1978年，恢复高考的第二年，浙江大学计算机系奠基人何志均教授，在国内几乎零基础的情况下，将人工智能定为核心方向，招收了全国首批AI方向研究生，仅5人，潘云鹤院士便是其中之一。彼时没有教材、没有体系，师生靠研读海外论文，主攻机器推理、专家系统。
那个年代的AI，擅长逻辑推理，却接不进任何一台机床。近半个世纪过去，这颗火种终于完成了从“实验室模型”到“车间生产力”的跨越。今天我们就用一篇文章，把驱动这场变革的核心技术讲透，并说清制造业到底怎么用。
一、AI落地的核心问题：不是不够聪明，是接不进工厂
通用大模型能写诗、能编程，可一到产线就出问题：不熟悉企业标准、读不了设备数据、分析结果没法直接执行。简单说，它跟工厂是脱节的。
近两年涌现的新技术框架，正是为解决这三件事而生。
第一，让AI吃透工厂经验。
通用模型不了解你的产品、工艺和质检标准，容易“一本正经地胡说八道”。RAG（检索增强生成）的做法很直接：把企业自己的工艺手册、维修台账、历史缺陷案例库接给AI，让它每次回答前先查资料，有据可依。这相当于给AI装了一套专属的知识底座，把老师傅的经验变成可复用的标准能力。
第二，让AI读懂全厂设备。
工业现场最头疼的是系统对接——MES、PLC、传感器、仓储系统各说各话。MCP（模型上下文协议）解决了这个问题，它像AI世界的USB标准接口，让大模型能安全、统一地接入全厂异构系统，实时读取设备状态、生产进度、质量数据。打通这一步，AI才算真正有了“耳目”。
第三，让AI能自主干活。
传统AI是“应答工具”，你说一句它回一句。Agent（智能体）则是能自主干活的AI：接到任务后自己拆解步骤、调用工具、执行操作、处理异常。如果说早期AI是会做题的学生，工业Agent就是能独立带班的工程师。而Agent干活的各项本领——比如识别瑕疵、优化工艺参数、诊断设备故障——被封装成一个个Skill（技能单元），按需调用，无需重复开发。
这三者形成闭环：RAG补齐知识短板，MCP打通数据通道，Agent+Skill将智能转化为可执行的生产力。
二、三类工具，让蓝图落地
概念之外，几款工具已在工业现场跑通。
Claude：擅长长文档理解和严谨推理的大模型，对接工厂数据后，可完成质量根因分析、设备风险预判、供应链推演等复杂工作，替代大量人工分析和研判。
Codex：能根据自然语言指令生成PLC梯形图、机器人运动脚本，大幅降低工业自动化编程门槛，让产线调试不再依赖资深工程师一行行敲代码。
HarMerge：工业专属的人机协同工具。通过摄像头和穿戴设备捕捉工人动作，结合设备传感器数据，自动识别漏装、错装、违规操作，实时预警纠偏，把“老师傅盯着”变成系统实时守护。
三、制造业的五个AI落点
回到最实际的问题：这些技术到底用在哪儿？
1. 智能排产与调度。 人工排产靠经验，急单、设备故障、物料延迟都会打乱全盘。调度Agent接上产能、物流等Skill后，可秒级完成动态排产，自动权衡换线成本与交期压力。
2. 质量缺陷分析。 质检员拍下瑕疵照片，AI通过RAG检索历史案例库，立刻给出缺陷类型、根因和整改建议。老师傅的经验，变成全员共享的数字资产。
3. 预测性维护。 通过MCP读取振动、温度等传感器趋势数据，AI提前捕捉设备异常，结合排产推荐最佳检修窗口，避免非计划停机。
4. 人机协作与新人培训。 Codex快速生成机器人安全程序，HarMerge实时比对新人操作与标准工序，动作偏差、扭力不当即时提醒，实现标准化传承。
5. 工艺参数优化。 注塑、焊接等工艺高度依赖参数。工艺Agent调用历史知识库，结合当前原料和设备状态，动态推荐最优温度、压力、速度，降低试错成本，稳定良率。
结语
从1978年浙大实验室里的符号推理，到今天产线上Agent的自主决策，AI走了近半个世纪。这条路的本质，不是单一算法的突进，而是知识、数据、执行三大链条的打通。
所谓AI工业革命，真正的关卡不在于“模型多聪明”，而在于它能不能真正接进工厂、干得了活。这颗埋了近五十年的火种，如今终于开始燎原。
