工业AI的叙事里,质检是一个被反复书写的场景。摄像头替代人眼,模型替代经验,缺陷被框出来,报表自动生成。逻辑清晰,效率可量化,适合做案例。
但有一个细节很少被追问:那个被替代的质检员,后来去哪了?
中天装备电缆的编织车间提供了一个不太一样的答案。十八台编织机高速运转,锭子上的丝还剩多少,人眼在每分钟六十到一百二十转的速度下根本分辨不清。过去换一个锭子,完整周期约三百七十秒,真正创造价值的换锭动作只有四十秒,剩下近九成时间工人在停机、检查和等待。每月还会因为锭丝跑光、漏锭造成约九起返工返修。
他们上了一套视觉质检系统,边缘计算加YOLO模型,识别“快绞完”状态的精度做到百分之九十九点九九以上,自动判定并停机。连续运行十二个月,累计报警八万七千多次,误报为零,返工返修降为零,编织丝报废量下降百分之四十二。
数字很漂亮。但技术负责人花季华说了一句话,比所有指标都值得琢磨:“这套系统减的不是人,减的是‘等人的时间’。”恰逢车间扩产,原来一人操作三台机,现在可以操作六台,员工产量增加了,工资也涨了。
这个细节把工业AI的另一个面向翻了出来。在领航工厂和垂类大模型的叙事里,AI的角色是“替代判断”——模型学会老师傅的眼力,替人做决定。但在中天这个车间里,AI做的是另一件事:把那些因为信息不对称而被迫浪费的时间,从流程里挤出来。工人没有失去工作,他们从“等人来看”的状态里解放出来,一个人管了更多的机器,拿了更高的工资。
质检员的经验没有被编码进模型然后把人赶走。人被挪到了更有价值的位置上。
这和中天科技海缆公司那套“海睿全域智询”系统的逻辑是相通的。海缆工艺参数是核心机密,数据不能出厂,所以他们本地部署了DeepSeek大模型,灌入工艺标准、设备手册、作业规范。工程师查一份资料的时间从十二到十八分钟压到四到六分钟,全厂知识覆盖率超过百分之九十八。
但人工智能首席专家陈闻达注意到的不是这些。他注意到的是:夜班没有技术主管在岗的时候,系统使用率最高。一个刚入职的机修工养成了“先问海睿、有分歧再打电话”的习惯。
夜班是车间里知识最稀薄的时段。老师傅不在,新人遇到问题只能凭感觉或者等天亮。现在他们有一个随时可以问的对象。这个习惯本身,比任何效率数字都更能说明知识在车间里的位置发生了变化。过去经验集中在少数人身上,像孤岛。现在经验被抽出来、编码、灌进模型,变成每个班次、每个工位都能触及的东西。
把这两个案例放在一起,会发现它们和领航工厂在做的事情其实是同一个方向的不同尺度。中兴通讯南京滨江基地的八十多个工业智能体,调度产线、找供应商、排计划、管仓库,三百多款机型混线生产换线不停,不良率下降四成以上,生产周期缩短一半。那是体系层面的知识资产化。中天这两个车间做的事,是工位层面的。尺度不同,逻辑一样:让那些决定“什么时候该停机”“参数该调多少”“故障大概在哪”的判断,不再只存在于几个人的脑子里。
周济院士说制造技术是本体,智能技术是赋能者。在中天编织车间的语境里,这句话可以翻译得更具体一些:赋能的前提是,被赋能的人还在。花季华说“减的是等人的时间”,这句话里藏着一个容易被忽略的前提:等人这件事,本身就是一种浪费。工人等质检员来看,质检员等下一轮抽检,设备等人来判断该不该停。AI把等待砍掉了,人还在,只是去做别的事了。
智产社关注工业,关注的不是AI替了多少人。我们关注的是那些发生在车间里的、关于“知识从谁身上剥离、又落到哪里去”的时刻。有时候它落进一个模型,有时候它落进一个盒子,有时候它只是让一个夜班的机修工不用再等到天亮才能修好一台机器。
这些事不会出现在领航工厂的名单里。但它们每天都在发生。