夜雨聆风据新华社 5 月 18 日报道，李强总理在北京调研时强调，要推动人工智能与先进制造业深度融合，积极促进智能机器人迭代升级。他先后去了北京人形机器人创新中心和小米汽车科技有限公司，看的不是发布会 PPT，而是机器人、智能制造、质量检测这些更接近车间现场的东西。
这件事挺值得科技从业者看一眼。
因为过去两年，大家聊 AI，更多是在聊大模型、聊天机器人、写代码、做 PPT。说白了，AI 还主要待在电脑屏幕里。但这次信号很明确：AI 要从办公室走向工厂，从“帮你写一段话”走向“帮一条产线更快、更稳、更少出错”。
我的看法是，AI 进厂不是一句口号。它会先改变一批人的工作方式，然后再慢慢改变一批岗位的价格。
问题来了：普通人该补什么？
不是马上去学机械臂编程，也不是冲动报名一个“工业 AI 大师班”。讲真，大多数人真正缺的不是某个工具，而是下面这三种能把 AI 用到真实场景里的能力。
第一种能力：把业务拆成流程，而不是只会提需求
很多人用 AI 的方式，其实还停留在“许愿”阶段。
帮我写个方案。
帮我做个表格。
帮我分析一下。
这在办公室里还能凑合，但到了制造业现场就不够了。因为工厂里的问题很少是一个孤立问题，它通常是一串流程：来料、排产、质检、设备状态、人员交接、售后反馈，任何一个环节没说清楚，AI 给出的建议都可能看起来很聪明，落地时很尴尬。
比如质量检测。你不能只说“让 AI 帮我找缺陷”。你得说清楚：缺陷有哪些类型？哪些是必须拦截的红线？误报会不会拖慢产线？漏报会不会造成召回？数据从哪里来？人工复检怎么接上？
这才是有用的需求。
我一直觉得，AI 时代最吃香的人，不一定是最会写提示词的人，而是最会把复杂工作拆成流程的人。
这句话有点绕，但很关键。
因为 AI 真正进入制造业以后，它要解决的不是“生成内容”，而是“优化流程”。谁能把流程讲清楚，谁就更容易成为 AI 项目的接口人。
对普通职场人来说，可以从一个很小的练习开始：把你每天重复做的工作画成 5 步以内的流程图。每一步写清楚输入是什么、输出是什么、判断标准是什么。
别嫌土。
很多公司的 AI 改造，第一步就是靠这种土办法跑起来的。不是先上大模型，而是先把混乱的工作变成可描述、可追踪、可优化的流程。
第二种能力：理解数据从哪里来，而不是只看结果好不好看
AI 进厂以后，数据会变得更贵。
这里的贵，不只是服务器成本贵，而是“干净、连续、能解释”的数据会变得稀缺。制造业和互联网产品不一样。互联网产品的数据天然在线，点击、停留、转化都能记录。但工厂现场的数据经常分散在设备、表格、老师傅经验、纸质记录里。
你猜怎么着？
很多所谓“AI 赋能制造”，最后卡住的地方不是模型不够强，而是数据根本喂不进去。
设备状态没有统一采集，质检标准写得含糊，异常原因靠口头交接，历史维修记录缺字段。模型再聪明，也只能在脏数据里打转。
所以第二种能力，是理解数据。
不是让每个人都变成数据科学家，而是至少知道三个问题：
第一，这个数据是机器自动采集的，还是人手填的？
第二，它能不能连续追溯，还是只有某几个节点有记录？
第三，它和最终业务结果之间有没有明确关系？
举个例子，一个车间想用 AI 预测设备故障。听起来很高级，但如果只记录“设备坏了”，不记录坏之前的温度、振动、负载、维修动作，那预测就很难做。反过来，如果这些数据长期稳定记录，哪怕一开始不用复杂模型，也能先做出异常预警。
这就是差距。
AI 不怕问题复杂，怕的是现场没有留下痕迹。
对个人来说，最现实的提升方式，是训练自己在汇报工作时多加一层“数据来源说明”。不要只说“效率提高了”，要说效率怎么算、样本多大、有没有排除偶然因素。
这听起来像小事，但在 AI 项目里，这是基本功。
第三种能力：能和机器协作，也能和人解释
很多人担心 AI 和机器人会不会替代岗位。这个问题不能回避，但也别把它想成电影里的那种“一夜之间机器接管工厂”。
更现实的情况是：岗位不会立刻消失，岗位里的任务会先被重新分配。
比如一个工艺工程师，以前大量时间花在查问题、翻记录、写报告。未来 AI 可以帮他先把异常批次、设备参数、历史案例拉出来，甚至给出几个可能原因。但最后判断能不能改参数、要不要停线、风险谁承担，还是要有人拍板。
这时候，人的价值就变了。
以前你值钱，是因为你记得多、查得快、经验足。以后你值钱，是因为你能判断 AI 的建议哪里靠谱，哪里不能信；还能把这个判断讲给老板、产线、供应商听。
坦白讲，这比单纯会用工具难多了。
它要求你同时懂一点技术、懂一点业务、懂一点沟通。你不用会训练模型，但你要能问出好问题：这个结论基于哪些数据？有没有可能是样本偏差？如果按这个建议执行，最坏结果是什么？有没有人工复核机制？
这类人会越来越值钱。
我把它叫“人机翻译能力”：一头听得懂机器给出的概率和建议，一头讲得清业务里的风险和取舍。
未来制造业里，真正稀缺的不是“会点 AI 的人”，而是能把 AI 放进组织流程里的人。
普通人现在可以怎么做
如果你在科技公司、制造企业、供应链、汽车、硬件、机器人相关行业，我建议别等公司正式喊口号再动。
可以先做三件小事。
第一，选一个你最熟悉的重复流程，写成标准操作文档。重点不是写漂亮，而是把输入、输出、判断标准写清楚。
第二，盘点这个流程里有哪些数据。哪些已经电子化？哪些还靠人记？哪些字段经常缺？你会很快发现，很多“AI 做不了”的问题，其实是基础数据没铺好。
第三，拿一个 AI 工具做小范围试验。不要一上来改造整个部门，就选一个低风险任务，比如会议纪要归类、异常工单摘要、质检记录初筛。跑一周，看看它到底省了什么，又制造了什么新麻烦。
讲真，后者更重要。
AI 项目的坑，往往不是“它不能做”，而是“它做了以后谁来检查、谁来负责、谁来接下一步”。你越早碰到这些问题，就越早形成真实经验。
最后说句实在话
AI 进厂以后，最先受益的可能不是最懂模型的人，而是最懂现场的人。
但前提是，懂现场的人愿意把经验变成流程，把流程变成数据，把数据变成能和 AI 协作的系统。
这也是我为什么觉得这次信号值得重视。
AI 不是只在发布会上改变世界。它真正改变行业的时候，往往是在车间、工位、质检台、售后单这些不起眼的地方。
下一波机会，可能就藏在这些地方。
你所在的行业，AI 最先会改掉哪个流程？评论区聊聊。
