制造业谈 AI，最容易从“视觉质检、预测性维护、智能排产”开始想象。但这些项目依赖设备、标注样本、工艺稳定性与系统集成，投入和失败成本都不低。对多数处在数字化中段的工厂，更实际的起点是先把每天已经产生的文字、表格、图片说明和经验记录变成可检索、可复核、可追踪的信息。
适合谁：先看基础，不看企业大小
本文适合有 ERP、MES 或至少有电子表格记录，但异常描述不统一、跨班组信息丢失、工程师反复整理报告的制造企业。离散制造、装备、零部件、包装等企业都可参考，具体字段应按自身工艺调整。
如果关键记录仍只在口头、纸张或个人微信中，先做采集规范；如果同一种缺陷在不同班组有不同叫法，先建术语表；如果没有业务负责人推动闭环，AI 只会更快地产生无人使用的文本。
四类高回报、相对低风险场景
1. 生产异常记录结构化
让 AI 根据固定模板，把现场自由描述整理为时间、工序、设备、物料批次、现象、临时措施和待确认项。它不替代原因判定，只提示缺失字段并生成初稿，班组长确认后入库。
2. 质检记录归纳
把多份检验表与文字备注汇总为缺陷类型、频次和批次分布，帮助质量人员确定调查重点。所有数字要回链原始记录，AI 不得凭描述推断合格结论。
3. 交接班与设备点检摘要
从当班记录生成“未关闭异常、需关注设备、待补物料、下一班动作”。摘要降低阅读负担，但原始记录仍保留，关键告警必须通过原有机制触发。
4. 工艺与培训资料辅助
把已批准的作业指导书改写为岗位培训提纲、问答和测验。版本号、生效日期和适用机型必须展示，模型不能混合旧版与新版要求。
六步落地框架
第一步：选一个闭环问题
用“频率高、人工耗时、规则较清、错误可发现、数据可取得”筛选场景。不要以“建设制造业大模型”为目标，而要以“异常记录漏项率下降”或“交接整理时间减少”为目标。
第二步：建立基线
连续记录两到四周：每单处理时间、漏填字段、返工次数、关闭周期和参与人数。没有基线，就无法判断试点究竟提效，还是把工作转移给复核人员。
第三步：统一模板与术语
请生产、质量、设备和 IT 共同定义必填字段、缺陷名称、设备编码、责任状态与升级条件。模板应允许“未知”和“待确认”，不要逼模型编造完整答案。先用几十条历史记录测试歧义。
第四步：做“AI 初稿＋人工确认”
第一阶段只读取脱敏副本，输出建议，不直接回写 MES。操作人员能查看原文与整理结果的差异，修改后确认。收集修改原因，判断是提示、模板还是源数据的问题。
第五步：验证收益与风险
除速度外，还要统计事实错误、数字错误、遗漏关键告警、接受率和复核时间。不同班组、产品与班次分别抽样，避免只用最整齐的数据验收。
第六步：稳定后再集成
连续数周达标后，再通过受控接口读取或回写。保持版本管理、权限、日志与一键停用。涉及停机、放行、改工艺等决定，仍由相应岗位按制度批准。
示例：注塑车间异常记录助手
原始描述可能是：“三号机下午又有毛边，调了下压力好一些，先继续。”系统不应直接判断根因，而是整理出：设备 3 号；时间待补；现象为毛边；可能涉及的调整记录待填写；临时措施为调整压力；批次、模具编号、调整前后参数、抽检结果均缺失。
班组长补全后确认，质量工程师按统一字段追踪同类异常。试点指标可以是完整记录比例、平均补录时间、重复异常识别时间和错误归因数。这个设计的价值不在文案更漂亮，而在减少信息断点。
何时考虑视觉质检与预测维护
当缺陷定义可量化、成像环境稳定、有足够正负样本、误检漏检成本已计算，并且有持续标注与模型维护人员时，可评估视觉项目。预测维护则需要可靠的设备时间序列、故障标签和维修闭环。两者都应做小规模产线验证，不能把供应商演示准确率直接当作现场收益。
红线
- AI 不得独立作出产品放行、报废、停线或工艺变更决定。
- 不用生成内容覆盖原始记录，也不隐藏人工修改痕迹。
- 不把图纸、配方、客户数据上传到未批准的外部服务。
- 不在版本不明时生成作业指令，不把旧制度拼成新要求。
- 不用未经现场验证的准确率承诺投资回报。
小结
制造业 AI 的第一步通常不是最复杂的算法，而是让异常、质检、交接和经验形成高质量闭环。先统一记录，再由 AI 生成可追溯初稿，以人工确认和业务指标验收，稳定后才接生产系统。更多行业试点设计见解决方案，服务边界与合作方式见关于我们。
常见问题
工厂要先上视觉质检吗？
不一定。只有缺陷定义稳定、样本充足、误判成本可控且硬件条件合适时才适合优先做；否则记录与协同场景更稳。
和生产系统对接难吗？
取决于系统接口和数据质量。试点期可先用脱敏导出数据验证流程，稳定后再以只读接口逐步集成。
怎么衡量制造业AI项目价值？
按场景记录基线，比较处理时长、返工率、漏项率、停线影响和人工复核量，不用模型调用次数代替业务收益。