制造业产业群的秘技正在失传，人工智能或许是保留它的最佳机会

每家工厂都有这样的人物——资深的工程师们只需在车间巡视，听到机器的异响，闻到不寻常的气味，就能洞悉产品的缺陷及其成因。数十年的经验赋予了他们一种操作手册无法言传的直觉。

有人将此称为制造业产业群的“秘技”，操作员能以惊人的效率诊断问题。如果你问一位工程师“你是怎么知道的？”——答案通常是“我就是知道”。

制造业产业群造就了现代世界，但它自身的一些工具却落后了一个时代。人工智能已在各行各业展现了提升生产力的巨大潜力。它能否为制造业产业群带来同样的变革，还是该行业自身的局限性会成为其发展的阻碍？

专家荣休，后继乏人

在我年轻的时候，我从未考虑过在制造业产业群找一份工作。在新加坡出生是幸运的，人们普遍向往的理想工作通常是白领职位；在舒适的空调环境中，避免挥汗如雨的辛苦劳作。这或许正是制造业产业群面临挑战的开端——人才认为这个行业“不吸引人”或缺乏魅力。

随着包括新加坡在内的几个主要制造业产业群枢纽持续老龄化，许多核心技术工程师濒临退休，而新人才进入制造业产业群的速度却跟不上。这些隐性知识存在于人们的脑海中，当他们退休时，这些宝贵的知识也随之流失。

一些制造商亲身分享道，要替代一名经验丰富的老将，通常需要两到三名工程师，并且还不能保证工作能做得同样出色。市场对制成品的需求无疑在不断增长，而这种专业知识的断层，可能是最被忽视的一大制约因素。

THE BUSINESS TIMES INSIGHTS

Powering Asean's Future 2026

Find out how enterprises are navigating power constraints and sustainability targets

ACCESS THE INSIGHTS

数据丰富，洞见贫乏

在过去几十年里，工厂经历了快速的数字化转型。传感器几乎追踪着生产的每一个环节，手动记录已被连续的数据采集所取代。

然而，采集数据只是成功的一半。海量数据并不等同于深刻的洞见。尽管仪表盘成倍增加，但决策最终仍依赖于少数几位真正理解这些数字背后含义的资深员工。

有些人甚至承认，这类传感器数据追踪已成为一项为了完成而完成的“打勾”任务；它能帮助工厂达到其“技术”关键绩效指标（KPI），但对于帮助工人完成手头的工作却收效甚微。

SEE ALSO

Who gets ahead in the enterprise consulting business with AI now in the game?

Beyond the backflipping humanoid: where will the robotics returns actually be earned?

AI for life science: Queen’s Gambit or fool’s wager?

此时，似乎正是人工智能介入的好时机。如今的人工智能系统经过适当的专门训练，能够吸收海量的生产数据，发现人类无法大规模识别的模式，预测潜在挑战，并为车间的实时决策提供支持。

它们可以成为资深员工的得力助手，甚至可以帮助新工程师提高生产力和工作表现。

以工厂车间的一个常见场景为例：某条生产线的良率突然下降。按照传统做法，工厂会等待其高级工程师到车间巡查，检查几台机器，然后追溯问题的根源。这个过程可能需要数小时。

现在，想象一个经过工厂工程图纸和多年生产数据训练的人工智能系统。在几分钟内，它就能指出良率下降是在上游某个工位发生轻微温度漂移后不久开始的，追踪该漂移如何影响后续工序，并推荐一个具体的调整方案，同时说明如何在实际设备上验证修复效果。

从本质上讲，它将这种判断力以一种可被检验、解释并传承给下一代工程师的形式捕捉了下来。

预算充裕，规避变革

有趣的是，在制造业产业群，用于提升生产力的预算限制很少成为问题。大多数制造商已经系统性地为试用先进技术、新材料和新制造方法编制了资金预算。但最难把握的部分是变革管理。

在制造业产业群，改变一个小流程可能会对整个生产线产生连锁反应，尤其是在流程制造中。在流程制造中，生产以线性顺序进行，一个环节的调整会像涟漪一样影响之后的所有环节。

公司的生产计划非常紧张，无法承受运营停机的风险。这使得管理者和工人们即使面对前景光明的变革，也不愿轻易尝试。

接下来是数据问题。制造商将其生产数据视为神圣之物，这不无道理。

在很多方面，工艺参数和良率历史是他们保持竞争优势的关键所在。任何试图将这些数据传出工厂的工具，甚至连获得试用资格的机会都没有。

这意味着，适用于制造业产业群的可行人工智能方案必须以安全为核心来构建，在企业内部运行，并专注于提供智能分析，而不是成为又一个数据聚合器或仪表盘。

一次一条生产线

那么，什么样的人工智能解决方案才能真正在工厂中奏效呢？首先，它必须能融入现有的工作流程，而不是扰乱它。

工厂对增加新硬件或额外传感器兴趣不大，因此最有效的解决方案应基于现有数据和设备运行，只需最少的附加组件。

其次，它必须与车间工程师协同工作，而不是绕开他们。他们是工厂车间的决策者，并在出现问题时承担责任。

一个好的系统会提供建议和解释，但最终由工程师做决定。那些试图绕过工程师判断的工具，可能无法在生产线上长久使用。

部署是许多公司成败的关键，并决定了公司的发展轨迹。在这一过程中，前线部署工程师扮演着至关重要的角色。

他们不会承诺一次性改造整个工厂，而是与客户在现场合作，将首次部署的范围缩小到单一生产线或单个问题上，并设定一个清晰、可衡量的成果，例如提高良率、减少废料或缩短停机时间。

通过工厂经理已经在追踪的数据，在车间现场展示投资回报率（ROI），将赢得一线人员的信任。

经验丰富的老将不会永远在一线工作，而下一代的接班人又没能足够快地到来并向他们学习。人工智能不会取代那种直觉，但它最终可能为制造商提供一种方法，在这种宝贵经验随着人员退休而流失之前，将其捕捉、解释并传承下去。

制造业产业群或许不是最光鲜的产业，但它可能是人工智能证明其真正价值的地方。

作者是 Vertex Ventures SEA & India 的投资副总监