AI 与制造业：质检、预测性维护与工业视觉的硬功夫

制造业的 AI 是整个 AI 产业里最「不性感」也最扎实的分支：没有聊天机器人、没有文案生成，只有产线上的三件硬功夫——质检（机器视觉替代人眼）、预测性维护（预告设备故障）、工艺优化（把参数调到最优）。这个领域的 AI 不需要大模型也能创造真实价值（工业视觉是深度学习最早工业化的应用之一），而大模型的到来在其中一角（知识管理、文档与交互）做补充。制造业 AI 的故事，是对「AI 泡沫」论最好的反驳：AI 的价值从来不靠聊天证明。

硬功夫一：机器视觉质检——最成熟的工业 AI

质检为什么是第一个被 AI 攻下的工业场景：传统人工质检的痛点（疲劳导致的漏检率波动、招工难、标准不统一）+ 深度学习视觉的成熟（缺陷检测是标准的有监督视觉任务）+ 清晰的 ROI（漏检一件缺陷品的代价远高于检测成本）。落地的形态：产线上的视觉检测站（相机 + 模型，毫秒级判定合格/缺陷）、缺陷的分类与定位（划痕、凹陷、色差、装配错误的分型标注）、以及全检替代抽检（AI 让「百分之百全检」的成本可接受——质量管理的范式升级）。落地的现实约束同样清晰：缺陷样本的稀缺（良品率高的产线，缺陷样本少——小样本学习与合成缺陷数据是工业视觉的必修课）、产线环境的恶劣（光照、油污、震动对相机与模型的挑战——工业视觉的工程量在「环境」不在「模型」）、以及误判的双向代价（漏检的流出损失 vs 误杀的良品浪费——阈值是业务决策不是技术决策）。制造业 AI 的第一条经验：最值钱的技术，往往是最「无聊」的技术——把一个判定做到 99.9% 的稳定，比一切花哨都值钱。

硬功夫二：预测性维护——把故障预告出来

预测性维护（Predictive Maintenance, PdM）的逻辑：设备的故障不是突发的，是有前兆的（振动异常、温度漂移、电流波形变化）——在设备上装传感器，用模型学习「正常态」，异常前兆出现时提前预警，把「坏了再修」（事后维护）或「定期检修」（预防性维护，过度维修）升级为「该修才修」。ROI 的账：非计划停机是制造业最贵的损失之一（产线停一天的成本以百万计的产线比比皆是），预测性维护把非计划停机转化为计划内检修——账极好算。落地的路径：从关键设备起步（一台核心机床或主机组的停机损失最大，先为最贵的设备装传感器与模型）、振动与温度分析的成熟方案先行、逐步扩展。落地的现实难点：数据的基础设施（老设备的传感器加装与数据采集——很多工厂的设备连数据出口都没有，「先数字化再智能化」的前置工程量大）、标注的稀缺（故障样本天然少——与质检同样的少样本问题）、以及误报的信任成本（狼来了几次之后，车间就不再理睬预警——预警系统的阈值管理是信任管理）。第二条经验：预测性维护的落地顺序是「最贵的设备优先」，不是「最容易的技术优先」——ROI 的排序决定项目的生死。

硬功夫三：工艺优化与「大模型的一角」

工艺优化的逻辑：制造工艺的参数（温度、压力、速度、配方）与产出质量之间的关系极其复杂，老师傅的经验是几十年试错攒下的隐性知识——AI 的介入形态：参数寻优（用历史数据训练模型寻找更优的参数组合）、数字孪生的仿真（在虚拟工厂里模拟工艺调整的后果）、质量的关联分析（从海量生产数据里找出质量波动与参数的相关性）。大模型在制造业的真实位置要说得诚实：产线的核心 AI 不需要大模型（工业视觉与预测性维护用的是专用的视觉模型与时序模型——小、快、专），大模型的价值在产线之外的环节：知识管理（几十年的设备手册、工艺文档、维修记录的问答——老师傅的隐性知识数字化，本库 RAG 方法论的工业场景）、文档与报告（质检报告、工单、合规文书的生成辅助）、以及人机交互的新界面（车间人员用自然语言查询设备状态与维修方案）。制造业 AI 的完整地图由此是「小模型在产线、大模型在办公室」的组合——大模型不是制造业 AI 的全部，甚至不是核心，但它是把「老师傅的经验」变成「组织的资产」的那把钥匙。

工业大模型的“适配”问题：通用模型为什么在车间水土不服

「大模型在产线外」的判断还有一个技术注脚：通用大模型在工业场景的水土不服，症状有三。症状一：专业语料的稀疏——工业的设备手册、工艺参数、故障案例是企业私有的（公网语料里几乎没有），通用大模型对「这台设备的这个故障码」一无所知——工业大模型的正确形态是「通用底座 + 企业私域知识的 RAG/微调」，裸用通用模型是鸡同鸭讲。症状二：实时性与确定性的错配——产线的控制回路需要毫秒级与确定性（每次同样的输入给同样的输出），大模型的推理延迟与概率性输出都不合格——产线的控制层永远属于专用系统，大模型进不了那个回路（它的位置在「人的助手」层）。症状三：错误的代价结构——车间里的一次幻觉（错误的维修建议）可能导致设备损坏或安全事故——工业场景对错误的容忍度远低于对话场景（本库《出错的双向代价》的工业加强版）。三条症状的汇总诊断：工业大模型的正确打开方式是「约束下的使用」——私域知识注入、限定在知识交互层、与人确认的流程绑定——把大模型当「新来的实习生」用（可以查资料写文档，不能碰设备做决定），它就是工业的好帮手；把它当「全自动专家」用，它就是车间的风险源。

工业视觉的「小模型生意」：被大模型叙事遮蔽的现金牛

制造业 AI 里有一个被大模型叙事遮蔽的现金牛值得单独讲：工业视觉的小模型生意。这门生意的形态：为产线做缺陷检测的视觉系统（相机 + 光源 + 模型 + 集成的整包交付）、按项目收费或按设备收年费——它不性感，但它现金流极好（制造业客户付钱爽快——ROI 算得清的项目在制造业永远有人买单）。这门生意的护城河：行业 know-how 的积累（每个行业的缺陷类型、工艺特点、环境变量都不同——纺织的疋配、玻璃的气泡、PCB 的虚焊——跨行业的 know-how 无法复用，行业内深耕的积累无法速成）、与产线的集成能力（ MES/SCADA 系统的对接——工业软件的接口泥潭是准入门槛也是护城河）、以及交付与服务的现场能力（调试、维护、响应速度——工业客户的供应商切换成本极高）。大模型对这个生意的增量是辅助性的：缺陷样本的合成（生成式模型生成缺陷样本缓解少样本问题——本库语境的 AIGC 在工业的正面用法）、知识管理（本篇正文的产线外环节）。这门生意对 AI 创业者的启示：大模型时代的 AI 创业清单里，别忽略「小模型 + 行业 know-how + 集成交付」的传统配方——它的增长不性感，但它的现金流与护城河，是无数烧钱的故事们梦寐以求的。

工业数据的基础设施：传感器、边缘与「数字化先行」

制造业 AI 的前置工程（「先数字化再智能化」）值得展开成一张基础设施清单——它是所有工业 AI 项目的前置课。基础设施的三层：感知层——设备的传感器加装（振动、温度、电流、压力的传感器套件）与选型（工业级的防护等级、安装的停产成本）；边缘层——边缘计算节点（数据的就地处理与预处理——带宽与延迟的约束下，边缘先做特征提取再上传）、以及边缘与云的分工（本库《端侧 AI》的端云协同在工业的重演）；平台层——数据的汇聚、存储与治理（时序数据库、数据清洗、标签体系——工业数据治理的脏活累活）。「数字化先行」的项目教训：别在数字化没做完时启动智能化——数据不全、不准、不通的场景里，AI 项目必然失败（垃圾进垃圾出的工业版）；数字化的投资要有「AI 视野」——传感器布点的位置、采样频率、标签的设计，都应该为未来的 AI 应用预留（数字化时没想好 AI 要什么，智能化时数据就不够用）。制造业 AI 的完整路径因此是三步的：数字化（把数据采上来）→ 数据化（把数据治理好）→ 智能化（把模型用起来）——跳步的代价，是智能化项目的死亡名单。

小结

制造业 AI 收成四条：三件硬功夫——机器视觉质检（最成熟的工业 AI）、预测性维护（把非计划停机变计划检修）、工艺优化（参数寻优与数字孪生），ROI 的账都极好算；落地的现实约束在「环境与数据」不在模型——缺陷样本稀缺、老设备没数据出口、误判阈值是业务决策；大模型的真实位置是「产线外」——小模型管产线，大模型管知识，把老师傅的隐性知识变成组织资产是大模型的工业价值；制造业 AI 是对泡沫论最好的反驳——AI 的价值从来不靠聊天证明，把一个判定做到 99.9% 稳定就值钱。这个领域的冷静与扎实，恰是 AI 产业叙事里最稀缺的品种。

参考资料

工业视觉与预测性维护的行业公开材料与厂商案例
本库前篇：《AI 与制造业相关的企业治理清单》《企业部署 AI 的安全治理清单》
数字孪生与工业 4.0 的行业框架材料 —— 工艺优化的体系语境