夜雨聆风知识库与经验传承——AI能帮你搜文档，但破解不了“老师傅不肯教”
在EAM厂商的宣传中，知识库与经验传承常常被描述为AI技术最能发挥价值的领域之一。典型的宣传话术是：通过构建行业知识库、案例知识库、自定义知识库三位一体的体系，利用AI技术实现知识的自动采集、智能分类、精准推送，从而破解企业长期面临的老师傅经验难以传承的难题。这样的描述很容易引起企业管理者的共鸣，因为几乎所有工业企业都经历过这样的困境：资深维修技师退休或离职后，他头脑中积累的大量故障判断经验、特殊处理技巧、设备异常的声音或触感特征也随之流失，新员工需要花费很长时间重新摸索。如果AI真的能够将这些隐性知识转化为可检索、可复用的显性知识，无疑具有巨大的价值。然而，现实远没有厂商宣传的那么乐观。知识库的核心问题从来不是技术，而是人。AI可以在一定程度上提升知识检索和整理的效率，但它无法解决知识采集的动力问题、知识的验证与更新问题，更无法将无法言传的隐性经验数字化。
首先需要澄清一个基本概念：知识库本身不是AI。一个文档管理系统，即使包含了海量的维修手册、操作规程、历史工单和技术图纸，只要它只提供简单的文件名检索或全文关键词搜索，就与AI没有任何关系。很多厂商将自己产品的知识库模块称为“智能知识库”，仅仅是因为它支持全文检索或者对文档进行了分类管理，这些都是传统的信息管理技术，不应被包装成AI。真正的AI在知识库领域的应用，主要体现在三个方面：语义检索、自动标签与分类、自动摘要生成。这些技术确实能够提升用户从知识库中获取信息的效率，但它们并不改变知识库的核心——内容的数量和质量。如果一个企业的知识库里只有零散的、过时的、质量低下的文档，那么再先进的AI检索技术也无法从中找出有价值的信息。换句话说，AI只是知识库的加速器，而不是知识的生产者。
语义检索是知识库中最常用也最实用的AI技术。与传统的关键词检索不同，语义检索能够理解用户输入的自然语言查询的意图，并从文档中找到在意思上相关的内容，即使文档中没有出现查询中的具体词汇。举一个设备点巡检发现故障现象的例子，维修人员在点检时发现电机运行时有周期性的金属摩擦声，他把故障现象描述输入系统，通过语义检索搜到一篇“电机轴承异响处理”的文档，尽管文档中没有“金属摩擦”这个词，但系统能够判断出“异响”与“金属摩擦声”在语义上接近。
实现语义检索的核心技术是文本向量化，即使用预训练的语言模型将查询文本和文档文本转换成向量模式，然后通过计算向量之间的距离来衡量语义相似度。
目前，这项技术已经相当成熟，嵌入开源模型就能够很多场景下都能取得不错的效果。但是需要注意的是，通用嵌入模型在工业专业领域的表现可能会打折扣，因为模型训练时使用的语料主要是通用文本，对轴承、密封、联轴器、变频器等专业词汇的语义理解可能不够准确。如果企业希望获得更好的检索效果，可以使用自己的专业文档对嵌入模型进行微调，但这需要一定的技术能力和标注数据。
除了语义检索，自动标签和分类是另一个比较实用的AI功能。传统的知识库需要人工为每篇文档指定分类或打标签，这项工作耗时且容易不一致。
AI可以通过文本分类模型自动识别文档的主题，例如判断一篇文档属于“电机维修”还是“液压系统维护”，同时可以自动提取文档中的关键信息，如设备型号、故障代码、维修人员等，作为标签附加到文档上。这样，用户可以通过点击标签快速筛选相关文档，知识库的可用性会显著提升。
自动摘要生成则可以将工单记录或维修报告压缩成几个要点的描述，方便用户在检索结果列表中快速了解文档的核心内容，而不必点开每一篇文档仔细阅读。这些功能都基于当前的NLP技术，实现起来难度适中，成本也在可接受范围内，企业可以根据自身需求选择性引入。
然而，上述所有AI功能都有一个共同的前提：知识库中已经存在足够数量、足够质量的数字化文档。这正是大多数企业知识库建设的真正瓶颈，而不是技术问题。很多企业购买了知识库系统之后，发现里面空空如也，或者只有一些过时的操作规程和零散的培训材料，根本不足以支撑日常的维修工作。要解决这个问题，需要建立一套可持续的知识采集和更新机制，而这涉及组织行为学和管理学的问题，远非AI所能解决。具体来说，企业面临三大难题。
第一个难题是知识采集的动力问题。谁愿意花时间去撰写、整理、上传知识文档？一线的维修工程师通常工作繁忙，而且很多人并不擅长或不愿意写文档。即使企业强制要求每次维修后填写工单，工单的内容也往往极其简略，例如“更换了轴承”五个字，没有记录故障现象、诊断过程、更换轴承的型号和品牌、维修后的运行参数等关键信息。这样的工单对未来的复用价值极低。要让工程师愿意写出高质量的文档，需要从绩效考核、激励机制、文化氛围等多个方面入手，这是一个长期而艰难的过程，AI对此毫无帮助。
第二个难题是知识的验证与更新。知识库中的内容并非永远正确。随着设备升级、工艺改进、新材料新技术的应用，过去的维修方法可能不再适用，甚至可能是错误的。例如，十年前某型号电机出现振动超标时，标准做法是更换轴承，但现在的经验表明，很多时候只需要重新调整对中即可解决问题。如果知识库中仍然保留着旧的方案而没有标注其时效性，就会误导工程师。知识需要有人定期审核、更新、淘汰过时的内容。这项工作同样需要投入人力，而且需要由资深的技术专家来执行。AI目前还无法判断一条维修经验是否仍然有效，因为它缺乏对设备当前状态和技术发展趋势的理解。
第三个难题是隐性知识的数字化。这是最核心也最难解决的问题。老师傅的经验中，有很大一部分是无法用文字或图片完整表达的。例如，判断一台变压器的运行状态是否正常，有经验的工程师会去听它发出的声音，正常的变压器发出均匀的嗡嗡声，而内部有放电故障时会伴有噼啪声。这种听觉判断能力是通过长期实践形成的模式识别，无法简单地写成“如果听到噼啪声就说明有放电”这样的规则，因为实际的声音信号非常复杂，受负载、环境噪声等多种因素影响。又比如，用手触摸设备外壳来判断温度是否异常，不同的人对温度的敏感度不同，而且同样温度在不同季节、不同环境下的“烫手”程度也不同。这些隐性知识的本质，是人的感知系统与大脑中经过大量案例训练形成的判断模型的结合，当前的AI技术无法将其提取并编码为显性知识。厂商所说的“破解经验传承难题”，实际上是回避了这个问题。他们能够做到的，只是将已经写下来的显性知识更好地组织和管理，而老师傅头脑中的那些无法言传的经验，仍然会随着他的离开而流失。
那么，企业应该如何务实地看待AI在知识库中的作用呢？我们认为，正确的定位是将AI视为知识库的“增强检索与辅助管理工具”，而不是“知识生成与传承解决方案”。具体来说，企业应当首先做好知识库的基础建设工作，包括制定文档撰写规范、建立知识贡献的激励机制、设立知识审核与更新的责任岗位、定期组织技术经验的分享与总结。在这些工作取得成效、知识库中积累了足够的高质量文档之后，再考虑引入AI来提升检索效率、辅助分类和摘要。而不是反过来，期望购买一个AI系统就能自动生成知识库并解决传承问题。一个常见的错误是，企业购买了昂贵的所谓“智能知识库”系统后，发现使用率极低，工程师仍然习惯于打电话问老师傅，而不是去系统里搜索，因为系统里根本搜不到有用的信息。这时厂商可能会说，系统需要持续使用和学习才能优化，但实际上根本问题不在算法，而在内容。
在选型过程中，当厂商宣称其知识库系统具备AI能力时，企业应当要求对方明确展示以下内容：第一，语义检索功能是否真正基于向量嵌入，而不是简单的关键词扩展或同义词替换。可以通过几个典型的工业专业词汇进行测试，例如输入一个维修手册中可能不会出现的口语化描述，看系统能否找到相关的正式文档。第二，自动分类和标签的准确性如何，可以准备一批测试文档，让系统自动分类后与人工分类结果进行比对。第三，系统是否支持用户对检索结果的反馈，例如标记某条结果是否相关，这些反馈数据是否用于持续优化检索算法。同时，企业还应当询问系统是否提供文档生命周期管理功能，包括文档的创建、审核、发布、版本控制、过期归档等，因为这些才是知识库管理的核心流程，而AI只能起到辅助作用。
最后需要强调的是，经验传承的本质是人的传承。AI可以帮助新员工更快地找到已有的文档资料，但无法替代师傅带徒弟过程中那种面对面的交流、演示和纠错。一个良性的经验传承机制，应该包含定期的技术培训、轮岗实习、案例复盘、师徒结对等传统方式，同时辅以数字化知识库作为参考工具。AI的作用仅限于让参考工具更加好用，而不能替代传承过程中人与人之间的互动。企业管理者应当对此有清醒的认识，避免被厂商夸大其词的宣传所误导，把有限的资源投入到见效甚微的所谓智能知识库上。下一篇我们将讨论备件库存与采购优化，分析厂商宣传中的“AI智能补货”是否真的比传统的安全库存公式更有优势。
分享 | EAM领域AI功能避雷指南-1为什么说EAM厂商的“AI赋能”，会存在伪AI？
分享 | EAM领域AI功能避雷指南-2设备建卡——OCR加模板就能搞定，别为“AI自动生成卡片”花冤枉钱
分享 | EAM领域AI功能避雷指南-3预防性维护——别被“多维度建模”“提前预警”骗了，阈值堆砌不是AI
分享 | EAM领域AI功能避雷指南-4故障处理——语义检索很实用，但“精准匹配维修方案”是谎言
《反智的信息化》、《反智的需求调研——设备资产管理系统需求调研白皮书》、《反智的AI》
#AI预测性维护#工业数据#智能运维#数字化转型#AI落地挑战#数据质量#设备故障预测#工业AI#智能制造痛点#PHM#设备资产主数据管理
