1 工业AI的数据保护与知识提取的难题

　　宋：管老师，在和一些企业交流后，我感觉在工业领 域里，大家对于AI究竟如何落地都有很迫切的了解需求。但 是，他们的顾虑在于两个方面：首先，AI企业对于现场的了 解是匮乏的，并且也缺乏相应的人才;其次，他们又不愿意 将这些制造中的Know-How与AI企业分享。这些对于AI的推 进是非常现实的难题，请问您怎么看待这样的情况，有哪些 好的建议?

　　管：这是个老大难问题，在工业互联网时代就有了，做设备的不懂现场，懂现场的不懂数据，懂IT的不懂工业， 2017年我们提出来工业还是应该回归“松耦合”，让专业的 人做专业的事情，但专业的事情做了以后呢?没有人可以站 在更高的维度来看这些站在不同注意力(Attention)角度之 上的平衡，也就是全局。而工业里提效也好、降本也好，不 仅要解决局部的问题，更要讲的是一个全局，不仅是一家企 业，价值链的延伸更是同样如此。如果一家链主企业把供应 链上的供应商都“逼死”了，难道这家企业就能独善其身不 成?工业互联网时代是没有答案的，然而AI出现之后有了，如果你对这次大模型带来的多注意力机制有了解的话，就立 刻能联想到了，所以我们有几个考量的方向：

　　(1)全局视角与局部优化的平衡难题

　　工业系统的复杂性在于“牵一发而动全身”。过去工业 互联网的尝试常陷入“局部优化陷阱”——设备供应商只关心 设备效率，IT企业聚焦数据管道，OT团队守护产线稳定，却 无人能站在全价值链的维度来统筹钢产量、库存周转、能耗 成本的之间的三角关系。

　　破局点在于AI的多注意力机制：大模型可同时关注设 备的振动信号、原材料批次质量、订单交付紧急度等多模态 数据，在动态博弈中寻找帕累托最优。例如通过引入智能体 的调度模型，在将高炉煤气利用率提升的同时，降低库存积 压，一次干不好，可以干两次;两次干不好，那就来一千 次，可以是由模型来模拟，也可以在实践中让智能体不断自 省，找到当中的平衡点。

　　(2)制造业Know-How

　　制造业的Know-How对于一家企业来说至关重要，无 论是工艺配方还是财务透明度都是不传之秘，这些知识基本 上不存在与别人共享的可能，搞自动化的或者搞AI的要尊重 这一点，所以解决问题得从这个基础开始，当然到目前人工 智能技术的发展有三样工具可以逐渐将这个“死结”解开：

　　①第一工具：联邦知识蒸馏

　　通过参数隔离技术，让AI在不接触原始数据的情况下学 习知识精华。如：半导体企业A的缺陷检测模型，将其预测 逻辑蒸馏成轻量级规则注入企业B的本地模型，实现知识迁 移而不泄露晶圆图案细节。

　　②第二工具：因果推理增强

　　用因果链分析取代传统关联分析，让AI理解“温度提 升导致良率下降”的本质是冷却速率不足，而非简单统计关 联，这种多头注意力机制的引入使企业可以跨设备、跨部门 共享因果机制，而不是仅仅依赖某一设备的具体参数。

　　③第三工具：数字契约

　　基于区块链的智能合约，确保工艺参数的使用权与所有 权分离。例如：化工企业将催化剂配方加密后上链，AI企业 调用时需支付Token并获得有限次数的计算权限，虽然这种 方式是基于区块链的。

　　宋：果然是“术业有专攻”——这里提到的几个点，的 确可能会是对AI不大了解的朋友所不清楚的。原来工业场景也可以通过“知识蒸馏”来实现“隔离”;并且“因果推理增 强”可以降低算力需求且能更为实时的推理;而数字契约也 是一种很好的办法。

　　2 AI人才培养的“三明治”模型

　　管：人才不是一时半会儿就有的，人工智能从某种意义 上来说发展得太快了，普遍意义上的制造业不能指望马上就 有百八十个AI人才来实现自己的人工智能战略，而且这个前 提是制造业企业要知道自己企业的人工智能战略是什么。因 此，在假设我们已经知道企业具体的AI发展战略之后，那么 在人才布局上可以参考这样的架构——

　　· 顶层：培养3-5名AI战略架构师，他们需同时理解精益 生产与机器学习特性，负责制定AI与业务融合的顶层逻辑; 如果无法做到，则可以先成立一个AI实验室，负责引入合作 伙伴来推动企业AI战略的规划和实现;

　　· 中间层：通过低代码AI平台武装企业的工艺工程师， 使其能自主开发预测性维护等场景应用;

　　· 基层：企业可以与职业院校共建工业AI技工认证体 系，培养会操作智能质检设备、能理解模型报警含义的新型 “蓝领”人才，可见，未来掌握AI人工智能能力的产业工人 会比传统产业工人的效率要更高。

　　宋：管老师预设的是“AI战略清晰”，其实，可能这就 是目前很多企业发展AI的第一大难题。我们经常说做正确的 事，才正确地做事。对于制造业而言，能够清晰认识到AI与 自身的“爆点”在哪里，本身就是“AI人才”的一种“前置能 力”。很多企业对于AI的认识还是很模糊的——它是什么?它 能干什么?它能在企业运营这里干什么?……因此，目前来说，制造业领域还需要很多像管老师这样能够在AI技术和产 业之间建立起桥梁的专家。

　　3 如何平衡IT与OT的碰撞

　　宋：管老师，IT人思考问题与OT人思考问题，在我看来 其实是两个方向，一个是自上而下的，一个是自下而上的。 前者从全局看局部，但有可能你的全局未考虑现实的局部而 无法推进;后者则是从问题而来，但有可能解决了局部难 题，但缺乏解决全局问题的能力。那么，您认为如何才能在 这两者之间达成平衡呢?

　　管：人有死角、有成见，但道理上AI不会，所以第一是 要建立起多级Agent驱动的企业运营管理模型，第二是要让 这些Agent都具备快速反省的能力，让他们在实践中能够动 态调整策略。IT与OT的冲突本质是确定性系统与不确定性系 统之间的碰撞。OT往往要求达到99.99%的稳定;而IT则追求 敏捷迭代——平衡二者需要构建“双环学习”体系。

　　(1)第一环：Agent驱动的实时决策层

　　· 在边缘侧部署物理信息Agent，直接连接PLC与传感 器，执行毫秒级控制(如紧急停机);

　　· 在车间级部署资源优化Agent，将IT和OT系统、数据 连接起来，协调多产线资源分配;

　　· 在供应链级别设计博弈优化Agent，将局部和全局统 筹起来，并在模拟和实践中获得其优化路径。

　　(2)第二环：因果反事实推理层

　　工业知识的价值不在于静态存储，而在于动态演化与主 动创造。真正的知识工场需要实现“数据→知识→决策→验 证”的闭环。原来这一环节都是依赖老师傅的经验，但在AI 背景下，这个闭环可以通过事实推理和因果算法来推导关键 路径权重，更科学地沉淀企业的Know-How，例如：

　　· 当出现异常(如某批次产品硬度超标等)，系统不仅 定位直接原因(例如淬火时间不足等等) ，更能模拟“如果 当时延长回火时间会怎样”，通过反事实推演来优化工艺知 识库;

　　· 知识库很重要!很重要!很重要!我更愿意称其为知识 工场，不仅仅是找个大模型把一堆文档丢进去，然后可以聊 天，而是要保证这个知识工场能不断更新、接入实时数据、 把不同的数据源、知识整合起来;当每个生产异常、每次改 进都能触发数百次数千次虚拟世界的“如果当时……”，工业就真正进入了用计算创造知识的时代。

　　4 制造企业的AI战略制定建议

　　宋：能力在任何时候都是关键，不管是企业的整体能 力，还是团队中的个体能力——那么，对于推进AI项目，企制 造业企业应该有怎么样的能力来培养或者完成团队建设呢? 是否需要借助于外力来进行这项工作?

　　管：工业AI的落地不是“买一个模型就能用”的简单任 务，而是需要企业从战略认知、组织能力到技术储备的全面 升级。这就像攀登珠峰，既需要清晰的路线图，也需要专业 的向导和扎实的训练。下面是大家可以参考的企业AI能力建 设的“三步走”策略：

　　(1)第一步：明确AI能力建设的“金字塔”模型

　　①顶层：战略决策能力

　　· 核心目标：让管理层理解AI的边界与价值，避免“AI万 能论”或“AI无用论”的极端认知;

　　· 培养方式：

　　—组织高管参加工业AI战略工作坊，通过案例拆解来理 解AI如何创造业务价值，高管的认知和经验投入是企业AI战 略的重要起点;

　　—引入AI成熟度评估模型，帮助企业定位当前阶段(如： L1数据采集→L5全流程优化)，制定3-5年AI路线图。

　　②中层：业务融合能力

　　· 核心目标：让业务骨干(如生产经理、工艺工程师 等)具备“用AI思维解决问题”的能力;

　　· 培养方式：

　　—开展AI+精益生产双轨培训，教会工程师如何将六西格 玛问题转化为机器学习任务;

　　—开发或者引入低代码AI工具链，让业务人员能自主完 成80%的常规分析任务(如设备健康度评分、质量异常分类 等等)。

　　③基层：数据操作能力

　　· 核心目标：让一线员工(如设备操作员、质检员等) 掌握AI工具的基本操作与反馈机制;

　　· 培养方式：

　　—设计AI技能认证体系，覆盖数据标注、模型报警响应 等实用技能;

　　—与学校合作，培养下一代新型的产业员工。

　　(2)第二步：构建“内功+外力”的双轮驱动模式

　　①内功修炼：打造AI核心团队

　　· 团队构成：

　　—AI架构师(1-2人)：负责技术选型与系统集成;

　　—数据科学家(2-3人)：专注特征工程与模型优化;

　　—业务翻译官(3-5人)：由资深工艺工程师转型，负责 需求对齐与结果验证;

　　· 培养路径：

　　—与高校共建AI人才实训基地，定向培养复合型人才;

　　—设立AI创新实验室，鼓励团队通过横向合作或者内部 创业机制来孵化AI应用。

　　②外力借势：引入生态合作伙伴

　　· 短期合作：

　　—聘请AI咨询顾问，快速完成20-30个“痛点”场景的可 行性评估;

　　—与“智用开物”这样的机构合作，搭建工业级AI PaaS 平台，降低技术“门槛”;

　　· 长期合作：

　　—加入行业AI联盟，通过贡献脱敏数据换取模型微调 权益;

　　—与科研院所共建联合实验室，攻关数字孪生、因果推 理等前沿技术。

　　③第三步：建立能力建设的“飞轮效应”

　　A.从试点到推广

　　· 选择1-2个高价值场景(如预测性维护、智能排产等)启动试点，确保6个月内可见成效;

　　· 将试点成果转化为标准化解决方案，逐步复制到其他 产线或工厂。

　　B.从工具到文化

　　· 通过AI创新大赛、最佳实践分享会等活动，营造全员 参与的创新氛围;

　　· 设立AI贡献奖励机制，对提出优质问题或贡献关键数 据的员工给予激励。

　　C.从项目到平台

　　· 将分散的AI能力沉淀为企业AI中台，提供统一的数据 管理、模型训练与部署服务;

　　· 通过API开放能力，赋能供应链上下游，构建AI驱动的 产业生态。

　　宋：这的确是非常实用的企业AI战略发展建议，非常全 面、务实，且具有实际操作性。个人感觉这是比较完整、稳 妥的关于企业AI发展路径的建议。其实，很多企业的领导只 需要看懂这一部分，就会对未来AI发展战略有了更为全景的 了解和认识。

　　5 能力建设是一场马拉松

　　工业AI的落地不是一蹴而就的，而是需要企业在战略上 坚定、组织上协同、技术上务实，通过“内功修炼+外力借 势”的双轮驱动，企业不仅能解决眼前的效率问题，更能构 建面向未来的AI核心竞争力。AI不是终点，而是企业迈向智 能制造的一个新起点。