制造业AI智能体落地实战：OT与IT融合的挑战与路径

1. 制造业AI智能体落地的真实困境

我在制造业信息化这个圈子里摸爬滚打了十来年，从最早做MES系统实施，到后来搞工业数据采集，再到现在帮几家工厂做AI智能体的方案评估，有一个感受越来越强烈：AI智能体在制造业的落地，跟它在互联网行业的故事完全是两码事。互联网公司可以拿一个通用大模型套上API就开始跑业务，制造业不行。车间里一台1998年买的数控机床还在跑，它的数据接口是RS-232串口，你让AI智能体怎么跟它对话？

这就是我想聊的核心问题。AI智能体在制造业的落地难点，不在于模型不够聪明，而在于从OT层到IT层之间那条巨大的鸿沟。OT是操作技术，就是车间里的PLC、SCADA、传感器、机床控制器这些东西；IT是信息技术，就是ERP、MES、云平台、数据库。AI智能体天然活在IT世界里，但制造业的价值恰恰藏在OT世界里。解决方案商要做的，就是在这两个世界之间架桥。

这篇文章适合三类人看：一是制造业里负责数字化转型的技术负责人，你们正在评估要不要上AI智能体；二是做工业软件和解决方案的从业者，你们可能正在设计这类产品；三是对工业AI感兴趣的技术人员，想了解这个领域到底在发生什么。我会从落地难点、解决方案商的能力要求、实操路径、常见坑这几个维度展开，尽量说人话，把我踩过的坑和见过的案例都摊开来讲。

2. 为什么AI智能体在制造业这么难落地

2.1 数据层面的三重断裂

制造业的数据状况，用一句话概括就是：数据很多，但能用的很少。我见过一家做精密零部件的工厂，车间里有200多台设备，每天产生的数据量按TB算，但当我问他们“能不能实时拿到每台设备的主轴转速和刀具磨损数据”时，设备科的人告诉我，能拿到的不到30%。剩下的70%要么是设备太老没有数据接口，要么是接口协议不开放，要么是数据采了但存在本地工控机里没人往外传。

这就是第一重断裂：设备层的数据孤岛。不同品牌、不同年代的设备，通信协议五花八门。西门子的PLC用Profibus，三菱的用CC-Link，欧姆龙的用EtherCAT，还有大量老设备用的是Modbus RTU串口通信。AI智能体要消费这些数据，首先得有一个统一的协议转换层，把各种工业协议转成OPC UA或者MQTT，这本身就是一件工作量巨大的事情。

第二重断裂是数据语义的缺失。就算你把数据都采上来了，一个温度传感器的读数“65.3”代表什么？是正常还是异常？这个阈值在不同工况下是不一样的。AI智能体需要知道这个数据的上下文：它属于哪台设备、哪个工序、当前生产的是什么产品、工艺参数要求是什么。这些信息往往散落在MES、ERP、工艺文件、老师傅的脑子里，没有形成结构化的知识图谱。

第三重断裂是实时性要求的冲突。IT世界的AI智能体可以花几秒钟推理一个结果，但在制造业，很多场景要求毫秒级响应。比如刀具磨损监测，如果AI智能体花了3秒钟才判断出刀具要断了，那刀可能已经断了，工件已经废了。这就意味着，不是所有AI智能体都能放在云端跑，有些必须下沉到边缘侧，甚至嵌入到PLC里。

2.2 OT与IT的文化冲突

技术问题好解决，人的问题才难。我观察到一个很有意思的现象：IT部门和OT部门的人，说的根本不是同一种语言。IT部门的人讲的是微服务、容器化、API网关、DevOps；OT部门的人讲的是梯形图、PID控制、安全联锁、MTBF。两边开会，经常是各说各话，IT的人觉得OT的人保守落后，OT的人觉得IT的人不懂现场瞎指挥。

这种文化冲突直接导致了一个后果：AI智能体项目往往由IT部门主导，但OT部门不配合。我见过一个案例，一家汽车零部件厂花了大价钱上了一套AI质检系统，算法在实验室里准确率99.5%，但到了产线上只有85%。原因是产线上的光照条件、震动、粉尘跟实验室完全不一样，而OT部门的人早就知道这些问题，但他们在项目初期根本没有被拉进来。

还有一个更隐蔽的问题：OT部门对数据安全的担忧。在制造业，生产数据往往被视为核心机密，尤其是工艺参数、配方、良率数据。OT部门的人天然不信任把数据传到云端，他们担心数据泄露、担心网络攻击、担心影响生产稳定性。这种担忧不是没有道理的，制造业的网络安全事件后果比互联网严重得多——互联网公司宕机损失的是钱，工厂宕机可能损失的是设备甚至人命。

2.3 场景碎片化与ROI困境

制造业的场景极其碎片化。同样是质检，注塑件的质检和PCB板的质检、金属件的质检，需要的AI能力完全不同。这就导致了一个问题：AI智能体的通用能力在制造业很难直接复用，每个场景都要重新训练、重新调参、重新部署。对于解决方案商来说，这意味着交付成本极高，很难规模化。

从工厂的角度看，ROI算不过来。一套AI智能体系统，硬件加软件加实施，动辄几十万上百万，但能替代几个质检工人？一个质检工人一年成本大概8-10万，替代3个人就是30万，要3-5年才能回本。而且AI系统还有维护成本、误判成本、培训成本。工厂老板算完这笔账，往往就犹豫了。

我个人的判断是，AI智能体在制造业的落地，短期内不会是大而全的通用平台，而是小而精的场景化工具。先在一个具体场景里跑通，证明ROI，再逐步扩展。那些一上来就要做“工业大脑”的项目，我见过的失败率超过80%。

3. 解决方案商需要具备哪些核心能力

3.1 OT侧的数据接入与边缘计算能力

一个合格的制造业AI智能体解决方案商，首先得能搞定OT侧的数据接入。这不是买几个网关就能解决的问题。我评估过市面上主流的工业网关产品，说实话，能真正做到“即插即用”的几乎没有。大部分情况下，你需要根据现场设备的实际情况，定制协议解析插件，甚至要反编译老设备的通信协议。

我参与过一个项目，客户有一台德国产的老式磨床，通信协议是厂家私有的，文档早就丢了。我们的工程师花了整整两周时间，用串口监听工具抓包，一点点逆向出协议格式。这种活儿，没有深厚的OT功底是做不了的。

边缘计算能力同样关键。AI智能体不能所有推理都放云端，有些必须放在边缘侧。比如设备异常检测，需要在本地实时处理振动、温度、电流信号，只有异常事件才上传云端。这就要求解决方案商能提供边缘计算盒子，支持容器化部署，能在资源受限的环境下跑轻量级模型。

实操心得：选边缘计算硬件时，不要只看算力参数。工业现场的电磁干扰、温度波动、粉尘湿度，对硬件的考验远超实验室环境。我建议优先选宽温工业级产品，工作温度至少-20°C到70°C，防护等级IP65以上。

3.2 IT侧的数据治理与AI工程化能力

OT侧的数据接上来之后，IT侧的数据治理是第二道坎。制造业的数据质量普遍很差：时间戳不对齐、单位不统一、缺失值多、异常值多。我见过一个工厂的MES数据，同一个工单的数量字段，有的用“件”，有的用“个”，有的用“PCS”，还有的用“千件”。这种数据直接喂给AI智能体，出来的结果能准才怪。

解决方案商需要具备数据治理的能力：建立统一的数据字典、做数据清洗和标准化、构建数据血缘关系、实现主数据管理。这些活儿听起来不性感，但它是AI智能体能否跑通的基础。

AI工程化能力则是另一个维度。制造业的AI智能体不是训练一个模型就完事了，它需要一套完整的MLOps体系：数据版本管理、模型版本管理、A/B测试、灰度发布、监控告警、自动重训练。我见过太多项目，模型在实验室里跑得好好的，上线三个月后准确率暴跌，因为工况变了、原料变了、设备老化了，但没有人去监控和更新模型。

3.3 行业Know-How与场景理解能力

这是最容易被低估的能力。AI智能体在制造业的价值，不在于算法多先进，而在于对场景的理解有多深。举个例子，同样是做设备预测性维护，注塑机的关键特征是锁模力曲线，压缩机的关键特征是振动频谱，数控机床的关键特征是主轴电流和声发射信号。如果你不懂这些，连该采什么数据都不知道。

我合作过一家做纺织行业AI质检的解决方案商，他们的算法其实不算顶尖，但他们有一个优势：团队里有干了十几年的纺织老师傅。这个老师傅知道什么样的疵点是致命的，什么样的疵点可以放行，什么样的疵点是前道工序带来的、后道工序可以修复的。这种知识，是任何通用AI模型都学不来的。

解决方案商要建立这种能力，只有两条路：要么自己养行业专家，要么跟工厂的工艺人员深度绑定。我倾向于后者，因为制造业的工艺知识太分散了，一个人不可能什么都懂。跟工厂的老师傅建立信任关系，让他们愿意把经验分享出来，这本身就是一种核心竞争力。

3.4 安全合规与系统集成能力

制造业对安全的要求是刻在骨子里的。AI智能体要接入工厂网络，必须过安全这一关。解决方案商需要懂工业网络安全：网络分区、防火墙策略、访问控制、数据加密、审计日志。尤其是涉及到OT网络的操作，必须遵循“不改变原有安全联锁”的原则。

系统集成能力同样重要。工厂里已经有ERP、MES、WMS、SCADA、PLM等一堆系统，AI智能体不能是另一个孤岛，它需要跟这些系统打通。我见过一个AI排产智能体，算法很牛，但它拿不到ERP里的订单数据和MES里的设备状态数据，最后只能人工导数据，完全失去了智能体的意义。

4. 从零到一：AI智能体在制造业的实操路径

4.1 场景选择：从“三高”场景切入

如果你问我制造业AI智能体第一个项目该选什么场景，我的答案很明确：选“三高”场景——高重复、高价值、高数据可得性。

高重复意味着这个场景每天发生很多次，AI有足够的数据学习，ROI也容易算。高价值意味着这个场景的痛点足够痛，工厂愿意为此付费。高数据可得性意味着这个场景的数据已经存在或者容易采集，不需要从零开始建数据管道。

按照这个标准，我推荐的切入场景排序是：AI视觉质检 > 设备预测性维护 > 工艺参数优化 > 智能排产。质检的数据最容易获取（工业相机+光源就能搞定），价值也最直观（替代质检工人）。预测性维护的数据获取难度中等，但价值很高（避免非计划停机）。工艺参数优化和智能排产的数据依赖度最高，建议放在后面做。

注意事项：不要一上来就选“智能排产”这种场景。排产涉及的因素太多——订单优先级、设备产能、物料齐套、人员排班、能源成本——任何一个因素的数据不准，整个智能体的输出就不可信。我见过至少三个智能排产项目死在这个坑里。

4.2 数据管道搭建：从设备到智能体的完整链路

数据管道的搭建是实操中最耗时的环节。我以AI视觉质检为例，讲一下完整的链路。

第一步是工业相机的选型与部署。相机的分辨率要根据检测精度来定。假设你要检测的最小缺陷是0.1mm，视野范围是100mm×100mm，那么相机至少需要1000×1000像素的分辨率。实际选型时还要留余量，建议选2000×2000像素以上的相机。帧率要根据产线速度来定，如果产线速度是每分钟60件，那相机帧率至少1fps，但考虑到触发和传输延迟，建议选5fps以上。

第二步是光源设计。这是最容易被忽视但最影响成像质量的环节。不同的缺陷类型需要不同的打光方式：划痕用低角度暗场照明，凹坑用同轴光，脏污用漫射光。我见过一个项目，算法团队调了三个月模型，准确率死活上不去，后来换了一个光源方案，准确率直接提升了15个百分点。

第三步是边缘推理与云端协同。质检模型通常比较大，放在边缘侧跑需要GPU。我建议边缘侧只做推理，不做训练。推理结果（OK/NG）实时输出给PLC，NG图片上传云端，用于后续的模型迭代。这样既保证了实时性，又保证了模型能持续优化。

第四步是与MES系统的集成。质检结果要回写到MES，跟工单、批次、产品序列号绑定。这样当出现批量NG时，可以快速追溯到是哪个批次、哪台设备、哪个操作员的问题。

4.3 智能体工作流搭建：从单点智能到流程智能

单点的AI质检只是第一步，真正的价值在于把多个AI能力串成工作流。我举一个我实际参与过的案例。

这家工厂做的是精密结构件，质检环节原来有5个工人，每人负责一个工序的检查。我们做的第一件事是用AI视觉替代了其中3个工序的质检。但很快发现一个问题：每个工序的AI是独立的，前道工序的NG品流到后道工序，后道工序的AI还是会去检测它，浪费算力。而且，前道工序的NG原因和后道工序的NG原因可能有关联，但没有人去分析。

于是我们搭建了一个质检智能体工作流：前道工序的AI检测到NG时，自动触发一个“根因分析”智能体，它去查询设备参数、工艺参数、来料批次数据，给出可能的原因。同时，这个NG信息会传递给后道工序的AI，后道工序直接跳过这个工件，不再浪费算力。最后，所有NG数据汇总到一个“质量趋势”智能体，它每天生成一份质量报告，推送给质量经理。

这个工作流搭建起来之后，效果很明显：质检人力从5人降到2人，漏检率从3%降到0.5%，而且质量经理第一次能实时看到质量趋势，而不是等到月底看报表。

实操心得：智能体工作流的搭建，建议从“线性流程”开始，不要一上来就搞复杂的多智能体协作。线性流程容易调试、容易排查问题。等跑通了，再逐步增加分支和循环。

4.4 人机协同：AI智能体不是替代人，而是增强人

我特别想强调一点：制造业AI智能体的成功，往往取决于人机协同设计得好不好。很多项目失败，不是因为AI不够强，而是因为AI的输出方式不对。

举个例子，AI质检系统检测出一个NG，它直接给PLC发信号把工件剔除了。但操作员不知道发生了什么，他看到工件被剔除，第一反应是“设备又抽风了”，然后手动把工件放回去。这就是典型的人机协同失败。

正确的做法是：AI检测到NG时，在操作员的屏幕上显示NG图片、NG类型、置信度，并且给出建议操作。操作员确认后，再执行剔除。同时，操作员的每一次确认或否决，都作为反馈数据回传给AI，用于模型迭代。

我见过一个做得特别好的案例：一家工厂的AI质检系统，操作员可以给AI的每一次判断打标签——“同意”、“不同意，这是误判”、“不同意，这是漏判”。这些标签每周汇总一次，算法团队根据这些反馈做增量训练。三个月后，模型的准确率从92%提升到了97%。这就是人机协同的正循环。

5. 常见问题与排查技巧实录

5.1 模型在实验室好、上线就崩

这是最常见的问题，没有之一。原因通常有三个：数据分布不一致、环境条件变化、硬件差异。

数据分布不一致是指训练数据和推理数据的统计特征不一样。比如训练数据是用A型号相机拍的，上线用的是B型号相机，成像风格不同，模型就懵了。排查方法是：在上线前，用上线环境的数据做一次验证集测试，对比实验室验证集和上线验证集的指标差异。

环境条件变化是指光照、温度、震动等环境因素变了。我见过一个项目，实验室里用的是恒温恒湿环境，上线后车间温度40°C，相机噪点明显增加，模型准确率掉了8个百分点。排查方法是：在极端环境条件下做压力测试，比如高温、高湿、强光、震动。

硬件差异是指推理硬件的算力、内存、精度跟训练环境不一样。比如训练用的是FP32，推理用的是FP16，精度损失可能导致模型行为变化。排查方法是：在目标硬件上做一次完整的精度对齐测试。

5.2 数据采上来了但质量太差

制造业的数据质量问题是系统性的。我整理了一个常见数据质量问题速查表：

避坑技巧：数据治理不要追求一步到位。我建议先做“最小可用数据集”，只治理AI智能体当前场景需要的那几个字段，跑通之后再逐步扩展。一上来就搞全厂数据治理，周期太长，还没看到效果项目就被砍了。

5.3 OT部门不配合怎么办

这个问题太常见了。我的经验是：不要试图说服OT部门，而是让OT部门成为受益者。

具体怎么做？在项目设计阶段，就考虑给OT部门带来价值。比如，AI质检系统除了检测缺陷，还可以统计设备OEE、分析停机原因、预警设备异常。这些数据对OT部门是有用的，他们自然愿意配合。

另外，让OT部门的人参与项目决策。比如相机装在哪里、光源怎么打、触发信号怎么取，这些决策让OT部门的人来拍板。他们有了参与感，配合度会高很多。

还有一个技巧：从OT部门的老大入手。制造业的OT部门通常比较封闭，但老大往往是有话语权的。如果你能说服他，让他觉得这个项目能帮他解决KPI问题（比如降低设备故障率、提升产能），他会帮你推动下面的人配合。

5.4 ROI算不过来怎么破

ROI算不过来，通常是因为只算了“替代人力”这一项收益。实际上，AI智能体的收益是多维的：

• 质量收益：漏检率降低带来的客户投诉减少、退货减少
• 效率收益：检测速度提升带来的产能提升
• 知识收益：老师傅的经验被固化到AI里，不会因为人员流动而流失
• 数据收益：积累的质量数据可以用于工艺优化、供应商评估

我建议在算ROI时，把这些隐性收益也量化进去。比如，漏检率从3%降到0.5%，意味着每1000件产品少25件不良品流出，按每件100元算，就是2500元的收益。一年下来就是几十万。

如果还是算不过来，那就缩小场景范围。不要做整条产线的AI质检，只做最关键的那一个工序。投入小了，ROI自然就上来了。

6. 解决方案商的能力评估框架

6.1 技术能力评估维度

如果你是一个工厂，正在评估AI智能体解决方案商，我建议从以下几个维度考察：

这个权重不是绝对的，根据你的场景调整。比如如果你的设备都很新、数据接口很标准，OT数据接入的权重可以降低。如果你的场景对实时性要求极高，边缘计算的权重可以提高。

6.2 商务能力评估维度

技术能力之外，商务能力同样重要。我见过技术很牛的解决方案商，但商务上不靠谱，项目做到一半跑路了。

考察商务能力，我建议关注这几点：公司存续时间（太短的可能活不到项目结束）、融资情况（有没有足够的资金支撑研发）、客户案例（有没有同行业的标杆客户）、服务响应（出了问题多久能到现场）、合同条款（知识产权归属、数据归属、退出机制）。

注意事项：数据归属权一定要在合同里写清楚。我见过一个案例，工厂用了解决方案商的AI质检系统，积累了几十万张缺陷图片，后来想换供应商，发现数据拿不走，因为合同里没写数据归属。这是血的教训。

6.3 长期合作能力评估

AI智能体不是一锤子买卖，它需要持续迭代。所以，解决方案商的长期合作能力很关键。

我建议在合同里约定：模型迭代频率（比如每季度一次）、准确率保障（比如不低于95%）、响应时间（比如故障4小时内响应）、知识转移（比如培训工厂的技术人员）。这些条款能逼着解决方案商持续投入，而不是做完项目就跑。

另外，我建议工厂自己也要建立AI能力。哪怕一开始只是一个人，负责跟解决方案商对接、学习模型维护、积累数据治理经验。这样等合作结束，工厂不至于完全依赖外部供应商。

7. 我踩过的坑和总结的经验

7.1 不要迷信大模型

现在大家都在谈大模型、谈AGI，但在制造业，大模型不是万能的。制造业的很多场景，数据量小、标注成本高、实时性要求高，大模型反而不好用。我见过一个项目，用大模型做设备异常检测，效果还不如传统的孤立森林算法。

我的建议是：场景决定技术选型。质检场景可以用深度学习，预测性维护可以用传统机器学习，工艺优化可以用贝叶斯优化。不要为了用大模型而用大模型。

7.2 数据比算法重要

这句话在制造业是真理。我见过太多团队，算法很牛，但数据一塌糊涂，最后项目失败。相反，有些团队算法一般，但数据治理做得好，项目反而成功了。

如果你正在启动一个制造业AI智能体项目，我建议你把70%的精力放在数据上，30%放在算法上。数据管道搭好了、数据质量上去了，算法的事情反而简单了。

7.3 从小处着手，快速验证

制造业AI智能体项目，最怕的就是“大而全”。一上来就要做全厂的数据中台、要做统一的AI平台、要覆盖所有场景。这种项目，我见过的没有一个成功的。

正确的做法是：选一个最小的场景，用最短的时间跑通，证明价值，然后再扩展。比如，先做一条产线的AI质检，跑三个月，算出ROI，再复制到其他产线。这样风险可控，团队也有信心。

7.4 人机协同设计要前置

人机协同不是项目做完再考虑的事情，它应该在项目设计阶段就考虑进去。AI智能体的输出怎么呈现给操作员？操作员怎么反馈？反馈数据怎么回流？这些问题想清楚了，项目成功率会高很多。

我个人的体会是：AI智能体在制造业的最佳角色是“副驾驶”，而不是“自动驾驶”。它给操作员提供建议，操作员做最终决策。这样既发挥了AI的优势，又保留了人的判断力，还规避了AI误判的风险。

7.5 安全是底线

最后再强调一次安全。制造业的AI智能体，安全是底线。不要为了追求功能而牺牲安全。网络分区、访问控制、数据加密、审计日志，这些该做的都要做。尤其是涉及到OT网络的操作，必须经过严格的安全评估。

我见过一个案例，AI智能体直接给PLC发控制指令，结果因为一个bug，把整条产线停了。这种事故，一次就够让项目被永久叫停。所以，AI智能体跟OT系统的交互，一定要有安全隔离和人工确认环节。

这个领域还在快速变化，新的技术、新的方案、新的玩家不断涌现。但有些东西是不变的：对场景的理解、对数据的敬畏、对人的尊重。把这些做好了，AI智能体在制造业的落地，只是时间问题。