工信部点名“AI+制造“，制造业需要的不是大模型，是AI基础设施

工信部前几天刚开了个座谈会核心就一句话制造业是AI应用的主战场要搞人工智能制造行动。方向没问题。但做制造业的人都清楚从政策到落地中间隔着一道鸿沟。很多企业的AI现状是这样的去年试了个智能客服效果还行今年又试了个文档摘要领导挺满意再问然后呢——然后就没了。问题不是AI不好用而是很多企业缺的不是模型是一个能让AI持续跑起来的基础设施。一、制造业AI为什么不能一个场景一个模型先说个常见的坑。某制造企业质检用了A公司的视觉AI排产用了B公司的优化算法知识库用了C公司的大模型对话设备预测用了D公司的分析平台。四个系统四套账号四种数据格式四个供应商。每个单点看起来都不错但合在一起就是一场噩梦质检发现的质量问题不能自动反馈到排产系统调整工艺参数设备预测性维护发现的风险不能自动影响排产计划知识库里的技术文档不能和具体工单关联每个AI场景都在单点优化但没有形成体系。这就好比你有四个很强的球员但他们从来不打配合——再强也赢不了球。制造业AI的核心挑战不是某个场景做得好不好而是能不能把多个AI场景串起来形成体系化的能力。要实现这一点需要的是AI基础设施不是一个又一个的AI工具。二、什么是AI基础设施说白了就是四件事1. 多模型统一接入制造业的AI场景太复杂了不可能用一个模型解决所有问题。文档处理用文本大模型就行不需要最贵的视觉质检需要专用的CV模型排产优化需要约束求解引擎跟大模型没关系设备预测性维护需要时序分析模型你需要的不是一个最强模型而是一个能管理多种模型的统一入口。这个入口要做到同时接入商业API和私有化部署的开源模型不同场景用不同模型按需路由模型版本升级时不用改业务代码切换成本要低供应商出问题时有备选不能被一家绑死2. 工具链集成——让AI能动手模型是大脑但制造业需要AI有手脚。AI发现了设备异常能不能自动生成维修工单AI分析出排产方案能不能直接推送到车间执行系统AI识别出质量问题能不能自动触发停线检查从给建议到能执行中间差的是工具链集成。这需要在AI模型和业务系统ERP、MES、OA、设备管理系统之间建一个桥接层——AI的输出通过这个桥接层调用各个系统的API完成实际操作。这个桥接层要解决的问题包括权限管控AI能调用哪些系统能执行到什么程度哪些操作需要人工确认异常处理调用了A系统但B系统失败了怎么回滚审计追踪AI做了什么操作完整记录可追溯3. 成本可控——别让AI变成烧钱机器大模型的推理是有成本的。每次对话、每次文档处理、每次数据分析都在消耗Token。一个200人的制造企业如果每人每天用AI做20次操作一个月下来的Token消耗是相当可观的。如果没有成本管控账单会超出预期很多。AI基础设施必须包含成本治理能力按部门、按项目、按场景统计AI调用成本设置配额和预警机制对高频低价值场景做缓存优化避免重复计算定期审计砍掉用了但没产生价值的场景很多企业在试运行阶段觉得效果不错就快速铺开结果月底一看账单傻眼了。这是AI落地最常见的翻车原因之一。4. 私有化部署——不是可选项是必选项制造业的数据敏感性比大多数行业都高客户订单信息涉及商业机密工艺参数是核心竞争力质量数据涉及合规要求设备数据涉及产能布局把这些数据传到外部云服务去处理很多企业管理层一听就摇头。私有化部署不是锦上添花而是很多制造业企业选择AI方案时的硬性门槛。数据不出企业内网模型部署在自己的服务器上这是底线。三、制造业AI五个选型维度模型兼容性——能不能不绑死一家供应商系统集成深度——能不能直接和MES/ERP打通成本治理颗粒度——能不能精细到每个场景私有化部署成熟度——能不能数据不出网信创兼容——支不支持国产芯片和操作系统四、制造业AI落地路径建议别贪大求全分三步走第一步选一个高频低风险的场景先跑通比如文档摘要、知识检索、工单分类。这些场景容错率高效果直观能让团队建立对AI的信心。第二步打通工具链让AI从能说变成能做在第一步的基础上把AI和业务系统连起来。比如AI分析完质检报告后自动生成不合格品处理工单AI分析完设备数据后自动创建预防性维护计划。第三步多场景串联形成体系化能力当排产、质检、设备管理、知识库等场景都跑通后开始做跨场景的联动。比如质检发现问题后自动调整排产、设备预测结果自动影响维护计划。这三步不是一年做完的。但每一步都要有基础设施的支撑否则就是做一步停一步。五、结语AI制造的政策风向已经很明确了。但制造业需要的不是一个又一个的AI Demo而是一套能持续运转、能跨场景串联、能控制成本的AI基础设施。先把地基打好再盖楼。