11 月 18 日《證券日報》有一篇報導,開頭兩段就把中國製造的兩張面孔擺在了一起。
一張是亮的:世界經濟論壇的全球燈塔工廠名錄裡,截至 2026 年 6 月共有 238 座標竿製造與供應鏈基地,中國以 109 座位居全球第一。工業和信息化部近日還公示了 2026 年度 34 家領航級智慧工廠培育項目。製造業人工智慧重點場景的應用普及率升到了 34.2%。
另一張是暗的:截至 2026 年上半年,全國累計建成基礎級智能工廠 5.6 萬餘家、先進級 9000 餘家,卓越級只有 500 餘家。而《企業數位化轉型指數報告(2025)》顯示,中小企業數位化轉型成熟度指數只有 28.6,全國是 35.4,其中 86.92% 仍處於基礎信息化應用階段。
109 座
中國燈塔工廠,全球第一
500 餘家
全國卓越級智能工廠,佔基礎級的不到 1%
兩組數字放在一起,問題就出來了:燈塔工廠一間接一間地建,隔壁車間為什麼還是老樣子。
一、「買來智能」這四個字,說中了很多項目
中國信息通信研究院首席專家石友康在報道裡給了一句判斷,我認為是這篇文章最該被抄下來的一句:
製造業智能化最大的誤區是"買來智能",即單純採購軟硬體搭建樣板車間,脫離現場工藝、數據積累與組織流程,這樣的示範項目儘管好看卻難以推廣。
「買來智能」這個詞很準。因為它準確描述了多數企業的動作順序:先看同行上了什麼,再找供應商比價,然後採購、安裝、驗收、拍照、上報。整個過程裡唯一沒有被處理的,是這套設備到底要替代哪個判斷。
報導裡還有一句技術性的解釋,很多人讀的時候會滑過去:眾多標竿工廠的 AI 模型建立在數年乃至十餘年的數據積澱之上,中小工廠既無同等量級的數據資產,也缺乏消化複雜演算法的工程團隊。一套在千億元級產線上打磨成熟的排產系統,移植到訂單波動劇烈、設備新舊混雜的中小車間,往往水土不服。
移植失敗的真正原因,不是演算法不夠好,是輸入不一樣。大廠餵給模型的是"這批料、這台機、這個模、這個參數、上次做出來是什麼結果",中小廠的同一張工單上,可能只有"數量"和"交期"兩個可靠的數。模型再強,也變不出沒有記錄的因果。
二、三家工廠,三種複製方式
報導採訪的三家工廠,走的是三條不一樣的路。把它們的差別看清,比記住任何一家的設備清單都有用。
聯寶科技:複製"方案"
聯寶(合肥)24 條 SMT 產線、28 條整機組裝線,平均每 0.5 秒下線一台筆記型電腦,全球每 8 台筆記型電腦就有 1 台從這裡出去。它做過的事不只是把自己的廠變聰明,而是把整套智造體系往外輸出——把一座燈塔,變成連片智能廠房。
往外交付的東西,本質是一套可以被別人照著做的規則:哪道工序用什麼參數、什麼情況下停機、檢驗做到什麼程度算過。聯想中國政企業務企業行業縱隊總經理宋濤的說法是:工廠智能不是設備採購的產物,而是長期紮根生產現場,從一線問題、生產數據、員工實操經驗裡生長出來的能力。
三一重工北京樁機工廠:適配"場景"
這家 2019 年啟動改造的工廠,是國家首批卓越級智能工廠。重型裝備製造是典型的離散製造:品種多、批量小、工件體積大,旋挖鑽機的鑽桿最長可達 27 米,動力頭最重可達 16 噸。這樣的人機組合,很難照搬電子廠的自動化方案。
他們的做法是在焊接環節給機械臂加裝 3D 視覺傳感器,實現人機協同;同時引入重載機器人,承擔抓取、翻轉、擰螺栓這些高強度重複勞動。改造後,車間一線工人數量比此前減少一半以上,勞動生產率提升 85%,生產週期縮短 77%。
注意這三個數的關係:人少了,產出反而多了,週期短了。這只有在"判斷被搬到設備上"的時候才成立——如果焊縫要不要補、補到什麼程度還得靠人看,人少一半只會讓返工變多。
格力金灣工廠:鍛造"造方案的工具"
480 米長的外機產線上,103 個工序裡有 86 個實現自動化,整體自動化率超過 80%,裝備自主研製率也是 80%,廠內 2000 餘台工業機器人全部自主研發。
格力智能製造生產線負責人尤奕成講了一句很實在的話:建設這座工廠的難度不在於某一項工序的自動化,而是把生產線上百個環節的海量智能設備和機器人同時調度、協同起來。
這句話點出了第三條路的價值所在。聯寶賣的是方案,三一改的是場景,格力做的是能生成方案的工具。工具的好處是可以反覆用——換一個產品、換一條線,調度邏輯不用重寫。
三、被複製的不是設備,是判據
三條路看著不同,底下是同一件事:把判斷從人身上搬到規則裡。區別只在搬到哪一層——搬到交付物裡是聯寶,搬到設備裡是三一,搬到工具裡是格力。
我把這類規則統稱為「判據」。一個判據通常由三段組成:什麼條件下做什麼、做到什麼程度算合格、不合格之後怎麼辦。三段都寫清楚了,人和機器才能共用同一套標準;缺任何一段,就只能靠人在現場臨時決定。
舉個製造業裡最常見的例子。某道工序的作業指導書寫著"焊接電流 180 至 220 安"。這不是判準,這是區間。完整的判準要往下追三層:板厚 3 毫米以下取下限還是上限、連續焊超過多少秒要降流、出現氣孔是該補焊還是該報廢。這三層如果沒有答案,那麼無論加裝多少感測器、上多聰明的模型,最後還是要叫老師傅過來看一眼。
這就是「買來智能」失敗的方式:買來的是執行器,不是判據。執行器沒有判據,只能做最簡單的動作;稍複雜的判斷,仍然回到人身上。於是設備越多,需要盯設備的人越多,人反而減不下來。
四、判據落在 Odoo 的哪幾個位置
好消息是,這些位置在標準 ERP 裡本來就有,不需要為 AI 單獨開發一套東西。以 Odoo 17 到 19 為例(20 版可能微調,實施前請核對),大致是下面五處:
| 判據類型 | Odoo 裡的位置 | 要寫到什麼程度 |
|---|---|---|
| 作業條件 | 工藝路線上的工序(mrp.routing.workcenter)說明與工時 | 不只是"做多久",要寫"什麼條件下改參數、改成什麼" |
| 合格判定 | 質檢點與質檢記錄(quality.point / quality.check) | 上下限、抽樣規則、判定不合格後走哪個動作 |
| 能力邊界 | 設備台帳(maintenance.equipment)與工作中心 | 最大噸位、可加工尺寸、精度等級、目前狀態 |
| 異常歸因 | 報工的損失原因、報廢原因 | 收斂成有限枚舉,不要留自由文字框 |
| 可做性 | 產品屬性與變體(product.template 的屬性、變體組合) | 哪些參數組合能做、哪些不能、不能的話需要什麼條件 |
這五處有一個共同點:都是人填的,不是設備填的。這也是它們經常空著的原因——設備採購有預算、有驗收、有照片;填欄位沒有預算、沒有驗收、也沒有人拍照片。但從數據的角度看,恰恰是這五處決定了採集上來的數據有沒有意義。
舉一個最小的例子
某射出成型廠的工單上,「計畫開始時間」和「計畫結束時間」兩個欄位一直填,實際開始與實際結束卻從來不填。於是他們能算出「計畫週期」,算不出「實際週期」。上了 MES 之後,設備能採集開機停機,但採集到的訊號要落到工單上,還得有人把工單和時段對上——對不上的部分,就成了系統裡說不清的黑洞。
補的辦法很土:讓報工的人在結束時報一次實際時間,就一個欄位。三個月後,他們第一次畫出自己車間的週期分布,發現某類模具的換型時間中位數是估計值的兩倍。這個發現沒花一分錢,只花了一個欄位的約束。
五、中小企業的第一層不是感測器,是欄位
報導裡提到摩根士丹利的預測:2026 到 2035 年,中國工業 5.0 轉型有望帶來約 80 兆元人民幣的累計增量資本開支。這個體量不是財政能包下來的,需要產業資本、金融資本與政府基金一起上。報導還提到一個正在發生的變化:燈塔工廠的營運經驗被打包成訂閱式服務之後,製造企業的智慧化投入正從一次性資本開支變成可預測的營運支出,中小企業的決策門檻和試錯成本大幅降低。
訂閱制確實是好事,它把「買不起」變成了「付得起」。但它沒有解決另一個問題:付得起,不代表接得住。一套按年付費的智慧排產服務,接進來之後需要你的製程路線是準的、產能數據是真的、交期承諾是有約束的。這三樣東西如果都是估的,系統跑出來的排產結果只會比人工更自信地錯。
所以對多數中小企業來說,第一層不該是感測器,也不該是模型,而是單據上的欄位。判斷標準很樸素:
- 這張單上,有多少欄位是「必須有值才能儲存」的?
- 這些值裡,有多少是選出來的,有多少是隨手填的?
- 隨手填的那些,事後有沒有核對過?
三個問題的答案,基本決定了一家企業的數據底子。選出來的值可以統計,隨手填的值只能湊數。而 AI 需要的是能統計的東西。
一個常見的順序錯誤:先上設備採集,再補系統欄位。結果採集了一堆訊號,找不到對應的工單、工序、批次,最後只能做成一塊看板掛在車間。看板不難看,但它進不了成本、進不了追溯、也進不了任何一份對外的報表。正確的順序是反過來的:先把單填對,再決定採什麼。
六、如果只做三件事
一、挑一道最貴的工序,把它的判據寫全三段。什麼條件下做什麼、做到什麼程度算合格、不合格怎麼辦。寫完給車間主任看一遍,問他「這跟你們實際做的一樣嗎」。多數時候會發現,寫下來的和實際做的差著兩三處——那幾處就是以後要交給 AI 的地方,也是最容易出錯的地方。
二、把異常原因從自由文字改成有限枚舉。先分五類以內,跑一個月,看分布。如果某一類佔了七成以上,說明分類不夠細;如果五類都很平均,說明分類口徑有問題。這件事不花錢,但它決定了你以後能不能算出「損失都去哪兒了」。
三、在簽任何智慧工廠或 AI 服務合約之前,先問一句:這套東西需要我提供哪些數據?如果對方的答案是「我們有通用模型,不需要你的數據」,那要小心——通用模型給的是通用建議,落到你的車間還是要人來翻譯。如果對方列了一張數據清單,那這張清單本身就是一份很好的自檢表,照著補比照著買更划算。
109 座燈塔工廠說明的是中國製造的上限在哪,86.92% 說明的是大多數企業的起點在哪。中間這段路,過去幾年被講成了一段設備採購的路,於是很多企業把錢花在了最外面那一層。
但聯寶、三一、格力三家給出的答案其實一樣:它們真正的資產不是那些機器人,是機器人知道該怎麼做的那套規則。規則可以抄,機器人可以買,順序反了,錢就白花。
AI 長在生產現場,這句話沒錯。但它有個前提:現場得有東西可長。
文中數據來源:《證券日報》2026-11-18 記者賈麗報導《燈塔工廠從單點走向連片》(世界經濟論壇全球燈塔工廠名錄:截至 2026 年 6 月全球 238 座、中國 109 座;工信部:截至 2026 年上半年基礎級智慧工廠 5.6 萬餘家、先進級 9000 餘家、卓越級 500 餘家,2026 年度 34 家領航級智慧工廠培育項目公示;製造業人工智慧重點場景應用普及率 34.2%;《企業數位化轉型指數報告(2025)》中小企業成熟度指數 28.6、全國 35.4、86.92% 處於基礎資訊化應用階段;中國信通院首席專家石友康、聯想宋濤、格力尤奕成引語;聯寶科技、三一重工北京樁機工廠、格力金灣工廠、陽光電源案例數據;摩根士丹利 2026–2035 年約 80 兆元人民幣累計增量資本開支預測)。Odoo 模型與欄位以 17 至 19 版為例,20 版可能調整,實施前請核對官方文件。
眾諦信息 · 企業管理數位化觀察 · 文中企業案例引自公開報導,未附第三方審計。
