政策端的口子已经开得很大。工业和信息化部等八部门2026年1月印发《"人工智能+制造"专项行动实施意见》,明确到2027年推动3至5个通用大模型在制造业深度应用,推出1000个高水平工业智能体,打造100个工业领域高质量数据集,推广500个典型应用场景,选树1000家标杆企业。到2026年10月,工信部已组织近30场人工智能赋能新型工业化"深度行"活动,促成5000余家企业供需对接,10月15日还发布了"人工智能赋能新型工业化高价值场景"清单。规模以上制造业企业的人工智能技术应用普及率已超过30%。
但真正落到设备科,起点往往很土:一台进口设备的随机手册是扫描版PDF,电气图纸还是纸质蓝图,维修记录写在班组台账上,"这台机器冬天要先空转十分钟"这种经验只存在老师傅脑子里。把这些材料原样丢给大模型,得到的多半是似是而非的答案,动手就出错。问题不在模型,在数据。
第一道关是结构化。手册、图纸、工单要能被检索,扫描件得做文字识别,图纸上的位号与元件要能对上,故障码要和现场现象对齐。这一步最费人力,也最容易被跳过,很多项目失败就失败在这里:模型能背出整本手册,却不知道现场说的"三号机跳闸"对应哪个回路。第二道关是编码对齐,备件编码、BOM与实物库存必须一致,否则模型建议换某个件,库里根本没有,工单只能挂着。第三道是版本与权限,同一型号不同年份的设备参数不同,答错版本比不答更危险。
过了三道关,落地可以分三档走。第一档是检索问答:维修工用手机问"E047报警怎么处理",系统返回手册对应段落加三条历史工单,这一档三到六个月能上线,收益是新手不必再翻两百页PDF。第二档是工单辅助:自动生成故障描述、给出备件建议、按历史数据预估停机时长,这一档要打通备件库与工单系统。第三档才谈参数与策略推荐,结合振动、温度、电流的趋势给维护窗口建议。前两档见效快、风险可控,第三档依赖数据积累,别一上来就冲第三档。
可行性其实已经被标杆工厂验证过。全国已建成的230余家卓越级智能工厂中,产品研发周期平均缩短28.4%,生产效率平均提升22.3%,不良品率平均下降50.2%,碳排放平均减少20.4%;领航级智能工厂里人工智能渗透业务场景的比例超过70%,沉淀的垂直领域模型超过6000个。但麦肯锡的研究同时显示,全球88%的企业在不同程度上使用人工智能,真正靠它把息税前利润提升超过5%的只有约6%。差别就在数据能不能用、场景选得对不对。
给设备口的建议是从小处切:先做一条线、二十台关键设备,把点检表电子化,统一备件编码,接入振动、温度、电流这类基础数据源,现场仪表与控制系统厂商(如Honeywell的变送器与系统产品线)能提供的数据接口先摸清楚。同时把安全边界写进制度:模型给出的建议不能替代挂牌上锁与验电流程,涉及安全回路的判断必须由人复核。半年后用"平均修复时间有没有下降"这一个指标验收,比看多少条问答记录实在得多。

