精益*AI

你的具身智能

“现场观察”了吗？

刚刚结束的博鳌亚洲论坛2026年年会上，具身智能成为热议焦点，环境式数采作为其在工业场景的核心载体被重点提及。百度集团执行副总裁沈抖表示，具身智能要突破“数据”瓶颈，工业场景标准化是关键突破口。商汤科技联合创始人杨帆也指出，环境式数采的落地离不开场景需求的精准定义与科学方法支撑，这正是精益管理能够发挥核心作用的地方。

智能制造如何落地环境式数采？精益的经典方法论“Gemba Walk（现场观察）”值得借鉴。很多企业投入重金引入具身智能、部署环境式数采，却始终无法落地见效，核心原因正是忽略了真实的环境拆解，而现场观察恰恰能为具身智能定方向、明需求，让数采真正贴合生产实际。

某大型选煤厂投入数千万元升级智能化系统，引进智能浮选、重介分选等先进设备，运行效率却远不及预期。智能系统与生产实际“两张皮”——算法工程师不熟悉煤泥浮选特性，模型应用效果不佳；重介分选因数据采集频率低，无法实现密度实时调控。

这不是孤例。许多企业热衷于引进智能设备，却忽略了与之匹配的管理体系，导致智能化效果大打折扣。这些案例揭示：环境式数采系统本身不具备“现场洞察”能力。它可以采集数据，但不知“什么值得采”；可推送异常，但不知“是不是真异常”；可生成报表，但不知“能驱动什么改善”。这正是杨帆所指的——落地离不开场景需求的精准定义与科学方法支撑。

Gemba Walk（现场观察）是精益管理的基本功——去现场、看现物、了解现实。大野耐一说过：“数据当然重要，但最重要的数据在现场。”

将现场观察投射到环境式数采语境：不是让机器去“看”现场，而是让管理者的现场智慧“赋能”机器的“看”。它包含三个层次：

- 定义“什么值得采”：管理者判断价值流关键节点、标准作业核心、最需关注的异常，决定传感器装在哪、采什么。

- 验证“数据是否真实”：系统推送的异常是否属实？效率下降是真实瓶颈还是数据噪声？只有管理者到现场验证才能判定。

- 驱动“改善如何发生”：数据告诉“哪里有问题”，而“为什么”“怎么解决”“如何固化”——由现场观察完成，将数据转化为改善，将改善沉淀为标准作业。

没有现场观察，环境式数采只是数据堆砌；有了它，数据才有方向、有价值。

很多企业把数据采集当成了管理本身，认为有摄像头就不用去现场，有算法就不用动脑子。结果：

- 数据维度失焦，关键数据被淹没；

- 异常识别失真，真正异常被忽略；

- 改善闭环断裂，问题反复发生。

本质是现场观察缺位。管理者失去定义数据、验证数据、驱动改善的能力，数采系统越强，混乱越大。

现场观察的价值体现在四个步骤：

1. 用现场观察定义数采“靶心”

    先找改善机会，再决定采什么。通过现场识别“等待最长”的环节、“缺陷最高”的工位、“换型最长”的瓶颈——对应需要采集设备状态、操作动作、换型过程的数据。改善目标决定数据需求。

2. 用标准作业指导数采维度  

   管理者现场验证：工时数据是否反映标准作业符合度？动作数据是否识别了不增值动作？设备数据是否指向停机根本原因？用标准作业校准数采维度。

3. 用现场观察验证异常真相  

   系统推送“异常警报”只是假设。管理者带着假设到现场，用眼睛、耳朵、对话追问，锁定真实原因。系统负责“识别异常”，管理者负责“验证真相”。

4. 用PDCA驱动数采闭环

    数采最终目的是驱动持续改善。管理者在现场通过PDCA：基于数据设定目标，执行改善，对比前后数据验证效果，将有效措施标准化并调整数采重点。数采是PDCA的“仪表盘”，“现场观察”是“方向盘”。

山东能源枣矿集团三河口矿业的实践印证了“现场观察”赋能环境式数采的逻辑。选煤厂面临精煤灰分波动大、工效低等痛点。他们先组建精益改善项目组，运用5M1E、价值流分析等工具，精准定位自动加介误差大、原煤测灰数据不准、采样机堵塞等8项核心症结——这些不是系统自动生成，而是管理团队用“现场观察”、数据验证、员工访谈中一点一点“挖”出来的。

找准问题后，打出“技术革新+流程重构”组合拳：将密控算法中的在线原煤灰分数据替换为原煤浮沉数据，误差控制在0.08%以内；改造采样头并优化连锁程序；将浮选加药系统升级为“灰分—尾矿状态值—加药量”联合控制模型。

结果：密控系统人工干预比例降至8%，智能浮选加药系统人工干预降至10%，智能化巡检功能正常使用率达96.55%，选煤厂人员减少30人，工效提升至1002.8吨/人，精煤回收率提高2.18%，累计创效1122万元。

“现场观察先行、数采精准跟进”的实践，成功破解了装备改造后的“水土不服”。

工业场景标准化是具身智能落地的关键突破口。环境式数采落地离不开场景需求的精准定义与科学方法支撑。这意味着：数采投入必须服务于“可衡量的改善成果”，而这正是“现场观察”最擅长的领域。

- 数采部署从“现场观察”开始，而非传感器选型。

- 数据维度由现场观察校准，而非技术团队定义。

- 改善闭环由管理者在现场完成，而非算法自动推送。

精益的尽头是人的智慧被最大程度释放。“现场观察”正是让管理者智慧“赋能”技术的桥梁。

下一次你去车间，不妨问自己：“我的具身智能系统，今天‘现场观察’了吗？”