制造业的智能化竞争，正在从“设备联网”转向“经验可计算”。
发生了什么
MIT科技评论在一篇关于工业智能的讨论中提出了一个容易被忽视的观察：每家制造商其实都已经拥有自己的“工业智能”，区别只在于它是否被记录下来。一部分知识存在于工艺文件、SOP 和设备参数中；另一部分则沉淀在经验丰富的操作员脑中——比如换线之后准备重启产线时，机器设定固然重要，但同样关键的是对特定材料行为的把握、上一班次发生了什么、以及某个看似微小的异常意味着什么。
这类知识通常无法被标准文档完整覆盖，也难以通过传统自动化系统传递。
为什么重要
过去十年的工业数字化，重点是把设备、产线和系统连接起来，产生数据。但数据本身不等于判断力。制造业面临的一个结构性问题是：掌握关键判断力的熟练工人正在老去，而新员工很难在短时间内复制这些经验。
这正是“工业智能”被重新讨论的背景。它的核心命题不是再上一套 MES 或传感器，而是如何把操作员在具体情境下的决策逻辑——材料特性、班次上下文、异常信号之间的关联——转化为可复用、可传承的形式。大模型和多模态技术的进展，让这类非结构化经验的捕捉与调用第一次具备了现实可行性，但前提是厂商愿意把隐性知识当作资产来治理。
影响与看点
对制造企业而言，这意味着知识管理的对象要从“文档”扩展到“决策过程”。值得关注的方向包括：换线、调机、故障排查等高经验密度场景是否被优先结构化；一线工人是否愿意且能够参与知识沉淀；以及系统输出能否被操作员信任和纠正，而不是变成又一个被绕开的工具。
对工业软件和 AI 开发者来说，机会不在于做一个通用助手，而在于深入具体工艺环节，把上下文——材料、班次、历史异常——真正接入模型。
一个独立判断：工业智能的瓶颈大概率不是算法，而是知识的所有权与激励设计。谁能解决“老师傅为什么愿意把经验交出来”，谁才可能拿到这个市场。
