于是，上海工业互联网协会组织举办了“工赋YOUNG人机协同创作者大赛”。大学生等青年人报名参赛，5家企业开放实地调研、高管访谈，然后参赛者们用作品书写自己理解的工业AI。
我有幸担当了比赛的导师和评委，也看到了许多优秀作品。在经过主办方和参赛者同意后，选取一些作品和大家分享。
作者介绍
李佳明
南京理工大学智能科学与技术学院，智能制造工程专业，2024级本科生
蒋陈宽
南京理工大学智能科学与技术学院，智能制造工程专业，2024级本科生
任高成
苏州大学光电科学与工程学院，智能测控工程专业，2024级本科生
一只玻璃酒瓶，从原料到上架，要经历什么？先在高温窑炉里熔成玻璃液，再成型、退火、检验。但在出厂之前，我们还得先回答一个问题：这批瓶子，合格吗？
如果答案是不合格，那到底是哪一步出了问题？要回答这个问题，不妨先看看一只瓶子是怎么诞生的。
一只瓶子的诞生
一只玻璃酒瓶的“出生”，比想象中快得多。
原料在窑炉里熔成玻璃液，流进模具成形，再经过退火、检验，才走下产线。产量记录里，7月19日傍晚17:30开工的一个夜班，8个小时，光一个机台就入库了五万多只瓶子——平均下来，一秒钟就有一两件。
而在速度之外，合格率也不容忽视。记录里最好的班次做到97.5%。也就是说：每一百只瓶子里，仍有两三只过不了检验。
7月19日到27日，记录在案的入库产品合计超过284万件，涉及多个白酒品牌的玻璃酒瓶，一共十几种。哪怕按最高的97.5%来算，这七天多里被挑出来的不合格品，也有数万只。
它们为什么不合格？是哪个环节出的问题？这才是工厂真正想搞清楚的事。
图1 一只玻璃酒瓶的诞生（含 AI 生成内容）
时间就是“金钱”
工厂其实早就不缺数据。投料配比、窑炉各点的温度压力、退火窑和锡槽的参数、视觉检测看到的缺陷、机械手数的产量，企业早已能掌握这些多如繁星的数据。
问题在于，这些数据分散在各套系统里：投料的归投料，窑炉的归窑炉，质检的归质检，产量的归产量，彼此对不上号。
更要命的是“慢”。等不合格品被挑出来，再一层层往回追原因，往往已经过去几个小时，甚至跨了好几个班次。而窑炉是连续生产的，一天二十四小时不歇，根本拖不起——问题拖得越久，损失就越大。
为什么会这么慢？因为要处理这些数据，就像拼一幅巨大的拼图：
同一批某白酒品牌的玻璃酒瓶，产量表里写着合格率97.5%，质量表里却记着冷纹、料纹1件，破皮气泡1件，搓板纹1件。这些线索分散在不同表格里，要靠人一行一行对起来，才能拼出“这批瓶子到底怎么了”。数据一多，拼图就成了苦力活。
图2 数据分散在各套系统里，像一幅难拼的拼图（含 AI 生成内容）
过去，这种苦力活靠老师傅。老师傅扫一眼就知道八九不离十是哪儿的问题，但这门本事是几十年攒下来的，说不清，也教不会。凯盛数智的技术人员在现场提到，连天气变化都会影响窑炉工况，老师傅会凭经验去调，但要他说清依据，往往也说不上来。
还有个绕不开的难题：这门本事是“隐性”的。老师傅的经验装在脑子里，人一旦退休或流动，经验就跟着带走了，新来的工人又得从头摸索。这正是案例资料里点出的痛点——“过度依赖专家经验，知识传承与稳定性差”。
所以工厂想请AI来帮忙，却没想到它是“黑盒”。它能告诉你“这批瓶子有问题”，却说不清为什么——是哪个参数变了？变化有多大？工程师没法验证，就不敢信；不敢信，就不敢用。一个说不出理由的AI，没人敢把产线交给它。
AI的努力凯盛数智做的这套“智能分析助手”，思路其实很朴素：不光让AI找到问题，还要让它把原因解释清楚。
它的核心，是不再孤立地看某一个环节，而是把“工艺参数—质量缺陷—最终产量”串成一张网，看彼此之间的连锁反应——哪个参数一动，质量和产量跟着怎么变。这正是它和过去“单点监控”最大的不同。拆开看，这套思路落地成了四件事。
第一，把数据统一起来。难点在于这些数据的“语言”不统一——有的按秒记、有的按分钟记，时间对不上，还有缺的、错的、异常的值，都得先“洗”干净。
AI先建一个数据底座，把投料、窑炉、退火窑、锡槽、视觉检测、机械手产量的数据放进同一个地方，对齐时间、清掉异常值、统一成一套标准，就像把散落各处的账本并成一本总账。智能分析助手正是建立在这套数据底座之上，按图3所示的工作流程一步步处理。
图3 智能分析助手工作流程
第二，从数据里找规律。有了统一的数据，AI把温度、压力、流量、缺陷、产量各种组合挨个试，看哪些组合一出问题，瓶子就跟着出问题。
这背后是一套专门“找规律”的算法，把“参数异常”和“质量缺陷、产量下降”之间的隐含联系一条条挖出来。最后找到类似这样的规律：窑炉上“流液道”温度偏高、“小炉”天然气流量偏低时，未来两小时气泡缺陷的概率会有所上升（案例示例中为70%）。这是数据自己供出来的线索（如图4所示）。
图4 质量数据分析与缺陷归因
第三，试着提前预报。等缺陷出现再查，终究慢了半拍。AI盯着碹顶温度这类关键参数，根据过去一段时间的曲线，预测接下来会怎么走；预测和实测一旦对不上，就知道工况要出问题了，从而提前报警。
它还能在没人标记的情况下，自己从多维数据里找出“看着不对劲”的苗头——很多肉眼看不出来的异常，它能先一步发现。就像天气预报说今日有雨，我们便知道最好带一把伞。
第四，把结论讲成人话。过去的黑盒AI只会甩出一串概率数字，工程师看不懂，也不敢照着调；而这套系统把每个参数对质量的影响程度算出来、按贡献排序，然后直接说：XX温度下降，是这次破皮气泡的主要贡献因素。
工程师看到的不是一堆概率和权重，而是哪个参数、什么缺陷、影响多大——看得懂，也验证得了。异常一来，看板自动高亮，责任人收到推送；想深挖，打开“分析助手”，几分钟就能拿到AI定位出的问题源和依据（如图5所示）。
图5 AI智能体问答界面
到这一步，人和AI才算真正搭上了伙：AI负责翻数据、找线索、算依据，工程师负责判断、拍板、调工艺。
凯盛数智的技术人员把这一步讲得很具体：工程师确认过的原因、用过的修复办法，会被整理成知识库；下次再遇到类似情况，AI先对照知识库，判断是不是“老问题”——是，就按沉淀下来的经验办；不是，再自己分析推理。经验就这样一点点攒下来，模型也越用越懂这条产线。
那么，这套系统到底能省下什么？
降本增效在凯盛数智基地的产线展示中，技术人员用一句话概括这套系统的追求——“少花钱、少停机、管得住”。落到数字上，最直观的对比如表1所示。
表1 人工排查与智能分析助手对比
环节 | 过去 | 现在 |
异常定位时间 | 人工分析，需要数小时 | 10分钟以内 |
分析报告 | 手动编制 | 实时自动生成 |
十分钟意味着什么？窑炉是连续生产的，早发现这十分钟，就可能少出一批废品、少烧一些天然气。报告自动生成，则把工程师从整理报表里解放出来，把时间花在真正需要人的判断上。
还有一点容易被忽略：这套系统是7×24小时在线的。人不睡觉，机器也不睡觉，任何一个班次的数据，它都在盯着；一旦识别出异常苗头，看板自动高亮，责任人就会收到报警。
而这套系统的价值，还不止于“快”和“盯得住”。
案例资料给出了这样的预期效果：关键缺陷（如破皮气泡、结石）的发生率预计下降15%—25%；每年预计可节约天然气2%—5%，综合生产成本预计降低1%—3%。
产线有效产能（OEE）预计提升3—5个百分点。OEE通俗地说，就是设备真正用来产出合格品的时间占比——它每涨一点，同样的时间就能多产出合格品。
这些数字不是凭空来的。AI的经验，来自企业提供的真实记录：产量记录144条、质量记录433条，覆盖7月19日到27日；质量表里能数出近20种缺陷——冷纹、料纹、破皮气泡、搓板纹、结石、模灰、花身、瓶口裂纹、炸脖、黑点……每一条，都是AI的教材。
人机协同，各展所长很多人一听AI进厂，就先想到裁员。但这个案例给出的是另一种画面：AI干的是翻数据的苦活，把线索摆到台面上，最后拍板的还是人。工程师信任它，是因为它讲得出理由；工程师一直在教它，所以它越用越准。
图6 AI 翻数据、工程师拍板（含 AI 生成内容）
这套方法也不只属于玻璃厂。投料、窑炉、成型、质检、产量之间的关联逻辑，在陶瓷、冶金这些同样靠高温窑炉吃饭的行业里是相通的。
案例文档把推广路径总结成三步：数据贯通、场景聚焦、知识闭环——数据打通了，从痛点最明确的场景切入，再把结论和生产控制接起来，AI就能在别的产线上再长一遍。
换句话说，这套方法沉淀下来的不只是一套软件，还有一条“怎么把AI用进产线”的路径。哪条产线愿意走这条路，它就可能在哪儿生根。
把眼光再放远一点，凯盛数智的科研立项规划里，还有更远的图景：窑炉温控精度±0.5℃、缺陷检测准确率90%以上、能耗降低3%—5%。这些数字目前还是目标，但方向是清楚的：
未来的工厂里，AI会解释、能对话，将成为工程师身边真正靠得住的搭档。
信任的前提让AI说出“对”的答案，其实不难；难的是让它把“为什么”讲清楚。
打个比方，它应该像导航软件——不只告诉你“前面堵车了”，还要告诉你“为什么堵、该绕哪条路”，这样你才敢照着开。
产线上的AI也一样：如果它只丢一句“这批瓶子有问题”，工程师就没法判断该不该信、该往哪调；可一旦它把“哪个参数变了、变化多大、影响什么”一条条讲清楚，工程师就能放心接过它的判断，再结合自己的经验拍板。
所以，AI的“可解释”不是可有可无的加分项，而是它赢得工程师信任的前提。下次再听说“AI进工厂”，不妨多问一句：它讲得清原因吗？
---全文完，欢迎交流
理工/金融 复合背景
