核心摘要
- 构成制造业AX的四个层次
- 胜负取决于复制成本
- 成果应以良品率和停机时间衡量
- 请回溯一起不良品事件
工厂不是靠聊天机器人运转的。朴智敏代表关于中国制造业AI转型（AX）的专栏文章将制造业AX定义为不是安装一个大型语言模型的事业，而是将设备、工艺、工业软件、现场知识整合为一个运营流程的工作。设备处于何种状态、传感器数值意味着什么、不良品产生于哪道工序、AI的判断是否超出安全规则，这些都必须被连接起来。
专栏将制造现场的转型不重复地划分为四个层次。第一是传感器、机器人、控制器等物理层；第二是将设备、工艺、质量、能源数据统一到同一时间轴和语义体系中的数据层；第三是连接MES、ERP、PLM、仓储、维护系统的运营软件层；第四是设定安全限度、人工审批、紧急停止和责任归属的治理层。AI在这四个层次之上进行预测、规划并协调执行，专栏诊断指出，若缺少其中任何一层，试点项目或许可行，但很难扩展到多个工厂。
中国制造业的实际面貌也并非单一样态。一方面有被世界经济论坛认可的灯塔工厂，正在扩展自适应生产和基于AI的质量管理；另一方面，相当多的中小企业仍停留在连接企业资源规划（ERP）、生产管理系统（MES）、产品生命周期管理（PLM）的阶段。领先工厂是在DX基础上扩展AX，而行业平均水平则处于自动化、数字化、智能化同步推进的压缩式转型阶段。政策目标同样不是以模型部署为单位设计的，而是成组设计的。中国提出到2027年在制造领域深度应用3至5个通用模型，打造1000个高水平行业智能体、100个高质量行业数据集、500个代表性应用场景，同时强调制造业的算力基础、云边端模型体系，以及大模型与小模型的协同。
专栏所举企业案例的顺序都是一致的。三一重工先将研发、采购、生产、服务流程标准化并实现线上化，随后搭建了工业互联网平台和数据中间层，并将产品变更时依赖熟练工人调整的焊接路径和条件，转变为基于激光扫描和工艺模型的方式。这是在AI学习之前，先将人的隐性知识转化为机器可读的形式。中国石油天然气集团在长期构建分布式控制系统、设备监测、地质与钻探数据以及一体化生产平台之后，于2025年发布了参数规模达3000亿的昆仑工业大模型。海尔集团则将自身工厂的DX经验扩展为卡奥斯COSMOPlat工业互联网平台，并在2026年重点推出由多个智能体分工处理生产、能源、质量、供应链业务的协作结构。
不过，平台并不会自动修复老旧设备和不完善的数据。由于各行业的工艺和安全规则不同，每次将标准解决方案套用到新场景，都会产生现场集成成本，而设备连接、数据所有权、业务流程重设计的责任仍留在客户企业身上。对中小制造企业而言，比起模型使用费，老旧设备连接、数据整理和现场工程实施费用可能才是更大的负担。因此专栏认为，AX的最终赢家很可能不是拥有最大模型的公司，而是能够以最低成本将同一解决方案复制到多个工厂的公司。
对韩国企业AX的启示
若考虑引入，比起先挑选模型，更应先确认四个层次中哪一层存在缺失，这才是正确的顺序。专栏提出的成熟度标准可直接用于自我诊断。影像检测和设备异常预测属于第一阶段辅助型；若AI能整合MES、ERP、仓储、质量系统并提出生产计划和作业方案，则为第二阶段业务集成型；若多个智能体分工协调订单、物料、生产、质量，仅将例外情况上报给人工，则为第三阶段；若能感知工艺状态并据此调整计划或控制值，并将结果重新用于学习，则接近第四阶段的有限自主运营。专栏还指出，如果数据分散在PLC、MES、ERP、Excel、纸质记录以及熟练人员的经验之中，项目就只能停留在感知和辅助阶段。
绩效指标也需要重新设定。专栏的标准是，工业AI的成效应以良品率、停机时间、单位能耗、计划变更次数、安全事故等指标衡量，而非应用用户数量。供应商和企业公布的效率提升数据，往往只是特定产线和特定时期的自行统计，因此应以是否能够复制到多条产线和多个工厂、以及是否在计入维护和数据整理成本后仍能实现投资回收，作为判断是否可商用的标准。这也是专栏在介绍中国宝武钢铁集团旗下宝山钢铁（宝钢）应用案例时，特别强调其数据和效果均为企业自行发布、需要独立验证的原因。
若涉及安全相关工艺，问题本身就会不同。通用大模型直接操控阀门和机器人的情况很少见，更现实的结构是：由大模型负责制定作业计划，而经过验证的工业软件、小模型、控制系统负责实际执行。专栏提出，安全行业的成熟度标准不应是“AI能自主决定多少”，而应是“在什么条件下停止并交由人工处理”。在制定提升自动化水平的计划时，最好同时以书面形式明确停止条件和交接规则，这样更为安全。
本周可以确认的事项可以聚焦为一件：请选出上月损失最大的一起不良品事件，看能否仅凭现存记录追溯出该不良品产生于哪道工序。如果无法追溯，那么当下缺失的不是模型，而是数据层。