上个月去一家做精密铸件的工厂，老板指着满墙的电子看板跟我说：“看，咱们产线全连上网了，数据每秒都在跳！”我扫了一眼实时曲线，问他：“你这铝液除气时间的数据，跟针孔度缺陷的对应关系，搞清楚了吗？”他愣了一下，说：“不是AI能自己找规律吗？”我心里就叹气——又一个被忽悠瘸了的。
智能制造喊了十年，落地到材料工艺上，最大的谎言就是“数据足够多，智能就会涌现”。搞IT的那帮人，总以为给设备装上传感器，把参数扔进深度学习模型，工艺问题就自动解决了。实测发现，根本不是那回事。
传感器装得越多，越看不清真相
有一回，我去调试一条热处理产线。淬火槽旁边密密麻麻十几支热电偶，采集频率1秒钟一次。数据量大得吓人，可淬火出来硬度还是忽高忽低。厂里工程师说：“咱们数据都有了，肯定是模型还不够聪明。”我让他把热电偶校准记录拿出来——半年没校了，有三支误差超过15℃。就这数据喂给AI，能学出什么来？除了错误，啥也学不到。
说白了就是，工艺数据不像消费数据，它极度依赖物理一致性。传感器装错了位置、采样频率不对、环境振动干扰没滤掉……随便一个细节，就能让整条数据流变成垃圾。而很多工厂，连基本的测量系统分析都没做过。花几百万上数字孪生，底层的温度测出来偏个10℃，你说孪生个啥？
我见过最离谱的，是某家做注塑的，模具温度用红外枪每天打一次，然后手动录入系统。这叫智能制造？这不就是数字化造假吗！
工艺知识数字化？骨头比石头还硬
制造业搞智能，最难的不是算法，是把老师傅脑子里的东西，变成计算机能读的规则。材料工艺尤其如此——变量太多，耦合太死，很多判断靠的是“手感”。
举个例子，铝合金压铸，模具预热温度、浇注温度、压射速度、增压压力……这些参数谁不知道重要？可实际操作里，老师傅会根据脱模剂的喷涂痕迹、飞边的大小，甚至压铸机的声音，去微调参数。这些判断完全是非结构化的。你让他写下来，他能给你写个“看着办”。
有团队试过用知识图谱去固化这些经验，搞了三年，最后弄出来一堆“如果-那么”的死规则。产线一换产品型号，全废。为什么？因为老师傅的“看着办”背后，是对物理场变化的直觉理解，不是离散的逻辑分支。
我还遇到过一个做SMT贴片的厂，想用AI预测焊点缺陷。他们把过去三年的所有SPI和AOI数据倒进模型，准确率做到98%以上，高兴得不行。结果一上新批次，准确率掉到60%。查了半天，发现原来那三年用的锡膏就两个批次，模型根本没学到材料变异。这种伪智能，还不如不做。
数据的诅咒：忽略工艺机理的模型都是空中楼阁
现在AI圈流行一句话：“让数据说话”。在材料工艺领域，这句话只对了一半。另一半是——如果你不懂背后的材料学、热力学，数据只会说瞎话。
我参与过一家锂电隔膜涂覆的改善项目。产线上有上百个参数，团队用机器学习筛出几个“关键因子”，然后按模型建议调整，结果涂层均匀性反而恶化了。后来我查了浆料流变曲线，才发现模型漏掉了剪切速率这个隐藏变量。因为数据采集时，剪切速率不是直接测的，是推算的，但模型把它当恒定值处理了。
这就是典型的机理缺失。工艺过程是连续且强耦合的，参数之间不是简单的相关性，而是因果关系。黑箱模型抓相关性一抓一个准，但一变工况就完蛋。可悲的是，很多工厂的智能制造项目，验收标准就是看大屏炫不炫，而不是看模型鲁棒性有多强。
更让我窝火的是，有些软件公司卖方案的时候，满嘴时髦词：“知识自动化”、“工艺大脑”。但真到查资料阶段，连该产品的CCT曲线都拿不出来。连相变规律都不知道，你优化什么热处理工艺？开玩笑。
说到底，智能制造在材料工艺端，现在最根本的硬伤就一个：重数据采集，轻工艺机理；重模型精度，轻工程稳健性。我们缺的不是更快的计算，也不是更大的存储。缺的是能跨越尺度的物理建模——从原子扩散到宏观变形；缺的是能描述不确定性的数据架构——不是每个传感器都值得信任；缺的是能把老师傅的“异常感”量化的方法——而不是用一堆如果-那么去硬套。
这才是当下绕不开的盲区。不把这个盲区填上，智能制造就只能漂浮在PPT里，永远落不了地。
