查，大幅提升原料稳定性，减少发酵阶段的质量波动。
• 年检测量达 2.5 万亿颗，原料稳定性显著提升，有效降低发酵不均匀导致的蛋白损失与风味偏差。
• 灌装生产线引入 AI 视觉检测与智能调控系统，实现高速瓶装过程的精准灌装与实时质量监测，降低灌装偏差与物料损耗，显著提升整体生产效率。
• 使酿造过程更加稳定可控，减少对资深酿造师经验的依赖。

9.2 价值分类

• 已披露价值：海天自主研发的“AI 豆脸”系统可对每一颗黄豆进行视觉识别，实现数万亿颗级别的全量筛查，大幅提升原料稳定性，减少发酵阶段的质量波动。
• 初步价值：AI有机会减少重复劳动、缩短任务周期并提升判断一致性，但需通过真实用户试运行验证。
• 预期价值：若PoC与UAT达标，可进一步扩展到“质量预测与闭环控制”；该项属于规划，不是已验证成果。

9.3 投入产出

建议按以下公式建立项目账：年度价值 = 效率节省 + 质量损失减少 + 经营增益；年度成本 = 建设投入 + 集成投入 + 模型/算力成本 + 知识运营与运维成本。ROI与回收周期只有在基线、运行周期和成本口径完整时才计算，当前材料不足以给出可靠数值。

十、问题、失败与关键迭代

10.1 已披露问题

• 在酱油、蚝油等发酵型食品制造中，海天长期依赖人工经验、温湿度感知与师傅工艺判断。
• 酿造是一个高度依赖“经验”的传统制造业，痛点集中在四类：。
• 传统依赖人工巡检，问题发现滞后。

10.2 交付风险卡（需验证，不代表已经发生）

风险1：历史数据存在偏差且缺乏实验覆盖

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险2：模型建议越出工艺安全边界

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

风险3：环境变化造成效果衰减

• 问题现象：待PoC和试运行观察。
• 根本原因：需通过数据分析、用户访谈和日志定位。
• 影响范围：可能影响准确率、使用率、稳定性或合规。
• 缓解方式：建立专项测试集、人工兜底、监控告警和回归验证。
• 关闭标准：风险指标达到双方约定门槛并连续稳定运行。

十一、安全与生产化机制

数据安全

• 盘点原料、配方/参数、设备、工况、质量指标、能耗、批次中的个人信息、经营数据、工艺参数和知识产权。
• 训练、测试与日志数据按最小必要原则脱敏；明确外部模型是否留存数据。
• 权限继承业务系统，检索、查看、生成与执行分别授权。

AI安全

• 输出附置信度、依据或引用；低置信度和无答案任务拒答或转人工。
• 高风险动作必须人工确认，工具调用采用白名单、参数校验和最小权限。
• 建立模型、Prompt、知识和工作流版本管理，支持一键回滚。

持续运营

• 每周复盘错误样本，每月回归核心测试集，并监控单位能耗/成本、一次合格率、质量波动。
• 明确业务知识负责人、技术运维负责人和价值指标负责人。

十二、FDE角色与交付复盘

本项目中，FDE应承担需求调研、业务流程建模、数据审计、PoC设计、方案集成、用户验收和价值复盘。最重要的判断不是“使用哪一个模型”，而是把项目收敛到“利用生产与质量数据优化工艺参数，在约束内降低能耗或成本”这一可验证任务，并为高风险结果设计人机边界。

1. 最重要判断：用可量化任务替代宽泛的AI转型目标。
2. 最难协调关系：业务价值负责人、真实用户、IT/数据团队与技术供应商之间的目标和责任边界。
3. 可复用能力：场景审计方法、测试集、指标体系、工作流、权限与监控组件。

十三、可复用资产

十四、下一阶段计划

1. 补证：补齐业务量、人工时长、质量损失、数据质量、真实运行范围和项目成本。
2. 验证：按建议测试集完成离线盲测，再用真实用户开展小范围UAT。
3. 扩展：当前场景稳定后，评估“质量预测与闭环控制”，并把通用组件沉淀到企业AI平台。

下一阶段的首要目标不是增加功能，而是建立持续评测、错误样本回流、知识更新、模型监控和价值台账，使单位能耗/成本、一次合格率可以长期追踪。

十五、结语：给同类企业的三条建议

1. 从高频、可衡量、风险可控的任务开始：先验证一个闭环，不把多个部门的愿望一次性塞进PoC。
2. 启动前先准备基线、数据和验收人：没有基线无法证明价值，没有真实用户和业务验收人无法进入生产。
3. 把人机边界和运营机制写进方案：明确AI做什么、人确认什么、异常如何降级、错误由谁修正，才能把演示变成可持续系统。