FDE · 制造业AI · 知识传承
老师傅退休前：一家工厂如何用AI留下20年判断
客户最初想装一套AI质检。走进检查台以后才发现，工厂真正要抢救的，是两位老师傅即将随退休带走的判断方法。
说明：本文根据真实项目经历重构。为保护客户和员工隐私，企业地点、规模、时间及部分数据已做匿名或区间化处理；效果数据来自项目阶段性记录，并非第三方审计结果。
在一家精密零部件工厂的最终检查台前，两位老师傅每天重复同一套动作。
拿起零件，转到灯光下，用放大镜看表面，再用量具确认尺寸。
他们做了二十多年，判断准确率一直保持在99%以上。
问题也出在这里。
两个人都快退休了。工厂培养了几名年轻质检员，最好的一位准确率大约只有96%。几个百分点放在普通工作里看起来不大，放进精密制造的批量交付里，可能变成更多返工、客诉和供应商追责。
客户找到我时，需求非常明确。
"能不能用AI做质检，替老师傅把缺陷看出来？"
这听起来像一个标准的机器视觉项目：拍照、标注、训练模型、部署相机。
如果只坐在会议室里，我大概也会沿着这条路报价。
但我在检查台旁站了一天，发现客户说的"看缺陷"，和老师傅真正做的工作，根本不是同一件事。
老师傅看的不是缺陷，是原因
一名新人看到零件表面有一道纹路，通常只会问：合格还是不合格？
老师傅会继续往下判断。
这道纹路是正常加工痕迹，还是异常划伤？
凹陷来自模具磨损，还是原材料杂质？
颜色变化在热处理正常范围内，还是意味着温度出现偏差？
不同答案会触发完全不同的动作。
模具有问题，要通知设备和工艺人员；材料有问题，要追供应商；热处理异常，要回看温控记录；如果只是正常加工痕迹，就不该让整批产品返工。
老师傅完成的不是简单分类，而是一段包含缺陷、原因、历史和处置建议的诊断。
这些判断很少写在正式作业指导书里。
它们藏在一句"这个位置我见过"、一次手感、一段对旧模具的记忆里。老师傅退休，企业失去的不只是两双眼睛，还会失去一套没有被记录的故障地图。
于是我向客户提出了一个不太符合原计划的建议。
AI视觉检测可以做，但要放在最后。第一步应该保存老师傅的判断过程。
把"AI质检"改成三层知识保全系统
方案最终拆成了三层。
第一层：让老师傅把判断说出来
我们没有一上来就拍几万张缺陷图片。
先请老师傅在日常检查时，把脑子里的判断讲出来。
"这道纹路是某次修模后常见的痕迹。"
"这个凹痕的位置更像材料问题，不像加工碰伤。"
"颜色偏到这个程度，要回看热处理温度。"
连续数周积累下来，形成了数十小时录音。再用大模型转写、分段和结构化，把每条经验整理成零件类型、现象、可能原因、判断依据、处理动作和关联案例。
大模型在这一层没有替老师傅做判断。
它负责把散落在口语里的经验整理成可以搜索、可以补充、可以继续维护的知识。
第二层：让新人先找到相似案例
新的质检员遇到拿不准的零件，可以拍照并补充现场信息。
系统从案例库中找出相似现象，展示老师傅当时的判断逻辑、相关工艺和后续处理结果。
它不会直接宣布"答案就是这个"。
它更像一名随时可以查阅的带教老师，告诉新人：过去遇到过哪些相似情况，为什么当时这样判断，还有哪些信息需要确认。
这套设计保留了人的责任，也让学习过程有迹可循。
第三层：视觉模型做初筛
最后才训练视觉检测模型。
模型输出不再只有"合格"或"不合格"，而是给出疑似缺陷类型、置信度和建议参考的历史案例。低置信度或高风险零件继续交给人工复核。
检测、解释和处置被串到了一起。
视觉模型负责扩大观察能力，知识库负责提供判断背景，质检员负责最后确认。
第一堵墙，不是数据，是老师傅的自尊
方案获得管理层认可后，项目没有立刻顺利推进。
老师傅一开始不愿意录音。
站在项目方角度，这只是一次知识采集。站在他们的角度，自己练了二十多年的手艺突然要被录下来、交给机器整理，很容易被理解成"公司准备让系统取代我"。
解释模型原理没有用。
真正改变局面的，是工厂中层负责人换了一种说法。
"我们想让后辈也能学到您的判断，退休以后，这套技术仍然留在公司里。"
项目从"提取经验"变成了"留下传承"。
同样是录音，意义完全不同。
这提醒我，知识保全项目不能只设计数据流程，还要设计贡献者的位置。
老师傅是否能审核整理结果？案例里是否记录经验贡献者？退休前能否参与培养新人？企业如何承认这份知识资产的价值？
这些问题比录音设备和转写模型更影响配合度。
第二堵墙，藏在检查台的灯光里
另一个问题来自图片。
检查台不同位置亮度不一样，上午和下午的环境光也会改变色温。同一个零件在不同时间拍摄，表面颜色和反光差异明显。
老师傅的大脑会自动补偿这些变化。
视觉模型不会。
它可能把光照变化当成产品异常，也可能在强反光下漏掉细小划痕。
项目因此增加了灯光标准化、相机位置固定、曝光参数锁定、样本质量检查和图片预处理。仅这一项就比原计划多花了数周。
很多机器视觉项目把注意力放在模型准确率上，却忽略了一件朴素的事：拍出来的照片不稳定，后面的模型调优只是在追着噪声跑。
系统上线以后，最常用的反而是知识库
整个项目持续了大约五个月。
阶段性测试中，AI辅助下的新人质检准确率提升到99%左右，与老师傅的差距明显缩小。
更有意思的变化发生在质检之外。
产线调试和工艺人员也开始查询这套案例库。老师傅对凹陷、颜色和纹路的判断，能够帮助他们排查上游模具、材料和热处理问题。
客户原本以为自己会得到一套更聪明的摄像头。
最后留下来的，却是一份跨越质检、工艺和设备的经验资产。
视觉模型会更新，硬件会替换，今天最好的模型几年后也可能落后。被结构化保存下来的判断逻辑，仍然可以继续训练新人、复盘异常、评估下一代系统。
这才是项目里寿命最长的部分。
制造企业上AI质检前，先回答五个问题
判断什么
老师傅是在识别表面缺陷，还是同时判断根因、风险等级和处置动作？
任务边界不清楚，模型可能把价值最低的一段自动化了。
为何出错
每一种不良现象背后有哪些可能原因？还需要结合模具、材料、设备或工艺中的哪些信息？
没有根因链路，系统只能报错，不能帮助改进生产。
谁来传承
谁拥有隐性经验，谁负责把它讲出来，谁审核整理后的案例？
经验贡献者不能只是被采集对象，他应该成为知识库建设和新人培养的参与者。
照片稳定
灯光、相机、角度、距离、背景和曝光能否保持一致？
采集环境没有标准化以前，不要急着比较模型排行榜。
人工复核
哪些结果可以自动通过，哪些必须拦截，低置信度样本由谁判断？
模型出错后的反馈也要回到案例库和训练数据中，系统才能持续改进。
FDE的工作，从重新定义问题开始
如果把客户最初那句话原样交给供应商，项目很可能变成一次常规视觉检测交付。
相机装好了，模型也能识别缺陷，却没有解决企业最担心的事情：两位老师傅退休以后，谁能解释异常来自哪里，下一步应该处理什么。
FDE需要靠近现场，看到用户没有写进需求书的那部分工作。
有时真正的瓶颈在数据，有时在流程，有时在权限。这一次，它藏在老师傅没有说出口的二十年经验里。
技术方案也因此换了顺序。
先让经验留下来，再帮助新人使用经验，最后用视觉模型扩大覆盖范围。
写在最后
制造业谈AI时，很容易把目光放在摄像头、模型和自动化率上。
但一座工厂最难复制的资产，往往没有存在数据库里。
它存在于老师傅看见一道划痕时的停顿，存在于他把零件翻到某个角度的动作，也存在于那句"这个我以前碰到过"。
AI可以帮助企业记录、整理和传播这些判断。
前提是企业愿意先尊重拥有经验的人，理解他们怎样工作，再决定机器应该站在哪个位置。
老师傅退休不可避免。
让他的判断继续留在产线上，是AI在制造业里一件很具体、也很有价值的工作。
— 完 —