蓝沃AI联合创始人成凯:从“文员”到“老师傅”,工业智能体将如何改变工厂协作

非常荣幸有这样的机会，可以跟大家分享一下蓝沃AI对于整个制造业AI的理解。

图/蓝沃AI联合创始人兼CPO成凯

先介绍一下自己，在这里给自己贴两个标签：

第一个标签，我姑且称之为是“制造业数字化的老师傅”。我之前做了大概近十年的制造业数字化，主要做云化、数字化的MES，自己的话大概做过100家以上的工厂。

第二个标签，“正在持续学习AI的小学生”。第二段经历就是我现在做的事情——工业AI智能体。

今天，我想从一个制造业服务商的视角，去聊聊工业AI智能体的具体使用角色和场景。

回顾过去十年的数字化经验，在生产管理软件产品设计阶段，我们设想系统的使用者是“决策层”，用数据帮助他们提高决策效率，从而提高工厂整体效率。

但最终其实每天跟系统打交道的，反倒是制造业工厂的一些“文员”的角色。

比如说：

• 跟单员要去操作系统、查订单进度；

• 工艺文员要记录数据、建新的产品、搭建工艺路线；

• 报工文员，在车间去手动输入每天的生产进度；

• 技术文员，要去做各种各样的检测报表和质检报告……

我们设计了很精美的软件界面，但其实给到文员更多的就是如何批量上传，如何怎么操作，让数据上传更简便。

一定程度上，受制于产品的形态，传统数字化系统在上线之后，被迫转变了用户使用的习惯和方法。让它从一个“管理决策”软件，变成一个“文员录入”系统——

• 一个是依赖人工使用，不使用就没有数据。

• 其次依赖管理逻辑，需要配合管理的手段，让系统能跑起来。

• 第三点就是流程相对地僵化。

我们以前会开玩笑说，这个系统上线的那一刻，可能是它最好用以及这个系统各项功能、配置、流程跑得最通畅的时候。

那么，在人工智能时代，新一代工业AI智能体应该具备什么样的能力？

从结果上来看，我们希望它是可以在后台自主运行的，可以持续地学习，越来越好用。

按照目前业内比较认可的李飞飞教授对智能体的定义，一个 AI agent 需要具备感知、决策、执行以及持续学习的能力。那在工厂的语境下，到底需要具体做什么呢？

先说感知，需要感知生产进度、感知设备的状态、感知现场的异常，甚至感知一些存在其他信息系统里面的数据。

那要决策什么呢？其实工厂最大的决策，主要是产能资源调度，也就是我们常说的排产。

说到执行，在工厂里其实有各种各样的执行，包括现场的报工、异常的处理、物料的流转。

最后就是持续学习了，我们认为Agent需要去持续地学习工艺流程，持续地优化产能，让协作更顺畅，让数据持续地优化迭代。

刚说到我自己是制造业数字化的老师傅。

其实，在机加工行业（尤其是非标），普遍存在这样的老师傅角色，比如工艺工程师、PMC或排产员、班组长……

下面我来具体聊一聊这几个“老师傅”，他们具备什么能力呢？或者说按照现在最时髦的技术语言，我们的Agent，都有哪些的Skill呢？

工艺优化“老师傅”

我们先说第一个，工艺优化老师傅。

在机械加工工厂，工艺老师傅们的日常工作，简单来说需要具备两个能力：

• 第二个就是制定工艺：根据这个图纸上面的信息去思考我到底该怎么设计才能把这个产品做出来。

我们来做一个具体的演示，如果一个AI Agent具备这样一个skill的话，具体应该长什么样？

第一步，看懂图纸。

通过预训练的AI模型，Agent会去理解图纸上的一些关键的信息，并整理成结构化的数据。

图/AI气泡图 

第二步，制定工艺路线。

基于看懂的图纸和提取后的信息，我们的Agent会去思考、推理整个图纸的加工过程，把那些加工过程的数据，输出成BOM和工艺路线。

一方面，BOM和工艺路线可以直接指导现场的生产；另一方面，它也可以直接给数字化系统使用。

这也是传统数字化系统落地难的症结所在——如何让工厂拥有结构化的“主数据”。

第二个，产能调度老师傅。

在离散制造行业，因为整个的生产资源相对比较分散，如果能够合理组合和调配各种资源，会很显著地提升整体的产能。

那在一个传统的工厂中，能实现这个目标的计划员老师傅需要具备什么样的能力呢？

• 第一个，全面了解销售、生产以及采购的各种情况。

• 第二个，制定一个可执行的并且可以动态调整的计划。

• 第三个，计划执行过程中，如果出现异常需要协调去处理。

在交互设计上，我们打造了智能驾驶舱。它能直观反馈工厂所有的核心数据指标，让管理者对生产动态一目了然，真正实现实时掌控。

同时，我们基于最新的AI Agent技术，推出了智能助手——小沃。它能对全局数据进行深度解读和分析，并给出决策建议，主动告诉您需要关注的指标以及当前存在的异常风险。

图/AI排产智能体

在产品能力上，我们实现了三大突破：

首先，是让AI排产可解释。

基于对整个工厂产品和产能主数据的深度理解，我们做了排产主数据的建模。更重要的是，我们将排产逻辑透明化。AI 不仅会给出一个最优计划，还会清晰展示它的思考过程。在排产时，它会明确告诉你，考虑了哪些约束条件，优化了哪些目标，直到它能够完全自主运行。

其次，是让计划可执行。

正如刚才提到的，AI Agent必须具备动态调整的能力。针对工厂里典型的“插单”场景，系统能够模拟插单造成的影响，从而帮您判断到底是要为了交付必须“救火”，还是可以在对现场影响最小的前提下完成，从而减少资源浪费。

最后，是让异常提前预警。

一旦遇到异常，数据就会第一时间直观地呈现在驾驶舱上。计划员不再需要耗费大量精力制作报表，而是可以直接根据这些异常数据去处理问题，把更多宝贵的时间放在现场管理上。

执行监控“老师傅”

第三个，执行监控老师傅。

每一个工厂车间都会存在大量基层的管理者，也就是“班组长”。他们每天的核心工作其实就是工位巡检，主要做三件事：

第一，掌握全局动态。班组长必须实时清楚产线上所有的动态：每个人在做什么、有没有遇到问题、作业是否规范。

第二，统计现场数据。比如今天的工时节拍怎么样、总产量一共有多少。

第三，处理异常。一旦现场出现状况，无论是缺料还是设备故障，每个班子成员都会第一时间找班组长解决。

可以说，班组长就是每个工位的“老师傅”。

我们现在可以通过Agent的能力，让每一个工位都有一个这样的老师傅。

在技术实现上，我们主要依托视觉识别技术，目前聚焦于三大场景：安防监控、报工以及作业SOP合规。

第一类是视觉报工。

通过视觉识别技术，我们可以精准捕捉到产线工人的动作。通过判断物料的移动轨迹——比如摆放、拿取的过程，实时抓取报工数据。另外，通过识别物品放入的位置，系统还能自动区分产品是合格还是不良，从而实时计算良率。

图/报工场景

第二类是作业SOP合规。

这里展示一个典型的包装场景。系统可以严格监控工人是否按照SOP操作，比如有没有先划标记再贴标签？有没有漏掉套袋的动作？任何遗漏的违规行为，系统都能精准识别。

图/作业SOP合规场景

但以上两个视频都只是单点能力的体现。我们不希望每上线一个新场景，都要进行大量的专项训练和定制化开发。

我们的目标是通过AI自主标注与自主训练的模式，实现平台化配置，快速适配不同的场景需求。

为了实现这个目标，我们将复杂的现场要素抽象为两类对象：

第一类是行为。

我们通过持续训练模型，抽象出生产线的行为。比如说物体的移动轨迹、设备指示灯或门的开关过程、工件的翻转，甚至一些安防中的特定行为。

第二类是事件。

我们将不同行为之间的逻辑关系组合起来，配置成一个具体的事件。事件的作用就是去触发预警和数据收集。这也正是班组长平时要做的工作。

通过这种“行为＋事件”的组合模式，工厂就可以自主应对产品新增和产线调整，快速配置出需要识别出来的新场景。

刚才我们讲了工厂里三位关键的老师傅，一个是工艺工程师，一个是计划员，还有一位是车间班组长。

如果这三个角色都变成Agent的话，那他们之间到底应该怎么协作？

当我们把工厂实际的业务流程串联起来，逻辑就非常清晰了：

• 首先是接单。当客户下订单以后，工艺优化Agent要先判断这个订单能不能做，具体该怎么做，也就是需要去评估工艺可行性并制定工艺路线。

• 接着是排产。一旦确认能做，产能调度Agent需要基于有限产能，来判断能做多少，什么时候能做出来，是否会对其他订单造成影响。

• 最后是执行与监控。订单下发以后，客户必然会关注生产进度。这个时候，就需要执行监控Agent来实时反馈现场进度，及时预警异常，确保生产节奏按计划推进。

如果这三个Agent能形成联动，我们就能进一步畅想整个C2M乃至供应链生态圈的全新模式，也将重塑离散制造的整个生产协作模式。

最后用几个数字简单介绍一下蓝沃。

图/蓝沃荣誉资质

从2022年开始，我们组建团队、投算力，去做产品化。目前自投了大概1个亿的算力规模，积累了150种的行业算法。

2025年下半年，我们的产品开始正式商业化，以开箱即用、落地快、普惠的特点快速收获了一批种子用户。

截止到目前，我们累计服务了150家制造业工厂，以离散制造业工厂为主。

复合学术背景，行业顶尖算法团队+工程师团队

回顾这十年的数字化经验，我最大的感触是：外行很难指导内行。

我们不是一个只会开发软件、训练模型的AI团队，除了有顶尖的算法团队，还有很多制造大厂背景的工厂老师傅，他们在平均有着十年以上的经验。

我们的算法团队本身也非常复合，除了计算机背景的同学，我们团队中还有学数学、统计学的，学机械、懂物理的，他们经常与工人一起为打磨产品细节泡在车间。

为什么我们要这样组建团队？

过去工厂上系统最怕上了以后用不起来，而工艺工程师、计划员这样的老师傅是真正懂现场的，只有让他们深度参与进来，才能把系统真正跑通，打磨出能落地的产品。

我们相信，汇聚中国工人的智慧，用AI可以让制造业更简单，也希望借助这样的场合可以有一些共创的机会。

我们认为真正意义上的落地的AI Agent需要的是有制造业的know how经验，有制造业数字化的服务经验以及有AI的技术，这三个缺一不可。