别再问 AI 能做什么,先问工厂怎么把它用起来

书接上文。这段时间，我一直驻在贵阳的一家机加工厂里，研究怎样让 AI 进入具体的生产工作。

每天都有更强的模型、更复杂的 Agent 和更完整的技术演示。识别图纸、生成文字、分析数据、调用软件，AI 能够完成的事情越来越多。

工厂准备使用这些能力时，还需要处理数据、流程、权限、责任和人员协作。任何一项没有处理好，演示中的能力都很难进入日常工作。

到了工厂以后，我开始把注意力从技术能力转向 AI 在工厂里的实际使用。

工厂怎样开始使用 AI？谁来推动？谁来确认结果？怎样在不影响原有工作的情况下进行试验？怎样让系统逐渐可靠？怎样计算它产生的价值？

现在就该着手解决这些问题。

我来贵阳做 FDE，处理的正是这些问题。

先解决工厂怎样使用 AI

现在很多关于 AI 的讨论都围绕技术能力展开。

模型能否识别图纸，能否生成工艺路线，能否操作软件，能否分析生产数据，Agent 能否连续完成多个任务。

模型公司会继续扩展这些能力，新的模型、工具和 Agent 也会不断出现。工厂可以先用现有技术开始试验，在真实工作中发现问题，再根据结果持续改进。

工厂开始使用这些能力以后，会面对一系列具体问题。

谁会使用这套系统？它应该进入哪一段工作流程？它需要读取哪些数据？输出结果由谁确认？发生错误以后怎样处理？验证期间怎样保护正常生产？它与现有系统怎样交换数据？使用以后究竟改善了什么？

技术演示可以证明功能是否可行。工厂还要验证系统能否稳定运行，员工是否愿意使用，错误能否得到控制，以及投入是否产生回报。

模型公司会持续回答 AI 还能做什么。我们需要回答工厂今天怎样开始使用 AI，并让系统在一次次真实任务中逐渐可靠。

每家工厂都有自己的数据、规则、经验、设备条件和客户要求。通用技术进入这些具体条件以后，才可能形成适合这家工厂的工作能力。

FDE 团队需要理解模型，也需要理解工厂怎样完成工作。具体问题决定技术选择，包括准确率要求、错误风险、开发成本、维护难度和员工的使用习惯。

真正懂业务的人必须从一开始就参与

工厂专业人员，包括工艺工程师、编程人员、现场操作人员和质检人员，必须从选择问题开始参与，并持续评价 AI 的结果。

这不是项目完成前的一次验收，而是从选择问题、确定标准、试用到迭代的全程参与。没有他们，FDE 团队只能判断系统能不能运行，无法判断结果能不能用于生产。

AI 可以生成一份内容完整的工艺路线，工艺工程师需要检查加工顺序、设备选择、装夹方式、刀具条件和质量要求。

系统可以自动生成加工程序，编程人员和现场操作人员需要确认程序能否安全运行。

模型可以识别图纸里的尺寸、公差和技术要求，质检人员需要评价识别结果能否用于检验。

制造企业的管理者还要观察生产准备时间、返工次数、质量情况和总体成本的变化。

这些评价共同决定一套系统有没有用。

很多 AI 项目长期停留在演示阶段，常见原因是工厂专业人员参与太晚。FDE 团队定义功能，制造企业管理者观看演示。等到系统面对具体订单、设备状况和质量责任，大量现场条件才暴露出来。

工厂专业人员越早参与，团队越早发现问题，也越容易建立可靠的评价标准。等到系统开发完成以后再请他们验收，很多前期判断已经很难修改。

工厂专业人员的判断还需要转化成可以记录的数据。哪些结果可以直接采用，哪些结果需要修改，错误属于什么类型，修改花费多少时间，这些记录可以帮助 FDE 团队持续改进系统。

工厂里的问题都藏在具体工作里

在外面讨论 AI 制造业，很容易画出一套完整流程：图纸理解、加工特征识别、工艺路线生成、计算机辅助制造（CAM）编程、质量检测、刀具寿命预测和设备维护。

每个环节都能找到论文、模型和演示。进入工厂以后，FDE 团队需要面对大量具体细节。

图纸和工艺文件可能散落在不同电脑里，历史数据没有统一命名；同一个零件可能存在多个版本，文件之间缺少明确关系；老师傅的经验主要依靠口头传递，现有系统无法直接读取；工艺设计、编程、生产和质检分别使用不同的软件、表格和文件格式。

模型准确率提高几个百分点，仍然无法自动解决这些问题。团队需要确定当前问题发生在哪个岗位，出现频率是多少，造成了多少成本，现有数据能否代表真实工作，谁能够判断结果是否正确，以及系统需要获得哪些权限。

一次需求访谈很难获得完整答案。现场工作包含大量没有写进制度和操作手册的经验。FDE 团队需要观察真实任务怎样完成，也要持续与负责这些任务的工厂专业人员共同验证。

长期驻在现场，可以看到工作每天怎样发生，也能弄清楚工厂里的一项要求，在实际生产中涉及多少人员、文件、软件和责任。

制造企业应用 AI 需要组织共同参与

AI 进入工厂生产，会涉及数据、权限、流程、责任和多个岗位之间的协作。这项工作通常需要制造企业管理者推动。

制造企业管理者负责确定目标、协调资源、开放必要的数据，并允许团队在可控范围内试验。工厂专业人员从选择问题开始参与，提供业务判断并持续评价结果。FDE 团队把这些判断转化成可以运行的系统。

制造企业管理者、工厂专业人员和 FDE 团队承担不同责任，也需要定期共同检查进展。

制造企业管理者的支持决定团队能否获得数据、预算和跨部门协作。工厂专业人员的参与决定系统是否符合实际工作。FDE 团队的持续改进决定业务经验能否转化成稳定的软件能力。

为了减少试验对生产的影响，制造企业可以使用历史数据进行测试，然后选择少量真实任务开展并行验证。每个阶段都要明确数据范围、使用权限、人工确认方式、停止条件和负责人。

系统达到预先确定的标准以后，工厂再逐步扩大使用范围。员工需要知道什么时候使用 AI，怎样检查结果，以及发生异常以后由谁处理。

工厂有没有用起来，看这些结果

判断 AI 是否已经进入工厂的实际工作，可以观察几个具体结果：

• FDE 团队是否进入真实工作流程；

• 工厂专业人员是否参与定义问题和评价结果；

• 项目是否建立明确的错误分类和处理办法；

• 系统是否已经进入日常工作；

• 制造企业是否能够计算时间、质量和成本的变化；

• 项目结束以后，工厂是否具备继续使用和改进系统的能力。

这些结果直接反映 AI 的使用效果，也能帮助团队确定下一步应该改进什么。

我为什么留在贵阳

到了贵阳，我调整了自己的工作顺序。

我先观察业务怎样运行，找到值得解决的问题和负责这项工作的工厂专业人员，再和他们共同确定评价标准。然后根据准确率、风险和成本选择技术，完成一个小版本，交给工厂专业人员使用和评价。团队记录错误，继续修改，达到要求以后再逐步扩大使用范围。

这套过程需要耐心。工厂有自己的生产安排，工厂专业人员也会依据实际结果作出判断。每一项改变都需要证据，需要反复验证，也需要有人承担错误可能造成的责任。

我会继续留在贵阳，把这套过程完整地做一遍：从一个具体问题开始，观察工作、整理数据、开发小版本、组织工厂专业人员评价、记录错误、继续修改，再把经过验证的结果放进实际工作。

技术能力会继续升级，Agent 会处理更加复杂的任务，使用成本也会逐渐降低。工厂可以直接从一个边界清楚的问题开始，让工厂专业人员参与评价，在实际使用中逐步扩大范围。

工厂还要回答四个具体问题：谁来使用？谁来确认？发生问题以后怎样处理？最后产生了多少价值？

模型公司会继续回答 AI 还能做什么。我们现在要回答工厂怎样把 AI 用起来。

别再把时间耗在能力演示上。现在就进入工厂，让真正懂业务的人参与进来，一起把 AI 用起来。

如果你也在制造企业推进 AI，或者正在寻找适合工厂的应用方向，欢迎来贵阳和我当面交流。