ARTICLE · 1208464
AI 进入工厂,先干脑力活
前段时间，我和一位做工业 AI 的创业者聊了将近三个小时。
他是清华计算机系的硕士，以前做金融量化，给金融市场建模。2024 年开始扎进工业，公司去年 5 月成立，到现在服务了 40 多家工厂。
聊到一半，他反问了我一个问题：
我愣了一下。
01
工厂里有两种活
他说，工厂里就两类活：体力活和脑力活。
我们印象里工厂“精密”“一丝不苟”，说的其实是产线，是体力活那部分。可报价、工艺设计、排产、采购，这些脑力活远没有那么精密。报价多 10% 少 10% 很常见；同一个零件可能有好几条工艺路线，选的未必是最好的；生产计划里总有漏洞，很多时候靠现场临时调整去补。
所以他给自己公司的定位是：帮工厂成为“AI 工厂”。意思是，工厂里那些动脑子的活，尽量交给 AI。
我当时顺嘴接了一句：以后具身机器人干工厂的体力活，AI 干工厂的脑力活，AI 做大脑，机器人做手脚。他说，有可能。
哪类工厂脑力活最多？他的答案是：多品种、小批量、接客户订单生产的厂。
钢铁厂定好产能，产线开起来就干，核心决策不多。可做定制设备的厂，客户来一个订单，要先分析需求、报价，再设计、做可制造性检查、做工艺设计，然后排计划、采购，料到了才开始生产组装。每一单都要把这条链走一遍。
他举了个例子：他们服务的一家造船厂，一艘船几十万个物料，几百个供应商。采购员一点都不清闲，大量时间花在重复的匹配上。
自己有产品、按库存生产的厂也一样有脑力活：销售预测、物料管理、排产，过去都是人在算。
02
老板买 AI，第一笔账不是省人
很多人一说 AI 进工厂，第一反应是裁人。他排的顺序正好反过来。
第一是竞争力。从报价到交付这条链很长，如果过去要两个月，现在一个月就能交，有些单子你就敢接了。他说军工、航空航天这类客户经常问：两周能不能做出来？能做出来就给你，做不出来就不行。这种单子利润率高，拼的是响应速度。
第二是风险。很多关键知识在老师傅脑子里，老师傅被挖走、退休，对工厂就是风险。
第三才是省人，比如原来 5 个人干的活，现在 2 个人加 AI 能干。他说这也是价值，但不是最主要的。
他说现在最好的客户有两个特点：一是自己试过 AI，发现搞不定，才来找供应商；二是正在发展，建了新厂，设备都买好了，招不到人。
我当时追问了一句：南方很多厂本来就 24 小时排满了，用了 AI 产能也提不上去，有什么用？
他的回答是，排产只是一部分。工厂老板真正在想的是下一个风口在哪。比如做半导体零部件的厂，发现需求在变，要转去做人形机器人的零部件，原来都是 3 轴机床，现在要大量上 5 轴，研发、工艺、生产效率能不能跟上？客户满意了说下次多给你订单，你能不能快速扩产？他说今年上半年，下游做航空航天、军工、半导体的机加工厂业务都很好，纯做汽车零部件量产的就没那么好。下游变得越快，工厂应对变化的能力越值钱。
03
你的工厂在第几级
他们把工厂用 AI 分成 L0 到 L5 六个阶段，我觉得对老板很有用，原样转述一下：
L0完全没用 AI。他估计七八成工厂在这里。
L1局部单点用 AI 辅助。比如厂里的文员开始用 AI 工具接 ERP 的数据，做点小分析。
L2在某些环节，AI 直接做决策，人只负责监督、审核和调整。
L3闭环工厂。从客户订单进来，到研发设计出图、工艺设计、生产计划，整条链上一个智能体的输出就是下一个智能体的输入，人在旁边辅助和审核。
L4对外也连起来。你的采购智能体直接跟供应商的报价智能体对接，采购员不用天天打电话。
L5自进化。老板定目标，买什么设备、找什么客户、往哪个行业发力，AI 都能给建议。
他的判断是，大多数工厂停在 L0、L1，最大的机会在 L1 到 L2。少数工厂他们在尝试推到 L3。
从 L1 到 L2 为什么难？他说，营销这类场景所有东西都在数字上，自己搭搭工作流就能跑；但生产计划这种跟物理世界绑在一起、有强约束、不能出错的环节，老板自己拿通用 AI 工具试一试，会发现“看着像，但出来的东西用不了”。
04
老师傅那点“说不出来”的东西
工厂的天花板，很多时候是几个老师傅撑着的。工艺、设计、采购、厂长，每个岗位都可能有一个。
AI 现在能学到几成？他给了一个挺实在的答案：工艺、报价这些环节，大概能到老师傅的六七成，比雇个新手稍强一点；排产这类生产计划，排出来的方案在优化程度上已经比老师傅好。
但老师傅有些“秘诀”是 AI 不知道的。他说他们经常碰到：两台一模一样的设备，某个产品就是放在其中一台上生产一致性更好。是地基的问题还是别的，谁也说不清。
更难的是，老师傅自己也不知道该怎么告诉 AI。所以只能在用的过程中，让老师傅去调整 AI 的决策，AI 从这些调整里慢慢学。前提是 AI 先得达到一个水平，让老师傅觉得它有用、愿意用。
老师傅会不会抵触？他承认会有。他们排产的工具上线后，过去老师傅在 Excel 里排两个小时的计划，现在 10 分钟搞定，省下的时间可以去一线看问题。但也有人就想干原来那份活，活变少了，就不高兴。
他讲了一个电梯的例子，我印象很深：
在电梯出现之前，楼层越低越贵；电梯出现之后，楼层越高越贵。
技术来了，改变的是价值的分布。过去最值钱的是有知识、有经验的人；现在知识被大模型拉平了，更值钱的是会驾驭 AI、能提出新问题的人。他说，这个时代只有善于用 AI 的人和不善于用 AI 的人的区别。
05
数据攒了一堆，AI 不一定用得上
我问他，企业是不是必须先有知识库、数据库，才能上 AI？
他说数据和知识当然必要，但企业好攒的数据，和对 AI 有价值的数据，是两码事。
工厂里最多的是设备的时序数据，量很大，对决策可能没多大用。就像手表记录了你所有的心跳，这事不一定能帮你挣钱。
他举了一个设备维修的例子。客户说有大量维修记录，一看确实多，每条都清清楚楚写着：现象是什么，怎么修的。
可 AI 真正需要的是“为什么”。维修师傅看到一个灯亮了，判断可能是什么问题，决定去查另一个地方，查完再决定下一步查什么。这条决策链，才是 AI 能学的方法。只有现象和结论，AI 就只能做简单检索：这次跟哪次像，参考一下。
过去记录维修，是为了责任归属、为了算计件工资、为了能追溯。目的不一样，记下来的东西就不一样。
所以他的建议是，不用指望先把知识库建完美再上 AI。更现实的做法是上一个智能体帮师傅解决问题，在用的过程中把数据采集起来。
他还说了一句我觉得很重要的话：这一波智能化，可以绕过数字化。过去的默认路径是先数字化再智能化，现在不一定了，关键看有没有合适的场景落地。
那数据基础很差的工厂怎么办？他拿自动驾驶打比方：特斯拉自己收数据、自己训模型，没那个实力的车企直接用供应商的方案。工厂也一样，不是每家都得把这条路走一遍。头部的先走完，供应商把模型训好，再给其他工厂用。
06
Token 比电费贵，这笔账怎么算
我问了一个很多老板会问的问题：服务费付完了，智能体跑起来不就是烧 Token 吗？对一个工厂来说应该不多吧？
他说不是。他们公司每个月的 Token 成本是几十万。写 PPT 很便宜，可如果让 AI 认真做一个 CAD 模型，它要反复“做一遍、验证、再反馈”，消耗比想象中大得多。
那工厂多花这笔钱，划算吗？他的算法是：不要拿它跟电费比，要拿它跟“用人或者用别的方式做这件事”比。如果上一个几万块的 MES 系统、招一个文员就能解决，那就不该上 AI。如果用在文字转换、做 PPT、HR、财务这些通用场景，用量很大、创造的价值不多，性价比就低，不如用人。
真正该算的，是它能不能让生产效率提升、让企业更有竞争力。
他刚去了一趟硅谷，说美国很多企业也在反思：大量投入 Token，结果一线员工的生产力提升了，企业层面没拿到什么结果。
我前段时间和朋友搞了个联盟，叫 TTM，Token to Money，一个 Token 能换回多少钱。他说，美国大企业现在要提升的，就是这个转化效率。
效果能不能量化？他给了两个数：排产员原来要花一两个小时排产，基本能省掉 80% 的时间；机台利用率根据原来的情况不同，能提升 10% 到 20%，省出来的设备就是直接帮老板赚钱。
但他也说得很坦白：管理基础太差的工厂，效果会打折扣。生产计划一动，其他环节都要跟着改，原来的流程跑不顺，AI 也摆不进去。他们在这上面踩过坑。
07
如果你是 L0 的老板
最后我替很多老板问了一个问题：我是个普通工厂老板，不懂 AI，也没用过，知道这东西好，但不知道找谁、从哪开始，也分不清谁好谁坏。怎么办？
他的回答是：先看你在哪个阶段，要解决什么问题。
如果几乎没用过 AI，第一步是全员认知对齐。老板天天说 AI，每个人理解的 AI 都不一样：有人用过一个聊天工具，觉得 AI 不过如此；有人天天听美国播客，觉得 AI 啥都能干。尺子不一样，事情就落不了地。他见过一个负责信息化的人，讲 AI 头头是道，结果自己从来没用过。所以要让大家亲手用、有体感，认知才客观。可以请外部培训，也可以老板自己带。
如果是集团型的大企业，各个子公司都想搞，钱怎么花、算力怎么买、数据怎么打通，这时候需要的是有人帮你把基础设施和中台搭起来。
如果已经有了基础认知，发现营销这类数字场景能跑通，但生产计划这种强约束、不能错的环节使不上劲，而这个环节痛点又特别强，那就适合找专门做这个场景的应用公司。
判断供应商好坏，他给的标准很简单：别看谁的智能体多、谁的 Token 多，看它能不能把你最关键的问题解决掉，交付一个能直接用的结果。一个问题如果通用 AI 工具已经解决得很好，就没必要买别的；传统软件能做好的事，也没必要上 AI。
要不要马上激进地全面上 AI？他觉得没必要，太激进有风险。但准备工作要开始做，尤其是人对 AI 的理解。因为很多行业的下游变化很快，不准备，可能会被更新的工厂淘汰。
写在最后
聊完我最大的感受是，工厂上 AI，难点不在 AI 有多聪明，在于它能不能接住工厂里那些说不清楚的东西：老师傅的手感，报价里的人情，排产时的临时调整。
他说他已经看到“新一代工厂”的雏形了。在苏州，一些学历很高的人在开工厂，车间非常整洁，管理很细，有一个很强的意识：降低对每个员工的要求，用流程把事情跑顺，所有过程都留数字化存档。这种工厂，他叫它“AI ready”。
他还说，工厂用 AI 是确定的终局，只是节奏不同。小厂如果先把 AI 用好，遇到机会能快速扩起来，不依赖人，是有可能实现逆袭的。
欢迎在评论区聊聊
