1. 从三个被忽略的变革说起为什么人机协同才是AI进入工业的终局工业场景里谈AI落地最容易陷入的误区就是把“无人化”当成终极目标。我在几个制造类项目里摸爬滚打过之后越来越确信一件事AI进入工业的终局不是替代人而是人机协同。这个判断背后有三个变革很多做AI产品、做工业软件、做产线集成的朋友其实并没有真正注意到。先把这个话题的边界说清楚。这里聊的“工业”指的是离散制造、流程工业、能源电力、矿业冶金这类真实物理世界的生产场景不是互联网意义上的“产业互联网”概念。这里聊的“AI”包括大模型、AI Agent、VLAVision-Language-Action模型、工业异常检测算法、工业知识图谱这些具体技术形态。而“人机协同”也不是一个新造的词它指的是在工业现场人和智能系统之间形成一种双向理解、任务分配、实时反馈的协作关系而不是简单的“人操作机器”或者“机器替代人”。为什么说这是终局因为工业现场有三个硬约束决定了纯无人化在绝大多数场景下走不通。第一是物理世界的长尾问题产线上一个螺丝松了、一批来料有细微色差、环境温湿度突变导致传感器漂移这些异常的组合方式近乎无穷靠预先编程或纯数据驱动的模型很难穷举。第二是责任归属问题工业场景里一次误操作可能意味着几十万的损失甚至人身安全完全把决策权交给AI在可预见的未来都不现实。第三是知识传承问题很多工厂里最值钱的东西是老师傅脑子里的隐性经验这些经验很难被结构化地“喂”给模型但通过人机协同的交互方式可以逐步被沉淀和复用。这三个约束反过来看恰恰就是三个变革的切入点。第一个变革是交互范式的变革从人适应机器变成机器理解人的意图。第二个变革是系统架构的变革从孤立的AI模型变成能调用工具、能连接设备的Agent体系MCPModel Context Protocol这类协议的出现就是标志。第三个变革是能力边界的变革从感知智能看得见到认知智能看得懂再到行动智能做得了VLA模型把这三者串了起来。这三个变革不是孤立发生的它们共同指向同一个结论工业AI的落地形态一定是人机协同。下面我逐个拆开讲把每个变革背后的技术逻辑、实操要点、踩过的坑都说清楚。2. 变革一交互范式从“人适应机器”转向“机器理解人”2.1 传统工业交互的痛点在哪里在工业现场待过的人都知道传统的人机交互有多反人性。操作工要记住几十个按钮的功能要背下来不同报警代码的含义要在HMI人机界面上翻好几层菜单才能找到一个参数。工程师调试设备的时候要对着手册查寄存器地址要用专用软件连上PLC才能改一个逻辑。这种交互模式的核心逻辑是人适应机器——机器的逻辑是固定的人必须把自己的意图翻译成机器能懂的指令。这套模式在产线稳定运行的时候没问题一旦遇到异常或者需要调整效率就急剧下降。我见过一个汽车零部件厂的老师傅产线报警了他要花十几分钟翻手册查代码查完了还要打电话问设备厂商的工程师一来一回半小时过去了产线停着烧钱。这不是个例这是工业现场的常态。大模型带来的第一个改变就是自然语言成为新的交互接口。操作工可以直接说“三号机台温度报警了帮我看看是不是冷却水的问题”系统能理解这句话的意图去查三号机台的温度传感器数据、冷却水流量数据、历史报警记录然后给出一个判断。这个过程中人不需要知道数据存在哪个数据库里不需要知道报警代码的映射关系只需要用自己的语言表达意图。2.2 MCP协议为什么是关键拼图这里就要说到MCP了。MCP全称是Model Context Protocol直译过来是“模型上下文协议”。很多人第一次听到这个词会懵觉得又是一个新概念。其实它的核心作用很简单让AI模型能够标准化地调用外部工具和数据源。你可以把MCP想象成AI世界的“USB接口”。以前每个AI应用要连接数据库、连接工业相机、连接PLC都要自己写一套对接代码换个模型就要重写一遍。MCP定义了一套标准的通信方式模型通过MCP Server来暴露自己的能力AI Agent通过MCP Client来调用这些能力。这样一来一个工业相机厂商只要提供一个符合MCP标准的Server任何支持MCP的AI Agent都能直接调用它来拍照、调参数、取图像。这个变化对工业场景的意义非常大。工业现场的设备种类极其繁杂PLC有西门子、三菱、欧姆龙工业相机有Basler、海康、康耐视工业软件有LabVIEW、TIA Portal、Ignition。如果每接一个设备都要定制开发成本高到没法规模化。MCP这类协议的出现让“AI连接工业设备”这件事从定制项目变成了标准化产品。我实测下来用MCP的方式对接一个Basler工业相机大概半天就能跑通拍照和取图的基本流程。以前用LabVIEW或者Python的pylon SDK来对接光是环境配置和驱动兼容就要折腾一两天。当然MCP目前还在演进阶段工业场景对实时性和可靠性的要求比互联网场景高得多直接套用还需要做一些工程化改造但方向是明确的。2.3 从“指令式交互”到“意图式交互”的实操要点如果你正在做工业AI产品的交互设计我建议从这几个点入手先梳理高频意图不要一上来就做全能助手。工业现场最高频的意图就那么几类查状态、查历史、报异常、调参数、要报表。把这几个意图的自然语言理解做扎实比做一个什么都能聊的通用助手有价值得多。保留传统交互作为兜底。自然语言交互再流畅在紧急情况下操作工还是习惯按物理按钮。人机协同的意思是两种方式并存而不是用一种取代另一种。意图识别要结合上下文。工业场景里“温度高”这句话在不同工序、不同设备、不同时间段含义可能完全不同。要把设备状态、工单信息、历史数据作为上下文喂给模型才能准确理解意图。反馈要可解释。AI给出一个判断之后要能说清楚“我是基于哪些数据、哪些规则得出的这个结论”。工业场景里一个不可解释的判断没人敢用。注意工业现场的自然语言交互一定要做领域词表的定制。通用大模型对“结晶器”“连铸坯”“退火炉”这类专业术语的理解经常跑偏需要用领域语料做微调或者RAG增强。3. 变革二系统架构从“孤立模型”转向“Agent工具设备”的协同网络3.1 为什么单点AI模型在工业里不够用前几年工业AI的典型做法是针对一个具体问题训练一个模型。比如做表面缺陷检测就收集几千张缺陷图片训练一个CNN分类模型部署到产线边上做推理。这种做法在单一任务上能跑出不错的效果但放到整个生产流程里看价值有限。原因很简单工业生产是一个多环节耦合的过程。表面缺陷可能跟来料批次有关可能跟轧机温度有关可能跟刀具磨损有关。一个只看图像的缺陷检测模型只能告诉你“这个产品有缺陷”没法告诉你“为什么有缺陷”“怎么调整参数能减少缺陷”。要回答后两个问题需要把图像数据、工艺参数、设备状态、历史工单全部串起来分析。这就是AI Agent的价值所在。Agent不是一个大模型而是一个能感知环境、能做决策、能调用工具、能执行动作的系统。在工业场景里Agent可以调用MCP Server去查数据库、去读PLC寄存器、去调工业相机拍照、去查知识图谱里的工艺规则然后把所有信息综合起来给出建议。3.2 AgentMCP工业设备的典型架构我画不出图但可以用文字把这个架构说清楚。最底层是设备层PLC、工业相机、传感器、机器人控制器、工业CT、DLP测量设备等。往上一层是接口层每个设备通过MCP Server或者传统OPC UA接口暴露自己的能力。再往上是工具层把接口封装成Agent能调用的工具函数比如read_plc_register、capture_image、query_historian。最上面是Agent层大模型作为推理核心根据任务目标决定调用哪些工具、按什么顺序调用、拿到结果后怎么综合判断。这个架构的关键在于标准化。以前每个项目都要重新对接设备、重新封装工具、重新写推理逻辑项目之间没法复用。有了MCP这类标准协议之后设备对接可以复用工具封装可以复用Agent的推理框架也可以复用。项目交付周期能从几个月压缩到几周。我参与过一个立体库的场景客户要求做全场景的工业无线通信覆盖同时要能实时监控堆垛机的状态。传统做法是上一套SCADA系统配专门的组态软件开发周期长、修改困难。后来我们用Agent的方式做堆垛机的PLC数据通过无线网关传到边缘服务器边缘服务器上跑一个MCP Server暴露数据Agent根据自然语言指令去查数据、做判断、生成报表。客户想加一个新的监控指标只需要在MCP Server里加一个接口Agent这边改一下提示词就行不用动底层代码。3.3 工业Agent开发中的三个实操坑第一个坑是实时性。大模型的推理延迟通常在几百毫秒到几秒之间而工业控制回路的要求可能是毫秒级。所以Agent不能直接参与实时控制它的定位应该是监控、诊断、建议、报表这类非实时任务。实时控制还是要交给PLC和传统控制系统。第二个坑是可靠性。大模型有幻觉问题在工业场景里这是致命的。解决办法是把Agent的决策空间限制在工具调用上而不是让它自由生成文本。Agent可以决定“调用哪个工具”但工具返回的结果是确定的、可验证的。这样即使模型推理有偏差也不会直接导致错误的控制动作。第三个坑是数据安全。工业数据很多涉及工艺机密不能随便传到公有云。所以工业Agent通常要部署在边缘服务器或者私有云上用开源模型或者私有化部署的模型来做推理。MCP协议本身是传输协议不涉及数据存储但MCP Server的实现要注意权限控制和审计日志。提示工业Agent的提示词工程和互联网场景差别很大。互联网场景可以写很长的系统提示词工业场景要尽量精简把领域知识放到RAG或者知识图谱里提示词只保留任务描述和输出格式要求。4. 变革三能力边界从“感知智能”扩展到“认知行动智能”4.1 VLA模型到底解决了什么问题VLA是Vision-Language-Action的缩写中文一般叫“视觉-语言-动作模型”。很多人第一次看到这个词会问这是一个模型还是两个模型简单说VLA是一个端到端的模型架构输入是视觉信号和自然语言指令输出是动作序列。它不是两个模型拼在一起而是一个模型同时处理视觉、语言和动作三种模态。在工业场景里VLA的价值在于把感知和行动打通了。传统的工业机器人是“示教-再现”模式工程师手动示教一遍轨迹机器人重复执行。换一个工件、换一个摆放位置就要重新示教。VLA模型可以让机器人“看懂”眼前的场景理解“把红色零件放到左边料框”这样的指令然后生成动作序列去执行。我试过用VLA的思路做一个简单的分拣场景工业相机拍照VLA模型识别出零件的位置和姿态生成抓取动作机器人执行。整个过程不需要预先示教换零件只需要换一句指令。当然目前VLA在工业场景的精度和速度还达不到产线要求但方向是明确的。4.2 工业异常检测算法的演进路线VLA是行动智能的代表工业异常检测算法则是认知智能的基石。传统的异常检测做法是基于规则设定阈值超过就报警。这种做法的问题是阈值难调调高了漏报调低了误报。后来发展到基于统计的方法比如PCA、孤立森林能处理一些多变量场景但还是需要人工特征工程。再往后是基于深度学习的方法比如自编码器、GAN、扩散模型。这些方法能自动学习正常样本的分布对偏离分布的数据判为异常。在工业图像数据集上这类方法的效果比传统方法好很多。但工业场景的挑战在于异常样本极少有时候一条产线跑几个月才出一次缺陷根本没有足够的异常样本来训练监督模型。所以无监督和半监督的异常检测算法在工业里更实用。最新的趋势是基于大模型的异常检测。用预训练好的视觉大模型提取特征再用少量正常样本做微调或者用记忆库的方式做异常评分。这种做法的好处是泛化能力强换一个产线、换一种产品不需要重新训练模型只需要更新正常样本库。4.3 工业知识图谱在人机协同中的角色知识图谱这个词在工业圈里被提了很多年但真正落地的案例不多。原因在于工业知识的获取和建模成本太高。一个老师傅脑子里的经验要变成图谱里的实体和关系需要大量的知识工程师去访谈、梳理、验证。大模型的出现改变了这个局面。现在可以用大模型从工艺文档、维修记录、操作手册里自动抽取实体和关系人工只需要做校验和补充。抽取出来的知识图谱可以作为RAG的知识源也可以作为Agent推理的规则库。在人机协同的场景里知识图谱的作用是提供可解释的推理路径。当Agent给出一个诊断建议时它可以沿着知识图谱的边回溯告诉用户“我是基于这条规则、这个案例、这个参数范围得出的结论”。这种可解释性在工业场景里非常重要因为操作工需要信任系统的判断才会采纳建议。5. 工业现场落地人机协同的完整实操流程5.1 从场景选择到POC验证第一步是选场景。不要一上来就选最复杂的场景要选高频、高价值、边界清晰的场景。比如设备异常诊断、质量追溯、工艺参数推荐、报表自动生成这些都是比较好的切入点。避免选涉及安全控制的场景比如急停、联锁这些场景对可靠性的要求太高不适合用大模型。第二步是梳理数据和工具。把场景涉及的数据源列出来PLC数据、传感器数据、MES工单、历史报警、维修记录、工艺文档。把需要调用的工具列出来查数据库、读PLC、调相机、查图谱。然后评估哪些数据已经数字化了哪些还需要补采集。第三步是搭最小可行Agent。不要追求大而全先做一个能跑通“自然语言输入-工具调用-结果输出”闭环的最小系统。模型可以用开源的工具可以先手工封装几个数据可以先接一个数据源。目标是验证交互流程是否顺畅、模型理解是否准确、输出结果是否有用。第四步是现场测试和迭代。把最小系统拿到现场让实际操作工用观察他们在什么场景下会用、什么场景下不用、哪些回答不准确、哪些工具调用失败。根据反馈迭代提示词、补充数据、调整工具封装。5.2 关键参数和配置的实操记录以设备异常诊断场景为例我记录一下关键配置配置项推荐值说明模型选择7B-14B参数的开源模型工业场景不需要太大的模型推理速度和部署成本更重要推理硬件单卡A10或同等算力边缘部署不依赖公有云上下文长度8K-16K够用即可太长影响推理速度工具调用格式JSON Schema标准化便于解析和校验知识库检索向量检索关键词检索混合纯向量检索对专业术语不友好异常检测阈值动态阈值基于历史分位数固定阈值在不同工况下误报率差异大日志审计全量记录工具调用和模型输出工业场景需要可追溯这些参数不是拍脑袋定的是我在几个项目里试出来的。比如模型大小一开始用70B的模型效果确实好一些但推理延迟到了3-5秒操作工等不了。换成13B的模型延迟降到1秒以内效果下降不明显因为工业场景的意图相对固定不需要模型有太强的通用推理能力。5.3 人机协同的界面设计要点界面设计是人机协同落地最容易忽视的环节。很多AI项目失败不是因为模型不好而是因为界面不好用。工业现场的界面设计有几个原则一屏原则操作工不需要翻页就能看到最关键的信息。异常诊断的结果、建议的操作、相关的数据都要在一屏内呈现。确认机制AI给出的建议需要操作工确认后才执行。确认的动作要简单一个按钮或者一句语音就行。反馈闭环操作工采纳或者拒绝建议之后系统要记录这个反馈用于后续的模型优化。这个反馈机制是人机协同持续进化的关键。降级策略当AI系统不可用时要能无缝切换到传统操作模式。不能因为AI挂了产线就停了。6. 常见问题与排查技巧实录6.1 模型理解不准怎么办这是最常见的问题。操作工说“三号机台温度高”模型可能理解成“查询三号机台的温度值”而不是“判断三号机台温度是否异常”。解决办法是在提示词里明确任务类型把“查询”“诊断”“建议”这几类任务分开让模型先做意图分类再做具体处理。另外把领域词表注入提示词告诉模型“温度高”在这个场景里指的是“超过工艺上限”。6.2 工具调用失败怎么排查工具调用失败通常有三个原因参数格式不对、权限不足、目标系统不可达。排查顺序是先看Agent生成的工具调用参数是否符合Schema定义再看MCP Server的日志有没有收到请求最后看目标系统数据库、PLC、相机是否正常。我建议在Agent和MCP Server之间加一层日志中间件把每次调用的请求和响应都记下来排查的时候一目了然。6.3 响应速度慢怎么优化响应速度慢通常是三个环节的瓶颈模型推理、工具调用、数据传输。模型推理慢就换小模型或者用量化版本工具调用慢就做并行调用把没有依赖关系的工具同时调数据传输慢就把计算下沉到边缘减少数据往返。实测下来把模型从70B换成13B、把工具调用从串行改成并行端到端延迟能从5秒降到1秒以内。6.4 操作工不信任AI建议怎么办这是人的问题不是技术问题。解决办法是从辅助决策开始而不是从自动决策开始。AI只给建议操作工来决定是否采纳。同时把AI的推理过程展示出来让操作工看到“系统是基于哪些数据得出的结论”。当操作工发现AI的建议经常是对的信任就慢慢建立起来了。另外让操作工参与AI的优化他们反馈的每一条“这个判断不对”都是模型改进的输入。6.5 常见问题速查表问题现象可能原因排查方向解决建议模型答非所问意图理解偏差检查提示词和领域词表增加意图分类步骤注入领域术语工具调用报错参数格式或权限问题查看MCP Server日志校验Schema检查权限配置响应超过3秒模型太大或工具串行分段计时定位瓶颈换小模型工具并行调用操作工不用界面复杂或信任不足现场观察收集反馈简化界面展示推理过程异常检测误报多阈值固定或工况变化分析误报样本的分布改用动态阈值增加工况维度知识图谱覆盖不全抽取遗漏或建模粗糙检查抽取结果和关系定义补充语料人工校验关键实体注意工业场景的问题排查一定要到现场去不能只坐在办公室看日志。很多问题只有站在产线边上才能理解比如操作工为什么不用某个功能、为什么某个报警被忽略、为什么某个数据源不可靠。7. 我对工业人机协同的几个个人判断第一个判断是MCP这类协议会成为工业AI的基础设施。就像OPC UA成为工业通信的标准一样MCP或者类似的协议会成为AI连接工业设备的标准。现在还在早期但方向是明确的。做工业AI产品的团队应该尽早关注这类协议的演进在架构设计上留好扩展空间。第二个判断是VLA在工业的落地会比预期慢但一旦落地就是颠覆性的。工业场景对精度、速度、可靠性的要求太高VLA目前还达不到。但随着模型压缩、推理加速、数据积累三到五年内应该能在一些结构化程度高的场景比如分拣、上下料看到实际应用。第三个判断是人机协同的界面会成为独立的产品品类。现在工业AI项目里界面往往是最后才考虑的随便做个Web页面或者集成到现有HMI里。但我认为人机协同的界面设计需要专门的方法论和工具链它会成为一个独立的领域。谁先把这个领域做透谁就能在工业AI的落地竞赛中占据优势。第四个判断是工业知识图谱的价值会被大模型重新激活。前几年知识图谱在工业里落地难主要是因为构建成本高、维护成本高、使用门槛高。大模型把这三个成本都降下来了自动抽取降低构建成本自动更新降低维护成本自然语言查询降低使用门槛。我预计未来两年会有一波工业知识图谱的复兴。最后分享一个小技巧如果你正在做工业AI的项目建议每周花半天时间到产线上去跟操作工聊天看他们怎么工作、遇到什么问题、对现有系统有什么不满。这些一手信息比任何需求文档都有价值。工业AI的终局是人机协同而人机协同的前提是理解人。
