夜雨聆风这几年有一个越来越明显的感受：行业里对AI、信息化、自动化这三个词的混用，已经到了让人头疼的地步。
自动灯检机用图像识别检出裂纹瓶，有人就说“上了AI”。空调系统根据室外温湿度自动调节送风参数，也有人说是AI。
中药提取罐温度到了自动关蒸汽，还是有人说是AI。生产计划排程软件自动算出一条最优生产顺序，当然更被说是AI。
到底什么是AI？什么只是普通的自动化？什么又属于信息化？如果我们连这几个基础概念都分不清，数字化工厂的规划就很容易走偏：
该用自动化的地方花大价钱上了AI，该上AI的地方又只做了一个简单的自动控制，该做信息化的地方系统之间却对不上数据。
今天这篇文章，我想从最底层的第一性原理出发，把AI、信息化、自动化的边界和价值讲清楚。
一、AI、信息化、自动化在解决什么问题
抛开所有的技术名词、供应商PPT和行业热词不谈，回到制药生产最本质的问题：我们要用确定的设备、按照确定的步骤、生产出符合质量要求的产品。
在这个过程里，有三个完全不同的问题需要被解决。
第一个问题：设备如何按照要求自动控制？
发酵罐的温度要控制在37℃，空调系统要把洁净区温度维持在22℃、压差维持在15帕，中药提取罐温度到了100℃要关蒸汽。
这些都是“让设备按照设定的规则自动执行动作”。解决这个问题的技术，叫自动化。
第二个问题：信息怎么在人与人、部门与部门、系统与系统之间流转？
一个批次生产完了，QA需要审核批记录。生产计划部门需要知道哪条产线什么时候空出来。管理层需要看到这个月的设备综合效率是多少。
这些都不是控制设备的问题，而是“让信息在正确的时间以正确的形式到达正确的人手里”。解决这个问题的技术，叫信息化。
第三个问题：系统能不能从历史数据中自己学到规律，然后做出判断和预测？
自动灯检机不只是拍一张照片、测一个像素值，它要从几百万张合格与不合格的图片中，自己学会区分“有裂纹的瓶”和“有气泡的瓶”
而且随着新数据的增加，判断越来越准。这个能力，超出了“按照预先写好的规则执行”的范畴。解决这个问题的技术，叫人工智能。
用最直白的话总结三者的区别：
自动化，是让机器代替人的手和脚。人设定好规则，机器照做。温度到了设定值就自动调节阀门、压差低了就自动加大送风频率，这些都是自动化。
信息化，是让信息代替人跑腿。以前需要人拿着纸质记录从一个部门走到另一个部门签字，现在系统自动流转。以前排产靠Excel和电话，现在MES自动根据设备状态和订单优先级算出排产计划。
人工智能，是让系统代替人的部分判断。不需要人预先写清楚“如果温度超过37℃就怎么怎么样”的每一条规则，系统自己从历史数据中找出规律，自己做出判断。而且看得多了、学得多了，判断越来越准。
二、用真实场景，把AI、信息化、自动化概念讲清楚
上面的定义可能还有些抽象。接下来，我用制药行业几个最常见的场景，把AI、信息化、自动化的边界划清楚。
自动灯检图像识别：这是AI
一条高速灌装线，每分钟出来几百支西林瓶。每一支都要检查有没有裂纹、有没有异物、装量对不对。
传统做法是人工灯检：操作员坐在灯检台前，肉眼一支一支看。人眼的疲劳极限大概是20分钟，之后漏检率直线上升。所以一个班次要好几个人轮流上。
后来有了自动灯检机。自动灯检机是怎么工作的？它用高速相机给每支瓶拍多张不同角度的照片，然后由软件判断这个瓶是合格还是不合格。
这里的核心问题是：软件怎么判断？
早期的一些自动灯检机，用的是传统图像处理算法。什么叫传统算法？就是人把规则一条一条写清楚。
比如“如果某个区域的灰度值低于阈值，则判定为裂纹”或者“如果某个像素面积范围内检测到灰度差异超过设定值，则判定为异物”。
这种做法的缺点是明显的：非常依赖阈值的设定，阈值太严误剔率高，阈值太松漏检率高。而且不同产品、不同瓶型，阈值都要重新调。
基于AI的自动灯检，做法完全不同。
它不是靠人写规则，而是靠“学习”。在项目初期，人工灯检专家先把几万支甚至几十万支瓶子分类：这批是合格品，这批是有裂纹的，这批是有异物的，这批是气泡不是异物。
这些标注好的数据，喂给一个深度学习模型。模型自己从这些图片中提取特征、学习规律，什么样的纹理是裂纹、什么样的形态是异物、什么样的光影变化只是气泡可以忽略。
训练完成之后，模型就可以对新来的每一支瓶做出判断。而且更关键的是，它的能力会持续进化。
生产过程中如果出现了新的缺陷类型，人工确认后把这些新数据加入训练集，模型就可以学会识别这种新缺陷。这是传统算法做不到的。
这个场景的价值在哪里？
人工灯检，一个人一天的有效工作时间有限，而且一致性受状态影响很大。AI灯检不受疲劳影响，检测速度可以与高速灌装线完全匹配，检测标准和准确性能得到保证。
从合规角度看，AI的每一次判断都有完整记录，哪支瓶、哪张照片、模型判断结果是什么，全部可追溯，这是人工灯检的记录深度无法比拟的。
这个场景为什么是AI而不是普通自动化？
因为判断“这个纹理是裂纹还是气泡”这件事，没法用几条简单的规则来描述。人眼能区分，靠的是长期经验积累形成的直觉。
AI做的事情，是用大量的标注数据来模拟这种经验的积累过程。它不是在执行人写好的规则，而是自己从数据中“学”出了判断能力。这就是AI和自动化最本质的区别。
空调系统控制温湿度和压差：这是自动化
洁净区空调是药厂能耗最大的公用系统，也是GMP合规的核心保障。B级走廊与C级背景区之间的压差必须维持在15帕，温度22±2℃，湿度45%至65%。
这套系统是怎么工作的？
在送风管和回风管上装有温度传感器、湿度传感器。在洁净区各个关键房间和走廊之间装有压差传感器。
这些传感器把实时数据传给BMS控制器。BMS控制器里，工程师预先设定好了控制逻辑：当温度高于22℃时，加大冷冻水阀门开度；当压差不稳时，调整VAV阀门开度。
这是典型的PID闭环控制，是自动化的核心。
它遵循一个固定的逻辑：检测偏差、计算控制量、执行调节、再检测。这套逻辑是人预先写好的，控制器只是在忠实地执行。
那为什么很多人会把空调控制说成AI？
因为有些配置比较高的空调系统，会在常规PID控制的基础上，表现出一些看起来很“智能”的行为。
比如，它能根据室外温湿度的变化提前控制系统，或者能对温度波动产生一种“阻尼”效果，避免出现过冲。
这背后的功臣，其实不是AI，而是PID控制器里的微分参数（D）。
简单来说，PID里的比例参数（P）看的是“当前”的偏差，积分参数（I）看的是“过去”偏差的累积，而微分参数（D）看的则是偏差变化的“速度”或“趋势”。
当它检测到室外温度正在快速上升，这个信号会很快让空调做出反应，这就是“前馈”；当它发现室温快要接近设定值时，会提前减小阀门开度，防止温度冲过头，这就是“阻尼”效果。
所以，无论它看起来多“聪明”，这些功能本质上都是人预先设计好的数学模型在实时运行。
算法的结构、微分作用的强弱、调节的范围，都是工程师提前设定好的。它不会自己去“学习”新的控制策略，只是忠实地执行一套设计精巧的物理调节规则。这就是自动化，不是AI。
这个场景的价值在哪里？
一套自动化水平高的空调系统，可以24小时不间断地维持洁净区的环境参数稳定，不受操作员经验差异和疲劳的影响。
所有温度、湿度、压差数据自动记录在BMS历史数据库中，形成完整的GMP合规追溯链。与信息化系统结合后，这些数据还可用于能耗分析、偏差调查和持续工艺确认。
这个场景为什么是自动化而不是AI？
因为它处理的是一个“规则清晰的物理世界”。温度高了就降温、压差低了就加大风量，因果关系是明确的、参数关系是可以用物理方程描述的。
在这种场景下，传统的PID控制已经可以做到很好，不需要AI来“猜”规律。
中药提取温度调节：这也是自动化
中药提取罐，罐内温度需要按照工艺要求控制。
提取罐夹套里通蒸汽加热，当罐内温度接近设定值时，自控系统自动关小蒸汽调节阀。
这是一个典型的温度PID控制回路：温度传感器检测罐内温度，控制器与设定值比较，根据偏差大小调节蒸汽阀门开度，使罐内温度稳定在设定值。
这个场景为什么是自动化而不是AI？
它的逻辑非常简单明了：温度高了就关小蒸汽调节阀，温度低了就开大蒸汽调节阀。因果关系明确，控制策略清晰。
如果在这个场景上硬套AI，反而是把简单问题复杂化。这种场景需要的是控制精度、响应速度和长期稳定性的持续优化，而不是让系统自己去“摸索”怎么控温。
MES生产计划排序和电子批记录：这是信息化
一个生物制药基地同时跑着多条产线，每条产线要生产多个产品。哪天哪条线做哪个产品、按照什么顺序排产、如何在设备维护和批次切换之间找到最优组合，这是一个复杂的排程问题。
在没有信息化系统的时候，排产靠的是计划员的一台电脑和一张Excel表。水平高的计划员排得合理，换了个人可能就排得冲突不断。所有信息都在计划员脑子里，人走了经验就走了。
MES生产计划排序在做什么？
它把排产这件事从“人脑计算”变成了“系统计算”。MES知道每条产线的设备状态、每个产品的工艺时长、每个批次的优先级、每台设备的维护日志。
在这个基础上，系统按照预设的排程规则和优化目标，自动算出一条满足所有约束条件的生产顺序。
这和AI的“自己学规律”是不同的。排程的核心算法可能是运筹学里的线性规划或启发式搜索，它的规则和优化目标是人定义的。
但它把排产这件事从依赖个人经验变成了依赖系统规则，这是信息化的核心价值。
电子批记录在做什么？
电子批记录是信息化价值的另一个典型代表。传统模式下，操作员手动记录投料量、pH值、搅拌时间；
QA手动汇总DCS趋势图、LIMS检测报告、物料收发记录，写审核报告。这些信息分散在不同系统里，需要人来收集、整理、核对。
MES上线电子批记录之后，DCS的过程数据自动采集到批记录中，LIMS的检测结果自动关联到对应批次，WMS的物料批号自动匹配到投料记录。
批次结束时系统自动生成一份完整的电子批报告，QA审批工作量大大降低。信息在整个生命周期内自动流转，审核周期从半天以上缩短到两小时以内。
这个场景为什么是信息化而不是AI？
因为它解决的核心问题是“信息传递”，不是“规律发现”。
排程的规则是人制定的，批记录的结构是人设计的，系统做的事情是把这些信息和规则自动化地流转和管理起来。
它让原来靠人跑腿、靠纸传递的信息，变成系统自动流转。
三、三者的关系：一个递进的层次结构
理解了这三件事各自在解决什么问题，再看它们之间的关系，就非常清晰了。
自动化是基础。 它解决的是“设备怎么按照要求动作”的问题。没有自动化，信息化没有数据源，AI没有执行落点。
很多药企的自动化基础还比较薄弱，控制回路长期处于半自动状态，操作员一直在手动干预。这种状态下谈信息化和AI，基础是不牢的。
信息化是连接。 它解决的是“信息怎么在系统之间流转”的问题。自动化产生了大量数据，但这些数据散落在各个孤立系统里。
信息化把这些数据串起来，让生产管理、质量管理、物料管理形成一个闭环。没有信息化，数据就是沉睡的矿石，AI也找不到可以学习的材料。
AI是洞察。 它解决的是“怎么从数据中发现人眼看不见的规律”的问题。当自动化积累了足够的高质量数据，当信息化把这些数据汇聚成结构化的数据集，AI就有了用武之地。
它可以在这些数据中找到人脑难以处理的复杂关联，给出预警和优化建议。
三者不是替代关系，而是递进关系。 不存在“用了AI就不需要自动化”这种事。没有自动化采集的实时数据，AI再聪明也没东西可学。
没有信息化构建的流程闭环，AI即使找到了规律也不能被有效执行。
这也是为什么我在很多场合反复讲：药企的智能化建设，应该按照“先自动化、再信息化、最后智能化”的顺序推进。
跳步的结果往往是AI模型跑在残缺的数据上，输出不可靠的结论，最后管理层觉得AI没有用，实际上是前两步的课还没补完。
四、写在最后
回到一开始那几个问题。
自动灯检图像识别是不是AI？是的。
它的核心判断逻辑不是人写的规则，而是从大量数据中自己学出来的。而且它能不断学习、不断进化，这是AI的本质特征。
空调系统控制是不是AI？不是。它是典型的PID自动化控制，因果关系明确，规则由人预先设定。
中药提取温度调节是不是AI？也不是。它是温度闭环PID控制，逻辑清晰，不需要AI。
生产计划排序是不是AI？不完全是。它的核心是运筹学算法，规则和优化目标由人定义。它属于信息化层面的高级排程功能。
之所以要把这些概念分清楚，不是为了咬文嚼字，而是因为在制药行业的智能化建设中，很多项目走偏了方向。
该用AI的地方用了一个简单的自动化，结果漏检率居高不下。该做自动化的地方花大价钱上了AI，效果却不比一个调好的PID回路好多少。
该做信息化的地方系统之间却对不上数据，MES上线后反而增加了操作员的负担。
把基础概念理清楚，把每一分钱投在真正能解决问题的地方。
从自动化开始把设备控稳，用信息化把流程跑顺，最后在数据充分积累的基础上让AI帮我们发现看不见的规律。
这才是制药行业智能化工厂建设最务实、最有效的路径。
