副标题：从两条新闻，到三件车间里的小事

      当地时间9月19日，美国总统特朗普在社交平台宣布将组建"AI部队"，称人工智能是"下一场工业革命"，规模可能占到美国GDP的25%。一天后，9月20日，中美经贸团队在纽约磋商，人工智能首次被单独列为对话议题。

      一边在"排兵布阵"，一边在"立规矩"。国家级的棋盘已经落子。

      可这两天我在珠三角的车间里看到的，多半还是另一副模样：质检工位上，老师傅一手放大镜一手零件，一天盯几千件，眼睛熬红，漏检率压不下去；还有计划员对着Excel，一个插单电话进来，重排半天，产线已经停了二十分钟；设备坏了才着手维修，拆开一看，轴承磨损早就该换了。

      《荀子·儒效》说："不闻不若闻之，闻之不若见之，见之不若知之，知之不若行之。"听一百遍AI，不如见过一次；见过一次，不如真弄懂；弄懂了还不动手，懂再多也是白搭。

      AI不缺想法，缺的是车间里的一把椅子。今天这篇文章不讲大模型、不讲算力，只讲一件事：如果你明天就想让AI进车间，先干哪三件事，按什么顺序干。

一、是什么：AI进车间，本质是把老师傅的功夫变成数据

      剥开概念，AI落地制造业就是让生产系统长出三样东西：一双眼睛（看得见）、一个脑子（算得清）、一双手（防得住）。三者不是并列选项，而是一条数据依赖链——眼睛给脑子喂数据，脑子给手供场景，手再把结果反馈回来。

      这与国家层面的部署完全同频。工信部等八部门印发的《"人工智能+制造"专项行动实施意见》明确：到2027年推出1000个高水平工业智能体、打造100个工业领域高质量数据集、推广500个典型应用场景，并同步配发《制造业企业人工智能应用指南》，为企业提供从评估规划到数据集构建的全流程实施路径。政策的落点不是"造大模型"，是通过适配性高的小模型把AI的能力"沉到车间里"。

二、为什么：留给观望者的窗口，正在按月关闭

      第一，账算得过来了。工业AI的成本曲线已经下穿人工曲线。东莞的奥普特把AI视觉装进新能源电芯产线，把极耳翻折的漏检率压到十万分之一、误检率控制在1%以内，相关产线质检人员减少30%以上——要知道，一块电芯里几十层极片，哪一层悄悄翻折，人眼根本看不见，却是短路起火的隐患。

      第二，政策把梯度划出来了。2027年的1000个工业智能体、500个典型场景，不是远景，是倒计时。智能工厂的梯度培育正在把"会不会用AI"变成企业分层的标尺。观望一年，掉的就是一个梯队。

      第三，订单在用脚投票。出海与内卷同时压过来的今天，交期、一致性、可追溯、价值兑现，已经从"加分项"变成"准入项"。客户问的第一个问题不再是"多少钱"，是"你的良率数据能给我看吗？"。

      还有一层更深的紧迫，藏在人口结构里：老师傅正在退休，年轻人不愿进车间。经验不沉淀成数据和算法，就是断代。AI进车间，抢的不只是效率，更是一代来自一线的实战制造经验的知识图谱和"备份权"。

三、怎么办：给它一双眼睛、一个脑子、一双手

      第一件：先给它一双眼睛——AI视觉质检。为什么先做质检？三个理由：数据最现成，一台相机一套光源就是数据；标准最清楚，老师傅心里那杆秤，AI最擅长把它变成可复现的判据；账最好算，漏检率降几个点，折成钱，老板看得懂。因此，AIm赋能的机器视觉将成为生产现场的标配，不是选择题，而是必答题。

      落法四步：只挑一个工序，选缺陷率最高、人工判得最累、标准最明确的那个；光源比算法重要——工业视觉圈的老话，十次调优八次出在打光，这一关偷懒后面全是返工；样本要"难"不要"多"，AI要学的是边界，微划痕、临界色差才是真正的教材；人机并行，AI判一遍人复核一遍，等准确率稳定压过人工再逐步放行。

      第二件：再给它一个脑子——AI排产调度。前提是三个地基：工艺路线、实测的标准工时、物料齐套。没有标准工时的排产，是给混乱装上一个更快的马达。无锡一家年产值8000万元的纸箱厂，先花六周梳理47台设备的换线矩阵、建标准工时库，再上AI排产——90天后，准时交付率从81%升到98.2%，插单重排从2—4小时压到15分钟以内，在制品库存下降28%。记住：BOM准确率不到98%，先别谈智能排产。因此，工艺与质量标准数字化是是AI大脑的底座。

      AI进来后干四件事：多约束同时求解、插单分钟级重排、换型次数归堆最小化、在制品压降。但有一条要写在最前面：先做"AI建议+人工拍板"。老师傅脑子里那些说不清的东西——这台机器今天状态不好、这个客户的单子不能拖——暂时喂不进模型。AI出方案，人做决定，才是当下最稳的人机协同形态。

      第三件：最后给它一双手——AI预测性维护。它最难，也最值钱，因为它解决的是"防得住"。

      先挑设备，别全面铺开——只挑停机损失最大的那一两台。信号采集三个就够：振动、温度、电流。再分三步走，顺序不能跳：先让设备会说话（状态可见），再让设备会报警（趋势预警），最后才让它"算命"（剩余寿命预测）。跳步的代价是给出假答案——基线是歪的，预测必然是错的。因此，设备标准的数据端口、数采标准、统一的通讯协议等是拉通设备数据链的关键和前提。

      内蒙古一机集团把这条路走通了：传感器在线监测，平台实时比对3000余个故障案例库，把设备月均故障停机时间从36.17小时压缩到5.18小时，月均故障停机次数下降65%，累计节约维修成本810万元。更关键的是配套的组织动作：报警响了谁处理、多长时间闭环——没有认领机制的预测性维护，三个月后所有报警都会被当成噪音关掉。技术上一小步，管理上一大步。

      眼睛→脑子→手，顺序不能乱。看得见，才算得清；算得清，才防得住。这不是偏好，是数据依赖链决定的先后。

四、如何避坑：三个坑，一个比一个贵

      坑一：跳步上马。没有数据地基的排产会加速混乱，没有状态基线的预测会给出假答案。先在线化、再标准化、再谈智能——顺序即纪律。

      坑二：唯算法论。光源打不好，算法再聪明也是睁眼瞎；样本不"难"，模型永远学不会边界。工业AI的上限，八成由数据质量决定，不是由模型参数决定。

      坑三：技术先行，组织掉队。报警无人认领、判错无人回喂、经验无人沉淀——三个"无人"，足以让一整套AI系统在半年内沦为摆设。AI落地从来不是IT部门的项目，是"老师傅+工程师+IT"三人组的战役。任何一项变革都离不开高度适配的组织保障。

结语：最后一公里，是用脚走出来的

      《周易·系辞上》说："形而上者谓之道，形而下者谓之器。"这两年AI的"道"讲得够多了，可车间里缺的从来不是道，是器——是一台相机怎么打光、一张工艺路线表怎么填、一个振动传感器装在哪、双向数据传输链路是否畅通？

      三现主义：现场、现物、现实。不摸现物，不知道缺陷长什么样；不认现实，不知道老师傅为什么宁信自己的手。从白宫到车间，AI的最后一公里，是用脚走出来的。

      特朗普可以宣布组建"AI部队"，那是他的事。你的事，是明天早上八点，走进车间，挑出那个缺陷率最高的工位，跟老师傅说一句：

      “李师傅，咱们试试，让机器替你先看一遍。”

💬 互动话题

1、你所在的车间，如果明天只允许AI先干一件事——质检、排产还是设备维护，你会选哪个？选它的理由，是数据最现成，还是停机损失最大？欢迎在留言区写下你的选择和背后的账，我会挑几条认真回复。

关注公众号《刘老狮的智能开物》，每天 7:00 前获取一篇"实战派智能制造方法论"。