一、工业 AI 的数据保护与知识提取的难题

　　作者 : 在和一些企业的交流后，我感觉在工业领域里，大 家对于 AI 究竟如何落地很迫切的需求。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匮乏，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。这个对于 AI 的推进是个非常现实的难题，您 如何看待并给出一些建议?

　　管震：这是个老大难问题，其实在工业互联网时代就存在， 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)角度之上的平衡即 全局，而工业提效或者降本不仅要解决局部问题，更要讲全局， 不仅是一家企业，价值链的延伸同样如此。如果一家链主企业 把供应链上的供应商都逼到绝境，这家企业也不能独善其身。

图 -2024 年广州自动化展 , 与管老师中午小叙

　　工业互联网时代没有答案，有了 AI 之后就有了解答。如 果对这次大模型带来的多注意力机制有了解就立刻能联想到， 所以我们有以下几点考量：

　　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 站在全价值链维度统筹钢产量、库存周转、能耗成本的三角关系。

　　破局点在于 AI 的多注意力机制：大模型可同时关注设备 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，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，找到平衡点。

　　2. 制造业的 Know-How 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，一定要尊重这一点，所以解 决问题需要从这个基础开始，当然到目前人工智能技术的发展 有三样工具可以逐渐解开这一死结：

　　(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、部门共享因果机 制而不是仅仅依赖某设备的具体参数。

　　(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，虽然这种基于区块 链的。

　　果然是“术业有专攻”，这里提到的几个点，的确可能会 是对 AI 不大了解的朋友不清楚。原来也可以通过“知识蒸馏” 来实现“隔离”。并且提到的“因果推理增强”，这可以降低算 力需求且能更为实时的推理。数字契约也是一个很好的办法。

　　二、AI 人才培养的三明治模型

　　人才不是即刻就能产生，人工智能从某种意义上发展太快 了，普遍意义上的制造业不能指望来多个人工智能人才来实现自 身的人工智能战略，而且这个前提是制造业企业要知道自己的人 工智能战略是什么。我们假设已经知道 AI 战略是什么了，那么 就可以按以下操作：

　　顶层：培养 3-5 名 AI 战略架构师，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。如果没有， 可以先成立一个 AI 实验室，负责引入合作伙伴来推动 AI 战略的 规划和实现。

　　中间层：通过低代码 AI 平台武装工艺工程师，使其能自主 开发预测性维护等场景应用。

　　基层：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，未来懂 AI 能 力的产业工人比传统产业工人的效率更高。

　　管老师预设的是“AI 战略清晰”，其实，可能就是目前很多 企业发展 AI 的第一大难题。我们经常说做正确的事，才能正确 地做事。对于制造业而言， 能够清晰的认识到 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 是模糊的—它是什么?它能干什么?它能在我这里干什么，

　　这件事情就很难。因此，可能制造业领域还是需要很多像管老师 这样能够在 AI 技术和产业之间建立桥梁的专家。

　　三、如何平衡 IT 与 OT 的碰撞

　　作者：从事 IT 和 OT 的人思考问题是不一样的，在我看来 其实是两个方向，一个是自上而下，一个是自下而上。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， 后者从问题来反推，但有可能解决了局部但缺乏全局的问题解 决。如何在这两者间形成平衡?

　　管震：人的思维有死角、有成见，但理论上 AI 不会，所以第一是建立起多级 Agent 驱动的企业运营管理模型，第二是 让这些 Agent 都具备快速反省的能力，让他们在实践中动态调 整策略。IT 与 OT 的冲突本质是确定性系统与不确定性系统的 碰撞。OT 要求 99.99% 稳定，IT 追求敏捷迭代。平衡二者需构 建“双环学习”体系：

　　第一环：Agent 驱动的实时决策层

　　1、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)。

　　2、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。

　　3、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。

　　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

　　1、当出现异常(如某批次产品硬度超标) ，系统不仅定 位直接原因(淬火时间不足) ，更能模拟“如果当时延长回火 时间会怎样”，通过反事实推演优化工艺知识库。

　　2、知识库很重要，我更愿意叫知识工场，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、接入实时的数据、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。

　　四、制造企业的 AI 战略制定建议

　　作者 : 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，企业应该有 怎么样的能力培养或者团队建设?是否需要借助于外力来进行 这项工作?

　　管震：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。以下是企业能力建设的“三步走”策略：

　　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

　　(1)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。

　　(2)培养方式：

　　·组织高管参加工业 AI 战略工作坊，通过案例拆解理解 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

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

　　(2)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)。

　　3. 基层：数据操作能力

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

　　(2)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，培养下一代产业员工。

　　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

　　(1)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。

　　(2)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 业机制孵化 AI 应用。

　　2. 外力借势：引入生态合作伙伴

　　(1)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。

　　(2)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。

　　第三步：建立能力建设的“飞轮效应”

　　1. 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)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。

　　2. 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。

　　3. 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 l 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。

　　这的确是非常实用的 AI 战略发展建议，全面、务实，且 具有实际操作性。个人感觉这是比较完整、稳妥的一个企业 AI 发展路径建议。其实，很多企业的领导，只需要看这一段，可 能就会有了全景的认识。

　　五、结语

　　工业 AI 的落地不是一蹴而就，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 的核心竞争力。AI 不是终点，而是企业迈向智能制造的新起点。