AI要用，不用没有体感

凌晨三点，焊装车间急停。整条线停了，灯亮着，没人动。

找原因。从滤芯查到比例阀，从比例阀查到夹具，从夹具查到输送线。14小时16分后，答案出来了——干燥机滤芯到期。一个滤芯，停了14个小时。

不是设备不靠谱。是因果链太长，每个人只看到自己那段。

这种事在工厂里不新鲜。MTBF（平均无故障时间，就是设备多长时间不出故障）再高，也挡不住一根滤芯到期引发的连锁反应。那能不能让AI提前发现？在虚拟工厂里先把流程跑一遍，提前算出哪里会出问题？

想干这件事，得先"懂"这个工厂。

现在的工厂不缺数据，传感器哗啦哗啦地出，存了一堆。但数据不会自己说话。温度85.5度，在A工厂是正常，在B工厂是压力超标。同一个数字，在不同地方意思完全不同。

得有人告诉机器：这个85.5是什么意思，它跟什么有关系，什么动了它会跟着动。得先有一套"规矩"。

工业里管这套规矩叫"本体"。不是哲学课上那个本体论——就是把工厂里有什么东西、它们之间什么关系，用机器能懂的方式写下来。寄云做工业智能体，第一步不是让AI干活，是先建这套规矩。他们管这叫"不是让AI更聪明，是让AI更守规矩"。

规矩立好了，AI才知道85.5在A工厂该干什么、在B工厂该干什么。

但光懂规矩不够。还得能算——"如果我把这个参数调了，后面会发生什么"。光懂不会算，还是只能当个记录员。

卡奥斯在WAIC（世界人工智能大会）上展了一套东西，往前走了一步。把五样东西拼在一起：什么跟什么有关系、设备参数怎么变、物理规律是什么、该怎么做决定、老师傅的经验。五样东西拼齐了，不光能告诉你"现在怎么了"，还能算"如果改了会怎样"。

想让机器替你提前发现问题，得先让机器"懂"工厂，再让机器能"算"变化。

但退一步看，现在在试的，远不止这一个方向。

数字孪生是最老的。把物理设备在虚拟空间镜像一份，实时同步状态。本质是"记录"——忠实记录现在发生了什么，但不会替你判断。像车载行车记录仪，出了事故能回放，但不能替你踩刹车。建一个高保真孪生体，光数据采集和建模就几百万起步。大厂玩得起，中小企业望洋兴叹。

本体模型是给AI"立规矩"。智枢工业智能体一体机预置了10大行业86个场景模型，开箱即用。但建一个本体，领域专家加工程师协作3到6个月起步。86个模型覆盖10大行业，平均每个行业不到9个，离"够用"还远。

世界模型比孪生多了一步。卡奥斯展的那套，五样东西拼在一起才能推演。五样东西都要建，不是一家能干完的。

西门子Eigen走了另一条路。让AI自己写PLC（可编程逻辑控制器，产线上管动作的"大脑"）代码。2026年WAIC首发，从需求解读到代码编写、界面开发、系统配置、迭代校验，独立完成全流程。实测效率提升50%，质量提升80%，核心流程比人工快2到5倍。已在19个国家、逾百家企业部署。但这是工程层——AI写的是工程代码，不碰控制回路，不碰安全底线。

aRCA（自动根因分析，用算法自动找出故障的源头）解决的就是前面说的那种事。凌晨急停14个小时才找到滤芯——aRCA装一个工业黑匣子，7乘24小时录所有数据，时间戳精确到亚微秒级，算法自动把因果链提取出来。传统方式平均5到7天找到根因，把握度45%到60%；aRCA 2到4小时，把握度85%到95%。

Palantir走的是组织层。把企业的对象、关系、规则、动作结构化。空客用它把大量零部件、供应商、工位、质检数据关联起来，支撑产能预测和排产优化。Palantir成立超过20年，落在管理运营，不碰物理控制。

六个方向落在不同层。你觉得哪个会先跑起来？

实时控制回路，毫秒级闭合，慢一拍就是废品甚至事故。AI敢碰吗？不敢。

安全联锁，硬性物理约束，一票否决权。交给AI？没人敢签这个字。

那什么层容错率高？排产排错了可以重排，不会炸。质量检错了可以复检，不会停线。根因找错了可以再找，不会出事。

但容错率高不等于不花钱。

改造费用——老设备没有数字化接口，要加装传感器、网关，一条线几十种设备协议不通，光"连得上"就百万级。某市技改项目门槛700万，对不少中小企业来说相当于几个月的利润总额。

算力和工具费——Token（AI处理信息的最小计费单位）单价在降，但调用量涨得更快，总成本反升。连优步这样的互联网公司，4个月就耗尽了全年AI预算。互联网公司都扛不住，传统工厂更要算清这笔账。

销售费用——改造完了，产品还是那个产品，客户不会因为你产线智能了就多给钱。降本和溢价是两回事。

这些还只是看得见的。看不见的更贵。要让AI跑起来，得抽调公司最核心的老员工，放下手里的活，花大量时间陪AI磨合、测试、纠错。既付着老员工的高薪，又承受他们教AI导致的短期产出下降。有AI公司内部评估，核心团队人力成本占营收四分之一，新员工半年才能独立工作，项目延期率四成。传统工厂更要算清这笔账。

数据也是一笔。传感器受车间温度、振动影响，数据有噪声、有缺失、有异常跳变。训练用的干净数据和现场跑的真实数据不是一回事。一条线几十种设备，协议五花八门，光是"对齐"就是无底洞。

模型建好了不是放着不管，得不断重训练适应变化的数据。引进AI要改流程，老员工抵触。猎豹的教训是"最反对AI的往往是技术团队"——不是技术团队不努力，是AI引入会改变他们的工作方式和权力结构，抵触是自然的。AI碰不碰控制回路？碰了出事谁负责？各部门各自部署AI工具，"像花园里未经修剪的藤蔓，看似生机勃勃，实则缠绕主干、争夺养分"。

九条费用摆在这里。但费用不是静止的——芯片和算力的下降曲线在加速。国产推理芯片目标"百万Token一分钱"，算力从"奢侈品"做成"水电费"。2026年智能算力规模比2024年接近翻倍。美的超1.3万个AI智能体一年省7亿，首钢排程效率提80%。

费用还在，但被摊薄的速度可能比互联网时代更快。

云计算当年卖的是什么？降低试错成本。不用买服务器，按需付费，试错失败不用扛着一堆硬件。初期IT成本大幅降低。从第一天起，你试错的成本就降了。

AI降低的是认知试错成本。以前验证一个工艺方案，要上产线试，试错一次停一次线。现在可以在虚拟工厂里先跑一遍。以前排产靠老师傅拍脑袋，错了重来。现在AI先算一遍。以前找根因14小时，现在2到4小时。

云计算是"不用建，直接用"，试错成本从第一天就降了。AI不一样——你得先建本体、先接数据、先训模型，然后才开始省。

等的人什么都没有。用的人至少有一堆跑过的案例和踩过的坑。

这次对制造业的冲击，可能比互联网对制造业的冲击来得更快更猛。

互联网时代，要先从零建基础设施——光纤、基站、数据中心、智能手机。每一样从无到有，花了十几年。基础设施铺好了，才轮到制造业想怎么用。

AI时代不用。大模型跑在现成的GPU（图形处理器，AI算力的主力芯片）上，智能体跑在现成的云上，数据从现成的传感器出。芯片和算力的下降曲线，比从零建基础设施快得多。

不是从零到一再到一百，是直接从五十开始跑。

六个方向都在试，九条费用都要算。芯片和算力在降，但降的速度够不够？什么时候能降到值得动？

这笔账，算不过来。不是算不清，是变量太多——算力在降，调用量在涨；模型在变好，场景在变多；今天觉得贵，明天可能就不贵了。

拐点不是等来的。用的人才知道拐点什么时候到。

AI进化太快，一周就是一个轮回。你在旁边看，看到的全是别人的结果，不是自己的体感。不用，你不知道它现在能干什么、不能干什么、差多远。这种判断力不是看报告看出来的，是亲手跑出来的。

快与慢 · 系列思考第一篇《快与慢？》→ 第二篇《推开OT进化的墙》→ 第三篇《AI要用，不用没有体感》