夜雨聆风
总结起来我们关注的AI方案可能有2个比较重要的特点。首先是“非侵入式”，它不破坏你原有的系统运行结构，甚至完全独立于原有系统之外运行。编程上有一句话叫“代码能用就别动它”。在实际应用中，AI替代方案也往往会遇到原有系统的抵触和不配合。如果一下子上激进的方案，影响就比较大。其次让AI做的都是些确定性和重复性强的工作。这是工业场景比较明显的特点。所采用的AI方案都比较成熟，准确度要高。
最后大家最关心的成本其实非常低廉，我们讨论的方案基本上都在20万以内，遇到简单的需求几千数万块钱就能闭环。
需要强调的是，利用AI去逆向或者定制材料配方这方面高校的老师更专业，也有很多论文可以参考，我们平时交流和讨论比较多的还是偏生产环境的工厂或者实验室。另外由于圈子的局限性，还有很多用法我们没有尝试，下面讲的也是我们见过、试过的用法。如果有需要的话，我们可以组织组织活动，一起来探讨下怎么用大模型来开发工业AI。
安全怎么强调也不过分，但是它对管理能力和规章制度的执行要求非常高，这方面AI可以做些工作。在车间或者实验室的关键位置挂上摄像头，上一套视觉识别方案，日常的行为管理基本就能自动化了。比如进门有没有戴安全帽、着装合不合规，甚至有没有偷偷抽烟这种隐患行为，AI看一眼就知道。有条件的还可以丢个巡检机器人进去，溜达着发现违规直接语音播报警告，数据同步传回终端留底。
除了盯人以外，拿AI来“盯”重要仪器的故障指示灯和读数特别好用。像平时用炉子烧个样品一烧就是几天，按理晚上得安排人盯，实际可能没人愿意干这个事。这就可以挂一两个摄像头，部署一套基于AI视觉算法的程序实时监指针和状态灯，导入标记好的图片让AI学习后就可以运转起来了。
图1：用GPT绘制的AI视觉识别工作流
需要注意的是，因为安全场景非常重要，而AI方案存在幻觉、假阳性的问题，所以实际实施过程中人工确认流程还是必不可少的环节。
仪器设备突然宕机最让人头疼，但往往在宕机之前是有征兆的。通过视觉识别、加装一些外置传感器，以及直接在仪器内部署一些轻量级的脚本来抓取运行参数，采集设备的运行关键底层数据（如电流、电压、功率、扭矩等），利用机器学习算法拟合运行曲线趋势 。这样做在设备各项指标看似“完全正常”的阶段，捕捉到微小的劣化趋势，精准预测潜在故障，为维护人员提供数据支撑。比如某台仪器监测发现电流与以往同批测试的差异性比较大，或者实时监控某项指标曲线快速上升，就可以提前预警停机检查。而像不能抓取到测量结果数据的设备，可以镜像设备显示系统输出，将其预处理为视频流，通过AI驱动平台的视觉模型，识别并提取测量结果数据，前端处理、整合测量结果数据。当然，这样做的难度大一些，准确度也有下降。
图2：GPT绘制的预测性维修工作流
这块主要就是用深度学习和视觉识别，去辅助甚至替代原来的人工目检。车企的朋友介绍这已经是常规操作了，比如查焊缝有没有气孔、裂纹、咬边，零部件有没有漏装，螺栓拧紧了没有。不仅是车企，现在很多钢铁企业和航空航天领域的表面缺陷检测和尺寸测量，也都在用这套东西替代传统的人工巡检和离线抽检。大企业会上一套稳定的视觉识别平台。如果是小型实验室的话，完全可以手搓。
我觉得这可能真的是各位老板和主管们最喜欢的功能。相比于科研实验室里数据，工业场景的数据规模较大，人工处理太麻烦，导致管理者不能即时掌握一线情况。这就可以通过物联网或AI智能终端将设备互联，进而获取生产过程的实时数据，然后这些海量数据通过标准化处理存入后台数据库，再部署AI数据分析平台，经过平台处理后可以将分析结果实时的推送到显示终端（大屏、移动终端等），方便管理者及时掌握信息。
图3：用GPT绘制的AI数据分析系统框图
我们最近就合作的一个智慧能源方案，在传统光伏设备上部署AI数据分析解决方案，实现对设备的精细化负荷追踪，引入AI能耗趋势预测模型，结合天气、生产计划等多维数据，提前规划调峰策略，还可以基于精确的能耗数据，核算企业、产线乃至单个产品的碳足迹。
最后要说的可能是我近期最大的感触：AI让原本昂贵的软件个性化定制，变成了日常。你现在相当于兜里揣着一个全球顶尖的程序员团队。只要把一个非常具体的需求和实施逻辑交代给 Claude Code，让它在 Mac Mini 里跑一晚上，第二天早上就能给你端出一个能跑通的程序原型。虽然初版肯定不完美，甚至里面跑的还是假数据，但在后面日常人机协同的不断调试下，可能后面就能对付咱们日常的大部分需求了。用这样的办法，我们一群小伙伴已经跑出来7-8个程序，用上的已经有3个了。
见识有限，以上内容仅供参考，欢迎交流。
材料人谭杰供稿。
材料人建有AI+新材料交流群，欢迎从事相关研究工作的同学、老师及感兴趣了解AI赋能的企业技术人员加群。
入群请联系微信cailiaokefu。
