109 座灯塔工厂,照不亮隔壁车间

11 月 18 日《证券日报》有一篇报道,开头两段就把中国制造的两张面孔摆在了一起。

一张是亮的:世界经济论坛的全球灯塔工厂名录里,截至 2026 年 6 月共有 238 座标杆制造与供应链基地,中国以 109 座位居全球第一。工业和信息化部近日还公示了 2026 年度 34 家领航级智能工厂培育项目。制造业人工智能重点场景的应用普及率升到了 34.2%。

另一张是暗的:截至 2026 年上半年,全国累计建成基础级智能工厂 5.6 万余家、先进级 9000 余家,卓越级只有 500 余家。而《企业数字化转型指数报告(2025)》显示,中小企业数字化转型成熟度指数只有 28.6,全国是 35.4,其中 86.92% 仍处于基础信息化应用阶段。

109 座

中国灯塔工厂,全球第一

500 余家

全国卓越级智能工厂,占基础级的不到 1%

两组数字放在一起,问题就出来了:灯塔工厂一间接一间地建,隔壁车间为什么还是老样子。

一、"买来智能"这四个字,说中了很多项目

中国信息通信研究院首席专家石友康在报道里给了一句判断,我认为是这篇文章最该被抄下来的一句:

制造业智能化最大的误区是"买来智能",即单纯采购软硬件搭建样板车间,脱离现场工艺、数据积累与组织流程,这样的示范项目尽管好看却难以推广。

"买来智能"这个词很准。因为它准确描述了多数企业的动作顺序:先看同行上了什么,再找供应商比价,然后采购、安装、验收、拍照、上报。整个过程里唯一没有被处理的,是这套设备到底要替代哪个判断。

报道里还有一句技术性的解释,很多人读的时候会滑过去:众多标杆工厂的 AI 模型建立在数年乃至十余年的数据积淀之上,中小工厂既无同等量级的数据资产,也缺乏消化复杂算法的工程团队。一套在千亿元级产线上打磨成熟的排产系统,移植到订单波动剧烈、设备新旧混杂的中小车间,往往水土不服。

移植失败的真正原因,不是算法不够好,是输入不一样。大厂喂给模型的是"这批料、这台机、这个模、这个参数、上次做出来是什么结果",中小厂的同一张工单上,可能只有"数量"和"交期"两个可靠的数。模型再强,也变不出没有记录的因果。

二、三家工厂,三种复制方式

报道采访的三家工厂,走的是三条不一样的路。把它们的差别看清,比记住任何一家的设备清单都有用。

联宝科技:复制"方案"

联宝(合肥)24 条 SMT 产线、28 条整机组装线,平均每 0.5 秒下线一台笔记本电脑,全球每 8 台笔记本就有 1 台从这里出去。它做过的事不只是把自己的厂变聪明,而是把整套智造体系往外输出——把一座灯塔,变成连片智能厂房。

往外交付的东西,本质是一套可以被别人照着做的规则:哪道工序用什么参数、什么情况下停机、检验做到什么程度算过。联想中国政企业务企业行业纵队总经理宋涛的说法是:工厂智能不是设备采购的产物,而是长期扎根生产现场,从一线问题、生产数据、员工实操经验里生长出来的能力。

三一重工北京桩机工厂:适配"场景"

这家 2019 年启动改造的工厂,是国家首批卓越级智能工厂。重型装备制造是典型的离散制造:品种多、批量小、工件体积大,旋挖钻机的钻杆最长可达 27 米,动力头最重可达 16 吨。这样的人机组合,很难照搬电子厂的自动化方案。

他们的做法是在焊接环节给机械臂加装 3D 视觉传感器,实现人机协同;同时引入重载机器人,承担抓取、翻转、拧螺栓这些高强度重复劳动。改造后,车间一线工人数量比此前减少一半以上,劳动生产率提升 85%,生产周期缩短 77%。

注意这三个数的关系:人少了,产出反而多了,周期短了。这只有在"判断被搬到设备上"的时候才成立——如果焊缝要不要补、补到什么程度还得靠人看,人少一半只会让返工变多。

格力金湾工厂:锻造"造方案的工具"

480 米长的外机产线上,103 个工序里有 86 个实现自动化,整体自动化率超过 80%,装备自主研制率也是 80%,厂内 2000 余台工业机器人全部自主研发。

格力智能制造生产线负责人尤奕成讲了一句很实在的话:建设这座工厂的难度不在于某一项工序的自动化,而是把生产线上百个环节的海量智能设备和机器人同时调度、协同起来。

这句话点出了第三条路的价值所在。联宝卖的是方案,三一改的是场景,格力做的是能生成方案的工具。工具的好处是可以反复用——换一个产品、换一条线,调度逻辑不用重写。

三、被复制的不是设备,是判据

三条路看着不同,底下是同一件事:把判断从人身上搬到规则里。区别只在搬到哪一层——搬到交付物里是联宝,搬到设备里是三一,搬到工具里是格力。

我把这类规则统称为"判据"。一个判据通常由三段组成:什么条件下做什么、做到什么程度算合格、不合格之后怎么办。三段都写清楚了,人和机器才能共用同一套标准;缺任何一段,就只能靠人在现场临时决定。

举个制造业里最常见的例子。某道工序的作业指导书写着"焊接电流 180 至 220 安"。这不是判据,这是区间。完整的判据要往下追三层:板厚 3 毫米以下取下限还是上限、连续焊超过多少秒要降流、出现气孔是该补焊还是该报废。这三层如果没有答案,那么无论加装多少传感器、上多聪明的模型,最后还是要叫老师傅过来看一眼。

这就是"买来智能"失败的方式:买来的是执行器,不是判据。执行器没有判据,只能做最简单的动作;稍复杂的判断,仍然回到人身上。于是设备越多,需要盯设备的人越多,人反而减不下来。

四、判据落在 Odoo 的哪几个位置

好消息是,这些位置在标准 ERP 里本来就有,不需要为 AI 单独开发一套东西。以 Odoo 17 到 19 为例(20 版可能微调,实施前请核对),大致是下面五处:

判据类型Odoo 里的位置要写到什么程度
作业条件工艺路线上的工序(mrp.routing.workcenter)说明与工时不只是"做多久",要写"什么条件下改参数、改成什么"
合格判定质检点与质检记录(quality.point / quality.check)上下限、抽样规则、判定不合格后走哪个动作
能力边界设备台账(maintenance.equipment)与工作中心最大吨位、可加工尺寸、精度等级、当前状态
异常归因报工的损失原因、报废原因收敛成有限枚举,不要留自由文本框
可做性产品属性与变体(product.template 的属性、变体组合)哪些参数组合能做、哪些不能、不能的话需要什么条件

这五处有一个共同点:都是人填的,不是设备填的。这也是它们经常空着的原因——设备采购有预算、有验收、有照片;填字段没有预算、没有验收、也没有人拍照片。但从数据的角度看,恰恰是这五处决定了采集上来的数据有没有意义。

举一个最小的例子

某注塑厂的工单上,"计划开始时间"和"计划结束时间"两个字段一直填,实际开始与实际结束却从来不填。于是他们能算出"计划周期",算不出"实际周期"。上了 MES 之后,设备能采集开机停机,但采集到的信号要落到工单上,还得有人把工单和时段对上——对不上的部分,就成了系统里说不清的黑洞。

补的办法很土:让报工的人在结束时报一次实际时间,就一个字段。三个月后,他们第一次画出自己车间的周期分布,发现某类模具的换型时间中位数是估计值的两倍。这个发现没花一分钱,只花了一个字段的约束。

五、中小企业的第一层不是传感器,是字段

报道里提到摩根士丹利的预测:2026 到 2035 年,中国工业 5.0 转型有望带来约 80 万亿元的累计增量资本开支。这个体量不是财政能包下来的,需要产业资本、金融资本与政府基金一起上。报道还提到一个正在发生的变化:灯塔工厂的运营经验被打包成订阅式服务之后,制造企业的智能化投入正从一次性资本开支变成可预测的运营支出,中小企业的决策门槛和试错成本大幅降低。

订阅制确实是好事,它把"买不起"变成了"付得起"。但它没有解决另一个问题:付得起,不代表接得住。一套按年付费的智能排产服务,接进来之后需要你的工艺路线是准的、产能数据是真的、交期承诺是有约束的。这三样东西如果都是估的,系统跑出来的排产结果只会比人工更自信地错。

所以对多数中小企业来说,第一层不该是传感器,也不该是模型,而是单据上的字段。判断标准很朴素:

  • 这张单上,有多少字段是"必须有值才能保存"的?
  • 这些值里,有多少是选出来的,有多少是随手填的?
  • 随手填的那些,事后有没有人核对过?

三个问题的答案,基本决定了一家企业的数据底子。选出来的值可以统计,随手填的值只能凑数。而 AI 需要的是能统计的东西。

一个常见的顺序错误:先上设备采集,再补系统字段。结果采集了一堆信号,找不到对应的工单、工序、批次,最后只能做成一块看板挂在车间。看板不难看,但它进不了成本、进不了追溯、也进不了任何一份对外的报表。正确的顺序是反过来的:先把单填对,再决定采什么。

六、如果只做三件事

一、挑一道最贵的工序,把它的判据写全三段。什么条件下做什么、做到什么程度算合格、不合格怎么办。写完给车间主任看一遍,问他"这跟你们实际做的一样吗"。多数时候会发现,写下来的和实际做的差着两三处——那几处就是以后要交给 AI 的地方,也是最容易出错的地方。

二、把异常原因从自由文本改成有限枚举。先分五类以内,跑一个月,看分布。如果某一类占了七成以上,说明分类不够细;如果五类都很平均,说明分类口径有问题。这件事不花钱,但它决定了你以后能不能算出"损失都去哪儿了"。

三、在签任何智能工厂或 AI 服务合同之前,先问一句:这套东西需要我提供哪些数据?如果对方的答案是"我们有通用模型,不需要你的数据",那要小心——通用模型给的是通用建议,落到你的车间还是要人来翻译。如果对方列了一张数据清单,那这张清单本身就是一份很好的自检表,照着补比照着买更划算。


109 座灯塔工厂说明的是中国制造的上限在哪,86.92% 说明的是大多数企业的起点在哪。中间这段路,过去几年被讲成了一段设备采购的路,于是很多企业把钱花在了最外面那一层。

但联宝、三一、格力三家给出的答案其实一样:它们真正的资产不是那些机器人,是机器人知道该怎么做的那套规则。规则可以抄,机器人可以买,顺序反了,钱就白花。

AI 长在生产现场,这句话没错。但它有个前提:现场得有东西可长。

文中数据来源:《证券日报》2026-11-18 记者贾丽报道《灯塔工厂从单点走向连片》(世界经济论坛全球灯塔工厂名录:截至 2026 年 6 月全球 238 座、中国 109 座;工信部:截至 2026 年上半年基础级智能工厂 5.6 万余家、先进级 9000 余家、卓越级 500 余家,2026 年度 34 家领航级智能工厂培育项目公示;制造业人工智能重点场景应用普及率 34.2%;《企业数字化转型指数报告(2025)》中小企业成熟度指数 28.6、全国 35.4、86.92% 处于基础信息化应用阶段;中国信通院首席专家石友康、联想宋涛、格力尤奕成引语;联宝科技、三一重工北京桩机工厂、格力金湾工厂、阳光电源案例数据;摩根士丹利 2026–2035 年约 80 万亿元累计增量资本开支预测)。Odoo 模型与字段以 17 至 19 版为例,20 版可能调整,实施前请核对官方文档。

众谛信息 · 企业管理数字化观察 · 文中企业案例引自公开报道,未附第三方审计。

关于我们

​我们致力于帮助中小企业实现数字化转型,我们的团队由一群充满激情和创新思维的专业人士组成,他们具备丰富的行业经验和技术专长。

扫一扫获取顾问以及手册

登录 留下评论
AI 的预算已经不在 IT 手里了,账上还没有它的科目