离散制造工厂普遍面临一个让人焦虑的事实：
绝大多数企业把"上自动化"和"上AI"混为一谈。
一家精密零件厂花300万上了视觉检测线，一年后新产品换型，准确率从98%掉到75%，系统吃灰。不是自动化没用，是自动化和AI解决的问题根本不一样——自动化解决产能，AI解决柔性化。
理解这个区别，是破局的前提。
---
一、自动化解决产能，AI解决柔性化
中国制造业过去三十年解决的核心问题是产能。
一条汽车焊装线焊同一款车身，一年不停工；一台注塑机生产同一规格的塑料件，批量越大越便宜。自动化在这套体系里跑得极好——高速、高精度、高稳定、低单件成本。
但2020年之后的市场变了。客户需求碎片化、产品迭代加速、订单周期从月缩短到周。一家精密零部件工厂每季度上线新品SKU数量是过去的3-5倍，批次切换从"按月"变成"按天"。
自动化的强项是"确定性"，弱项是"变化性"。一条焊装线切换车型要停产数周调试，一台注塑机换模具、换工艺需要半天。试图用更多自动化设备去解决多品种问题，结果是设备越来越多、切换越来越慢。
AI不是自动化的升级版，而是互补技术。自动化的强项是"确定性"，AI的强项是"变化性"——感知、学习、推理，应对不确定、多品种、个性化的生产场景。
二、交钥匙模式在小批量多品种场景下跑不通
很多工厂做AI/自动化项目还是"交钥匙"思路：找一个集成商，签一个全包合同，验收完就完事。
但交钥匙有一个隐含的前提：交付后场景在较长时间内保持稳定。 这在通信运营商、大型化工、整车厂这种"重资产、长周期"场景中成立，但在离散制造的多品种场景下不成立。
失败项目中最典型的原因就一个——合同签完那一刻SOW就锁死了，但工艺参数、产品形态、质量标准一直在变。
正确的做法是：甲方必须深度参与每一个关键决策，自己做最后集成。
这不是说不需要乙方。乙方的角色应该是"能力加持方"——交付极致的产品模块，但最终的钥匙，由甲方自己铸造。
三、乙方应该把工具做到极致，而不是做全套方案
中国自动化与AI市场有一个很奇怪的现象：每个乙方都要做"全套解决方案"。
一家做工业相机的要做"相机+光源+算法+MES+产线集成"的全栈。一家做PLC的要做"控制器+驱动+视觉+云端平台"。结果每块都做不深。
在小批量多品种的柔性化场景，最需要的不是"全套方案"，而是原子能力——在某个垂直细分做到极致的、最小可组合的功能模块。
哪些原子能力？
工业相机——覆盖2D/3D/线扫/红外/多光谱，不同材质、不同精度、不同节拍。这是AI视觉的"眼睛"。
光源产品——环形光、同轴光、背光、结构光。光源选型决定检测成败，一个好方案能把识别率从70%拉到99%。这是视觉系统的"调光师"。
算法能力——缺陷检测、OCR识别、3D重建、视觉大模型。几十个工位几十种算法，每样都做到极致，甲方按需调用。
非标自动化——标准机械单元（夹爪、定位台、传送模组）快速组合，针对不同产品快速响应。
软件PLC——这是柔性化的"神经中枢"。传统PLC为单一工艺硬编码，软PLC+CODESYS/PLCnext把控制从"硬件绑定"解放到"软件定义"，同一套硬件通过软件快速切换工艺。
更关键的是AI直接进入控制逻辑。第一层，AI推理结果作为控制变量输入；第二层，LLM+本体自动生成控制代码；第三层，强化学习智能体实时改写PID参数——PLC从"执行机构"升级为"决策机构"。
还有一件事不能省略：AI赋能的仿真设计。新工艺在物理产线投产前，先在数字孪生验证。AI自动建模、实时修正参数，仿真验证通过后直接下载到软件PLC执行。这是降低柔性化试错成本的关键环节。
五类原子能力 + 甲方的组合能力 = 柔性化的工程真相。
四、没有本体，AI在工厂就是嘴强王者
大模型给AI装上"嘴"，让它能说人话。但它没有"大脑"——不知道工艺流程是什么、不知道关键参数是什么、不知道订单和工件的因果联系。
AI在制造业的幻觉率高达35%-77%，根因就在这里。
本体(Ontology)是AI的"大脑"。它把企业的设备、物料、订单、工艺、规则形式化描述出来，让AI的每一次推理都有"事实锚点"约束。
很多人一听"本体治理"就觉得贵——全套梳理、全量建模、所有业务覆盖，起步就是几百万。这是误区。
本体不是全建好再用，而是边用边建。 一条产线、一个质量检测场景切入，3个月内完成核心实体建模与AI验证，6个月见ROI。
ISA-95标准也不必从零梳理。三条路：基于设备台账逆向建模、基于行业模板快速起步、基于场景倒推实体定义。不需要先建完一张本体图，按需构建、按需扩展。
高质量数据集是离散制造的真正护城河。AI辅助数据治理分三阶走：第一阶把分散数据汇聚（1-3月），第二阶用LLM自动打标关联（3-6月，单场景10-30万），第三阶建立闭环质量控制（6-12月）。
还有一个方向值得关注：联邦数据集。单家企业缺陷样本有限，但行业级联邦数据集（数据不出厂、模型梯度流动）可以实现"不暴露商业秘密但共享AI能力"。
企业内部的本体+数据集是"私域底座"，行业级的联邦数据集+共享本体是"公域增量"——两层协同，才能把AI的护城河建起来。
五、下行闭环不只是软件PLC
AI决策从数字世界反馈到物理世界，不能只靠软件PLC。
完整的链条要打通四个环节：决策生成→指令下发→安全验证→执行反馈。
其中安全验证是绝对不可省的。AI生成的优化建议必须经过安全PLC或数字孪生仿真的二次验证，才能下发执行。一个错误的工艺参数调整可能导致整批产品报废。
柔性化场景不能幻想AI全自主。企业必须设计"AI建议-人审-执行"的人机协同流程：
低风险（温度微调±5度）：直接执行
中风险（换型方案切换）：工艺工程师1分钟内确认
高风险（新工艺首次试制）：工艺主管+质量主管联合确认
人审不是卡住AI效率，而是保护AI价值。 信任建立后逐步放宽。
---
写在最后
AI不会替代自动化，但会用AI解决柔性化问题的离散制造企业，会替代只用自动化的同行。
2026年是离散制造新周期的关键节点。大模型给AI装上"嘴"，本体给AI装上"大脑"，软件PLC给柔性化装上"神经"，仿真设计给柔性化装上"前置引擎"——AI落地不是单点技术的突破，而是一整套工程组合的胜利。
---
下一主题
