工厂里，“手搓”一位“数字工匠”
■编者按
终端智能产品的每一次体验跃升，背后都有“数字工匠”的无声托举。从一颗螺丝的扭矩精度，到一条产线的能耗优化，人工智能正从“炫技”走向“干活”。
山东拥有完备的41个工业大类，场景之丰富、痛点之多样，恰是人工智能落地生根的最佳“试验田”。记者蹲点云鼎科技，记录一个“数字工匠”如何在化工厂最复杂的工艺环节里被“手搓”出来。“百景智能”最难的不是AI技术本身，而是让AI真正理解制造、融入制造、改变制造。
位于陕西榆林的榆林能化甲醇精馏车间的控制室里，大屏幕上的数据流正持续跳动。车间主任席旺才身旁，一个没有工牌、没有职称的“数字后生”，正结合当下的工况悄无声息地给出建议：“加压塔采出精甲醇预测值不合格，建议将加压塔回流流量提高2.3%、主蒸汽阀门开度上调0.5%。”
几十年前，年轻的“席旺才们”刚进厂时，会有老师傅在耳边念叨“温度高了看压力，压力变了调蒸汽”“甲醇质量不达标，先把回流调一调”。那些靠半辈子经验总结出来的“心法”，是师傅的师傅传下来的。但今天，这个由代码构成的“后生”，试图把这套“独门心法”变成可以随取随用的“公共财富”。
2025年8月，这位“数字后生”进场，9月“转正”。经过近10个月的一线实操，席旺才点了头：“可以出师了。”
实验室“想”不出来，产线痛点“喂”出来
这场变革的起点，在济南一间“火药味”十足的会议室里。
一年多前，山东能源集团总部，一边是云鼎科技的算法工程师，电脑屏幕上跑着密密麻麻的代码；另一边是各化工单位的生产专家，手里攥着厚厚的操作规程。两拨人，两套话语体系。
“记得有次在项目现场，业务专家先给了两本操作法，让我们‘啃’。”云鼎科技的算法开发工程师户传豪回想起来，那是比大学高数教材还厚的两本书，密密麻麻写着温度高了怎么办，压力低了怎么调，阀门开多大、关多少等现场操作细节。
实际上，每回打造“数字工匠”的漫长过程，都始于算法工程师走出机房、进入产线，与老工匠并肩交谈的那一刻。他们要首先解决一个问题：打造一位怎样的“数字工匠”？
中国信通院2025年的一份报告揭开了人工智能行业的现状：全国规模以上工业企业中，超过76%已布局工业AI相关项目，但能稳定落地、产出可量化收益的，不足15%。大量项目困在实验室，沦为昂贵的“演示工程”。
钱花了，算力堆了，模型跑了，进车间却“水土不服”。问题出在哪儿？
工业和信息化部等八部门出台的《“人工智能+制造”专项行动实施意见》明确，要优先选择高价值场景集中突破。说白了，要杜绝资源空耗的“演示”工程，不能为了用AI而用AI，得到最能出效益的地方去。但什么是“高价值”？谁来定义“高价值”？
云鼎科技人工智能总监高桢说：“不是我们想打造什么场景，是现场‘需要什么’，现有条件下又能‘给出什么’。”
一场覆盖化工全产业链的“痛点大搜捕”开始。各厂的生产骨干、班组长被请进会议室，和AI团队在一起，一聊就是一整天。从甲醇精馏到水煤浆制备，从安全管理到皮带巡检，100多个场景被拎了出来。
筛选逻辑也很“严苛”：数据能不能采？痛点够不够疼？节能降耗能不能算出明白账？这套方案能不能复制到兄弟单位？
最终，百余个里只留下6个。甲醇精馏工艺智能优化，就是其中之一。
原因很直接。翻开云鼎科技那份内部报告，当年前7个月，这个车间蒸汽消耗80.6万吨，吨甲醇耗蒸汽0.857吨，蒸汽成本占甲醇生产总能耗的90%以上。再看质量检测环节，得靠人工每8小时去一次实验室，“等结果出来，生产情况可能已经改变了。”
在榆林，在化工厂最复杂、最不可逆的工艺环节里，云鼎科技开始“手搓”一位专门对付这些问题的“数字工匠”。
没有流水线速成，全靠“手搓”
兵工领域的高级铣工，加工轻坦核心部件“芯轴”，孔底精度能达到0.01毫米。
航天领域的特级技师，手工研磨的钽片表面粗糙度在5纳米级别，相当于头发丝直径的七千分之一。
大国工匠日复一日打磨精细加工技术的过程，被人们形象地称为“手搓”。
“数字工匠”，没有流水线速成，也得“手搓”。而“手搓”的第一步，是给这位“数字工匠”准备一本高质量的“教材”。这本“教材”，就是海量的生产数据。
户传豪和同事们扎进榆林能化的厂区，真实的“战场”远比图纸复杂：精馏塔上200多个传感器，每秒都在产生温度、压力、流量数据。这些好办。最难的是“人工化验数据”——那是判断产品质量的标准，但一天只有几个时间点才有。
为了攒够训练“数字工匠”的“干粮”，光采集数据就耗了近3个月。这在AI领域，堪称“龟速”；但在化工行业，这已算“幸运”。国际数据公司（IDC）的数据显示：国内47.5%的规上制造企业已上线工业大模型，但企业海量传感原始数据里，能直接用于AI训练的高质量有效数据，不足5%。无数“数字工匠”还没出生，就夭折在了这第一关。
有了数据，还要注入“灵魂”。
人工智能擅长处理的是标准化、结构化的数据，但制造业里最有价值的问题，恰恰藏在那些非标准、非结构化的“老师傅经验”里。
一个老师傅看一眼精馏塔的温度曲线，就知道该动哪个阀门、动多少。这常被称作“手感”的东西，是老师傅几十年里面对过上千次异常工况、作过上万次判断之后，身体里“长”出来的直觉。把它“翻译”成算法，比写一本操作法难十倍。
“塔里温度高了，该调多少回流量？原料组成变了，怎么匹配蒸汽量？有些是书上的公式，但还有更多，是适合这个厂、这套装置的‘土方子’。”户传豪说。他们像“文字侦探”一样追着老师傅，把那些只可意会的操作诀窍，一条一条“抠”出来，转化成模型能理解的边界和逻辑。
哪个环节的专家经验没问到，后续模型设计就可能出偏差。所以，一遍不够，两遍；两遍不够，三遍……耗时，但绕不过去。
有了“教材”，开始“训练”。“数字工匠”被训练出一组操作逻辑，根据现场全流程数据，自动实时输出最优方案。但“手搓”远未结束。
“无论刷过多少‘真题’，永远会遇上全新题目。”这是算法工程师们的共识。模型在仿真环境里“考试成绩”优异，但接到真实生产线上，面对设备老化、负荷波动、上游来料变化等，照样有可能“蒙圈”。
怎么办？“实习”。先不接管控制，只出建议。根据负荷波动、设备老化程度、上游合成工况变化等，“数字工匠”将持续调整参数、补充异常样本、修正模型、更新优化约束；遇到产品杂质超标、能耗异常等新工况，更得复盘、迭代推理逻辑，确保能力的鲁棒性，这可能比之前的工作更耗时。
云鼎科技的方案经理常治远说，他们给“数字工匠”装了一套“在线学习”和“自适应优化”的引擎，让它拥有“终身学习”的能力。就像老工匠们在无数次异常处置中沉淀经验那样，“数字工匠”也得终身学习。
“带徒弟”这件事，制造业干了几百年，而AI刚刚开始。
给“数字工匠”多一些耐心
2025年8月，在甲醇精馏工艺场景下，“数字工匠”正式接入装置。一个月后，它“转正”了——开始直接接管控制。
席旺才算了一笔实打实的账：“吨甲醇蒸汽消耗下降3.95%，一年省下约300万元；操作工的工作强度减少90%以上。”
比账本更深远的，是另一层变化。
以前，那些藏在老师傅脑子里的“独门绝技”，很难做到完整复刻；现在，则被这个“数字后生”变成了可查询、可复用的知识底座。这就是云鼎科技“手搓”数字工匠的真正价值——不是在卖一个模型、一套软件，而是在回应行业最根本的痛点。
科学技术的应用，本质上是将解决问题的能力留存、放大、进化。活字印刷术留存了文字，摄影技术留存了影像，而人工智能，第一次让“经验”这种最难留存的东西，有了被规模化复制的可能。
云鼎科技的思路，是把老师傅的隐性经验和分散的数据，整合成一个可复用、可进化的行业知识底座，破除“经验依赖”，打破“数据孤岛”。
但这条路，注定不好走。
中国科学院院士、北京航空航天大学教授郑志明提醒：“制造并不是一般意义上的数字场景。制造需要的不是泛化智能，而是能够进入工艺、装备、质量、调度、运维等核心环节的精准智能。”
巡查、安监类的AI，可以跨行业快速移植。但“数字工匠”，凡涉及数据训练的，必须一业一策甚至一厂一策。高桢说得很直白：“没有捷径。”
这里引出一个更深层的矛盾：我们正处在一个“快”的时代，但制造业的工艺优化，偏偏是个“慢”功夫。一条产线的数据积累需要时间，一个模型的迭代需要时间，一位老师傅把“手感”转化为可编码的知识，更需要时间。
快与慢的冲突，不只是技术问题，更是机制问题、文化问题。
浪潮云业务创新部负责人赵文慧提出一个关键词：耐心。
“对率先开放场景进行技术验证的企业，考核机制上要有容错。合理范围内的试错损耗，要给予包容。”
说白了，不能指望“数字工匠”一上岗就完美无缺，得给它成长的时间，也给企业试错的空间。
在山东，政策正在发力。去年7月，省教育厅等10部门联合发文，支持高校联合企业布局省重点实验室、技术创新中心等高能级平台。山东大学浪潮人工智能学院、中国海洋大学人工智能学院相继成立，高校科研迭代明显加速。
“底座”搭好了，“数字工匠”才能从点状试点走向面状推广。
人工智能这场竞赛，比的不是谁的技术炫、场景多，而是谁先在最复杂的场景里，把技术真正跑通了。
“手搓”一位“数字工匠”，“搓”出的不只是一段代码，而是中国制造迈向新跃升的另一种可能——一种让核心技艺薪火相传、让制造体系不断拉高能力天花板的可能。
那位刚刚在化工厂“转正”的“数字后生”，它的故事，才刚刚开始。而它的成长速度，取决于我们给它多少真实的数据、多少师傅的经验、多少试错的空间，以及多少耐心。
说到底，“数字工匠”和人类工匠一样，不是被“制造”出来的，是被“打磨”出来的。
（大众新闻记者 付玉婷）