制造系统的一切——MES、MOM、APS、QMS——都服务于同一个本质：向客户兑现确定性承诺。产品以约定的质量、时间、成本交付，这一承诺构成了工业文明的底层契约。当 AI 介入制造系统时，它改变的不是承诺本身，而是兑现承诺的方式。而兑现方式的迁移，将反向重塑系统的存在形态。这一重塑至少发生在四个层面。
一、概率性执行：确定性边界的动态重划
传统制造系统的可靠性建立在确定性之上。焊接温度 260°C 就是 260°C，工单流转逻辑写死在程序里。确定性是工业系统的信仰。但制造系统的物理现实比信仰更复杂：变异性是制造系统的固有属性。设备的加工时间存在分布，物料的质量存在波动，人员的操作存在差异。传统制造系统处理变异性的手段是缓冲——用库存、产能、时间来缓冲。确定性是一种幻觉——它是通过足够的缓冲伪装出来的。AI 天然是概率性的。视觉检测准确率 99.5% 而非 100%，异常诊断的建议可能对也可能不对，大模型每次推理的路径都不相同。当概率性系统嵌入确定性架构，制造系统从单一逻辑变成了混合逻辑。我们是否仍然在用确定性的标准来要求概率性系统？如果答案是肯定的，那么 AI 永远是"不够好"的。但如果换个框架，问题变成"如何在概率性执行的基础上，建立不低于确定性执行的可靠性"，逻辑就完全不同了。答案不是消除概率性，而是动态地划定确定性与概率性的边界：关键节点——安全、合规、关键质量参数——保留确定性；非关键节点——异常诊断、参数调优、智能推荐——交给概率性系统；工程化约束串联两者——确定性脚本构成骨架，概率性 AI 在决策点介入，质量门禁兜底。但这条边界不是画一次就永远不动的。随着 AI 能力提升，确定性的领地在缩小；但同时，多 Agent 协作引入了新的通信不确定性，模型更新引入了行为漂移。系统的架构需要持续地重新划定这条边界。一个更深的问题是：工业系统追求稳定可控，技术系统追求快速迭代，两者如何在同一架构中共存？确定性不是"永远不变"，而是在概率性框架内达到统计意义上的稳定。变异性不能被消灭，只能被缓冲。在概率性架构中，通过冗余校验、质量门禁、多 Agent 交叉验证，在概率性之上建立足够厚的"缓冲层"，使系统在统计意义上达到不低于确定性的可靠性。
二、边界管理者：人的角色从操作者到监督者
传统制造系统的设计逻辑是：系统处理正常流程，人处理异常。人是系统的"补丁"。AI 改变了这个结构。Agent 可以自动诊断设备故障、分析良率下降原因、调整排产计划。异常不再是需要人来兜底的"意外"，而是系统本身可以处理的"常态"。人的角色从操作者变成了边界管理者。其职责收敛为四个元操作：设定目标、定义边界、判断价值、承担后果。Agent 建议调参导致批量不良，责任在人不在 Agent。这不是伦理选择，而是系统设计的必然——因为概率性系统不能被要求为确定性后果负责。操作者的技能是肌肉记忆，监督者的技能是元认知。前者的衡量标准是"做得多快多好"，后者的衡量标准是"知道什么时候该介入、什么时候不该"。这两类技能之间不是渐进升级关系，而是质的跃迁。很多制造企业导入 AI 后发现"系统很好但没人用"，根本原因往往不是技术问题，而是人的技能结构没有跟着转变。人也是一种缓冲——而且是最灵活的缓冲。交叉培训使人能够在不同工位间灵活调配，这本质上是一种产能缓冲。当 AI 系统承担了越来越多的异常处理功能后，人作为"灵活缓冲"的价值转移了——从"处理异常的产能缓冲"转变为"管理 AI 边界的战略缓冲"。技术的初衷是增强人，但增强到极致是否就是替代？当 Agent 能处理 95% 的异常，剩下 5% 需要人判断的异常，人是否还有足够的经验积累来做出正确判断？人的判断力本身就依赖于大量处理异常的实践——当这个实践被 Agent 取走后，判断力从何而来？
夜雨聆风
