认识管震老师，该有10年时间了，他曾在微软中国担任首席技术顾问-经常以一袭红色衬衫出现在各个论坛演讲会场。有着非常宽广的技术视野，以及深刻的洞察力。因此，时常和他请教，也经常探讨技术话题—理工男的世界，就是这些枯燥而又无味。后来管老师与几位同事创办了AI4C的公司，并致力于为企业AI的发展提供工程咨询服务。最近拜访了一些终端企业，交流关于AI的应用—在微信里闲聊了很长时间。后来跟他说，要么把聊的话题，以一个“问答”的形式写出来，是不是可以成为一篇公众号文章，他欣然答应。
图-2024年广州自动化展,与管老师中午小叙
一、工业AI的数据保护与知识提取的难题
我:管老师，在和一些企业的交流后，我感觉在工业领域里，大家对于AI究竟如何落地很迫切的需求。但是，他们的顾虑在于两个方面，首先，AI企业对于现场的了解是匮乏的，并且也缺乏相应的人才，其次，他们又不愿意将这些制造中的Know-How与AI企业分享。这个对于AI的推进是个非常现实的难题，您怎么看待，有哪些好的建议？
管震：这是个老大难问题，在工业互联网时代就有了，做设备的不懂现场，懂现场的不懂数据，懂IT的不懂工业，2017年我们提出来工业还是应该回归松耦合，让专业的人做专业的事情，但专业的事情做了以后呢？没有人可以站在更高的维度来看这些站在不同注意力（Attention）角度之上的平衡啊，也就是全局啊，而工业里提效也好降本也好不仅要解决局部问题，更要讲的就是一个全局，不仅是一家企业，更是价值链的延伸同样如此，如果一家链主企业把供应链上的供应商都逼死了，这家企业难道能独善其身不成。工业互联网时代是没有答案的，有了AI之后有了解。如果你对这次大模型带来的多注意力机制有了解就立刻能联想到了，所以我们有几个考量：
1.全局视角与局部优化的平衡难题
工业系统的复杂性在于“牵一发而动全身”。过去工业互联网的尝试常陷入“局部优化陷阱”——设备供应商只关心设备效率，IT企业聚焦数据管道，OT团队守护产线稳定，却无人能站在全价值链维度统筹钢产量、库存周转、能耗成本的三角关系。
破局点在于AI的多注意力机制：大模型可同时关注设备振动信号、原材料批次质量、订单交付紧急度等多模态数据，在动态博弈中寻找帕累托最优。例如通过引入智能体的调度模型，将高炉煤气利用率提升的同时，降低库存积压，一次干不好，可以干两次；两次干不好，那就来一千次，可以是由模型来模拟，也可以在实践中让智能体不断自省，找到平衡点。
2.制造业的Know-How对于一家企业来说至关重要，无论是工艺配方还是财务透明度都是不传之秘，这些知识基本上不存在与别人共享的可能，我们搞自动化的或者搞AI的要尊重这一点，所以解决问题得从这个基础开始，当然到目前人工智能技术的发展有三样工具可以逐渐将这个死结解开：
1).第一工具：联邦知识蒸馏
通过参数隔离技术，让AI在不接触原始数据的情况下学习知识精华。如半导体企业A的缺陷检测模型，将其预测逻辑蒸馏成轻量级规则注入企业B的本地模型，实现知识迁移而不泄露晶圆图案细节。
2)第二工具：因果推理增强
用因果链分析取代传统关联分析，让AI理解“温度提升导致良率下降”的本质是冷却速率不足，而非简单统计关联，这种多头注意力机制的引入使企业可以跨设备、部门共享因果机制而不是仅仅依赖某设备的具体参数。
3).第三工具：数字契约
基于区块链的智能合约，确保工艺参数的使用权与所有权分离。例如化工企业将催化剂配方加密后上链，AI企业调用时需支付Token并获得有限次数的计算权限，虽然这种基于区块链的。
我：果然是“术业有专攻”-这里提到的几个点，的确可能会是对AI不大了解的朋友不清楚的。原来这个也可以通过“知识蒸馏”来实现“隔离”。并且提到的“因果推理增强”，这可以降低算力需求且能更为实时的推理。数字契约也是一个很好的办法。
二、AI人才培养的三明治模型
3.人才战略的“三明治”模型
人才不是一时半会儿就有的，人工智能从某种意义上发展太快了，普遍意义上的制造业不能指望来百八十个人工智能人才来实现自己的人工智能战略，而且这个前提是制造业企业要知道自己的人工智能战略是什么。我们假设已经知道AI战略是什么了，那么
顶层：培养3-5名AI战略架构师，需同时理解精益生产与机器学习特性，负责制定AI与业务融合的顶层逻辑。如果没有，可以先成立一个AI实验室，负责引入合作伙伴来推动AI战略的规划和实现。
中间层：通过低代码AI平台武装工艺工程师，使其能自主开发预测性维护等场景应用。
基层：与职业院校共建工业AI技工认证体系，培养会操作智能质检设备、能理解模型报警含义的新型蓝领，未来懂AI能力的产业工人比传统产业工人的效率更高。
我：管老师预设的是“AI战略清晰”，其实，可能就是目前很多企业发展AI的第一大难题。我们经常说做正确的事，才正确地做事。对于制造业而言，能够清晰的认识到AI与自身的“爆点”在哪里，本身就是“AI人才”的一种“前置能力”。很多企业对于AI是模糊的—它是什么？它能干什么？它能在我这里干什么，这件事情就很难。因此，可能制造业领域还是需要很多像管老师这样能够在AI技术和产业之间建立桥梁的专家。
三、如何平衡IT与OT的碰撞
我:管老师，IT的人思考问题与OT思考问题，在我看来其实是两个方向，一个是自上而下的，一个是自下而上的。前者从全局看局部，但有可能你的全局未考虑现实的局部而无法推进，后者从问题来，但有可能解决了局部但缺乏全局的问题解决。如何在这两者间形成平衡？
管震：人有死角、有成见，但道理上AI不会，所以第一是建立起多级Agent驱动的企业运营管理模型，第二是让这些Agent都具备快速反省的能力，让他们在实践中动态调整策略。IT与OT的冲突本质是确定性系统与不确定性系统的碰撞。OT要求99.99%的稳定，IT追求敏捷迭代。平衡二者需构建“双环学习”体系：
第一环：Agent驱动的实时决策层
l在边缘侧部署物理信息Agent，直接连接PLC与传感器，执行毫秒级控制（如紧急停机）。
l在车间级部署资源优化Agent，将IT和OT系统、数据连接起来，协调多产线资源分配。
l在供应链级别设计博弈优化Agent，将局部和全局统筹起来，并在模拟和实践中获得其优化路径。
第二环：因果反事实推理层
工业知识的价值不在于静态存储，而在于动态演化与主动创造。真正的知识工场需要实现“数据→知识→决策→验证”的闭环。原来这一环节都是依赖老师傅的经验，但在AI背景下，这个闭环可以通过事实推理和因果算法来推导关键路径权重，更科学地沉淀企业的Know-How
l当出现异常（如某批次产品硬度超标），系统不仅定位直接原因（淬火时间不足），更能模拟“如果当时延长回火时间会怎样”，通过反事实推演优化工艺知识库。
l知识库很重要，很重要，很重要，我更愿意叫知识工场，不仅仅是找个大模型把一堆文档丢进去，然后可以聊天，而是要保证这个知识工场能不断更新、接入实时的数据、把不同的数据源、知识整合起来，当每个生产异常、每次改进都能触发数百次数千次虚拟世界的“如果当时…”，工业就真正进入了用计算创造知识的时代。
四、制造企业的AI战略制定建议
我:能力在任何时候都是关键，不管是企业的整体能力，还是团队中的个体能力—那么，对于推进AI项目，企业应该有怎么样的能力培养或者团队建设？是否需要借助于外力来进行这项工作？
管震：工业AI的落地不是“买一个模型就能用”的简单任务，而是需要企业从战略认知、组织能力到技术储备的全面升级。这就像攀登珠峰，既需要清晰的路线图，也需要专业的向导和扎实的训练。以下是企业能力建设的“三步走”策略：
第一步：明确AI能力建设的“金字塔”模型
1.顶层：战略决策能力
n核心目标：让管理层理解AI的边界与价值，避免“AI万能论”或“AI无用论”的极端认知。
n培养方式：
l组织高管参加工业AI战略工作坊，通过案例拆解理解AI如何创造业务价值，高管的认知和经验投入是企业AI战略的重要起点。
l引入AI成熟度评估模型，帮助企业定位当前阶段（如L1数据采集→L5全流程优化），制定3-5年AI路线图。
2.中层：业务融合能力
n核心目标：让业务骨干（如生产经理、工艺工程师）具备“用AI思维解决问题”的能力。
n培养方式：
l开展AI+精益生产双轨培训，教会工程师如何将六西格玛问题转化为机器学习任务。
l开发或者引入低代码AI工具链，让业务人员能自主完成80%的常规分析任务（如设备健康度评分、质量异常分类）。
3.基层：数据操作能力
n核心目标：让一线员工（如设备操作员、质检员）掌握AI工具的基本操作与反馈机制。
n培养方式：
l设计AI技能认证体系，覆盖数据标注、模型报警响应等实用技能。
l与学校合作，培养下一代产业员工。
第二步：构建“内功+外力”的双轮驱动模式
1.内功修炼：打造AI核心团队
n团队构成：
lAI架构师（1-2人）：负责技术选型与系统集成。
l数据科学家（2-3人）：专注特征工程与模型优化。
l业务翻译官（3-5人）：由资深工艺工程师转型，负责需求对齐与结果验证。
n培养路径：
l与高校共建AI人才实训基地，定向培养复合型人才。
l设立AI创新实验室，鼓励团队通过横向合作或者内部创业机制孵化AI应用。
2.外力借势：引入生态合作伙伴
n短期合作：
l聘请AI咨询顾问，快速完成20-30个痛点场景的可行性评估。
l与智用开物这样的机构合作，搭建工业级AI PaaS平台，降低技术门槛。
n长期合作：
l加入行业AI联盟，通过贡献脱敏数据换取模型微调权益。
l与科研院所共建联合实验室，攻关数字孪生、因果推理等前沿技术。
第三步：建立能力建设的“飞轮效应”
1.从试点到推广：
l选择1-2个高价值场景（如预测性维护、智能排产）启动试点，确保6个月内可见成效。
l将试点成果转化为标准化解决方案，逐步复制到其他产线或工厂。
2.从工具到文化：
l通过AI创新大赛、最佳实践分享会等活动，营造全员参与的创新氛围。
l设立AI贡献奖励机制，对提出优质问题或贡献关键数据的员工给予激励。
3.从项目到平台：
l将分散的AI能力沉淀为企业AI中台，提供统一的数据管理、模型训练与部署服务。
l通过API开放能力，赋能供应链上下游，构建AI驱动的产业生态。
我：这的确是非常实用的AI战略发展建议，非常全面、务实，且具有实际操作性。个人感觉这是比较完整、稳妥的一个企业AI发展路径建议。其实，很多企业的领导，只需要看这一段，可能就会有了全景的认识。
能力建设是一场马拉松
工业AI的落地不是一蹴而就的，而是需要企业在战略上坚定、组织上协同、技术上务实。通过“内功修炼+外力借势”的双轮驱动，企业不仅能解决眼前的效率问题，更能构建面向未来的核心竞争力。AI不是终点，而是企业迈向智能制造的新起点。
注:已经有数月未有更新,实在是懒，与管老师交流后，觉得未来可以以此种形式分享，也是一个好办法。
