老工人的手感，正在变成工厂的AI底座

生产线换完产，准备重启。有经验的操作员站在机器前，调参数靠的不只是手册。

他知道这批材料在当前湿度下走料会偏紧，记得上一班凌晨三点出现过一次轻微卡滞，也分得清屏幕上哪次波动只是正常抖动，哪次必须开盖检查。

操作流程能写清步骤顺序。能不能一次开机成功，靠的是经验判断，靠工厂攒了很多年的诀窍。

这些东西加在一起，就是工业智能。它包括文档化的流程、一线工人的隐性知识、历年生产数据，还有企业对自身业务的理解。

多数工厂的问题是，这些智能散落在各处。写在纸上的在文件柜里，存在脑子里的跟着工人走，锁在系统里的数据彼此不通。

现在的机会很明确：让所有需要做决策的岗位都能调用这些智能，再把它接回实体生产环节。战略方向从来不是堆出更多智能体。把现有业务智能变成利润增长引擎，才是真正的目的地。

个人经验，怎么变成整个工厂的优势

知识困在一个人身上、一套系统里、一座工厂中，能覆盖的范围就很有限。管理者要解决的问题是，扩大经验覆盖面的同时，别丢掉让知识起作用的上下文。

工程师评估一项工艺改动，光调出生产记录远远不够。他得知道记录背后的情况：当时设备是什么配置，质量要求卡在哪一档，操作员在速度和良率之间做过什么取舍。把这些信息串到一起，外地工厂的团队才能复用这条经验。

当个人经验能被广泛调取，创新会自然流到维修车间、计划室、工程组和生产线。更多人接得住组织已有的知识，也就有机会添上新的东西。

光解决知识访问还不够。制造业最终是实体行业，所有判断都要落回材料、机器和产品上。

当智能能直接动手

物理AI指的是一类能感知环境、做推理、并在物理世界执行动作的系统。设备和流程连上之后，工厂能更清楚地看到车间现场正在发生什么。智能体在数据层之上做分析，识别模式、预测故障、算出可选动作。物理AI把业务智能带进实际工艺流程，机器和系统可以随条件变化自动调整。

机器人上料工位遇到零件位置有偏差。视觉系统先判断零件实际姿态，结合材料特性和任务要求的模型算出合适的运动路径，联网的控制系统在预先验证过的安全范围内完成调整。价值不止停在看见偏差，系统得能给出合适的响应。

质检环节同理。丰田工业把原先分散在喷漆车间各处的数据打通后，工程和运营团队终于拿到了定位缺陷原因所需的完整上下文。公司公开数据显示，分析周期从五天缩短到四小时以内，试点项目中相关喷漆缺陷减少约25%。突破点不只是多识别出一个信号，团队终于能看懂缺陷为什么出现，赶在结果定型前出手。

这正是工业智能不可替代的地方。数据能说明正在发生什么，工业智能讲得清应该发生什么，哪些约束不能突破，遇到不确定性能不能交还给人。

仿真提供了一层缓冲。方案先在数字环境里跑一遍，看改动会对流程造成什么影响。这不能替代物理验证，但至少不用把真实生产线当第一个试验场。

负责任的落地，起点是运营纪律。管理者得划清楚系统有权改什么、设备连接怎么保证可靠、安全边界在哪里、所有决策和动作怎么留痕。人必须能识别不确定性，随时介入，把设备带到安全状态。信任建立在这些具体安排上，和模型本身的信心无关。

机器更能干，人也得更能干

制造业一直是人的创造力加上越来越强的工具。物理AI延长了这层关系。智能设备接走合适的重复性任务和重体力活，智能体辅助的操作模式帮人处理信息密集的决策和多变工况。

目标不该是把机器造得更聪明就完事。知识能流动，智能能执行，人的想法才有更大的落地空间。

罗克韦尔自动化在新加坡工厂做了样本。技术人员使用一款维修副驾驶，系统里整合了生产数据、机器手册和从资深工人那里采集的经验知识。新人学习排查数百台机器故障的时间，从九个月压缩到三个月。工程师在敲定改动前，可以多验证几套工艺方案。操作员不用反复处理同一类异常，还能反过来优化系统的响应逻辑。

这种进展既需要投设备，也需要投人：培训、留出学习时间、让人真正参与系统设计。机器能力上去了，人的能力也得跟着上去。

工业智能对应长期增长

工业智能把一家制造商掌握的东西串了起来：员工的经验、运营环节传出的信号、过去积累的教训。物理AI给了这些智能作用于物理世界的通道，知识变成决策，决策变成动作。

行业接下来要面对的挑战，不只是把产量做上去，而是实现增长的同时，不让复杂度同比例上涨。智能可以帮工厂把经验变成可规模化的能力，提升生产率，加快创新，扩充产能，让人能解决过去啃不动的问题。

工业的下一个前沿，不在更聪明的机器，也不在全自动工厂。能持续学习、适应、行动的企业，才站在前沿上。机会就在于把嵌在每个运营环节里的智能，变成持续复利的增长优势。

观看系列视频，了解工业客户如何在整个价值链中释放智能，也可以在Microsoft Ignite看到工业智能的后续进展。

本文由微软制作，未经过MIT Technology Review编辑团队撰写。