企业AI应用（五）：AI做工艺优化，为什么经常还不如老师傅？

一提到工艺优化，现在很多企业的第一反应就是"上AI"。但如果你去车间跟一线的工艺工程师聊，会发现一个挺尴尬的现实：花了大价钱部署的AI优化系统，给出的参数建议，老师傅看一眼就摇头——"这个方案跑不通，现场条件不允许。"

不是AI不聪明，而是很多时候，问题本身就不该用AI来解。

工艺优化领域有三种主流的数据驱动方法，每一种都有自己最适合的场景。问题不在于"哪种更先进"，而在于工具选错了，再聪明的算法也白搭。

实验设计与统计分析：最老但最实在的方法

DOE（实验设计）、正交实验、响应面分析，这些方法在统计学教科书里已经躺了几十年。原理不复杂：通过设计少量的、有针对性的实验，系统性地观察每个工艺参数对结果的影响，找到参数之间的主效应和交互效应，最后确定一个相对最优的参数组合。

这类方法最大的优势是门槛低、成本可控、落地快。不需要海量的历史数据，不需要搭建复杂的算法平台，一个懂统计的工艺工程师加一台电脑就能干。而且结果的可解释性很强——你能清楚地看到温度提高10度对良率的影响是正向还是负向、幅度多大，工艺员拿到结果就知道该怎么调。

注塑成型、喷涂工艺、热处理这些相对成熟的工艺场景，参数之间的关系不太复杂，用DOE完全够用，而且见效快。很多工厂其实不需要什么高级算法，老老实实做几轮正交实验，效果可能比花几十万上一套AI系统好得多。

但它的边界也很明确：只适合参数之间关系比较简单的场景。一旦碰到强非线性、多参数强耦合的复杂工艺——比如锂电涂布、半导体刻蚀——DOE的精度就不够了，实验次数也会爆炸式增长，变得不经济。

运筹学优化：有明确目标函数的场景最合适

运筹学的思路跟统计方法不一样。它不是通过实验去"发现"参数关系，而是先假设你已经知道了目标和约束——比如良率最高、能耗最低、成本最少，同时温度不能超过某个阈值、产能不能低于某条线——然后在这些约束条件下去搜索全局最优解。

线性规划、遗传算法、粒子群优化这些都属于这个范畴。它们的强项是处理多目标、多约束的复杂优化问题，能在一个很大的参数空间里找到最优或者近似最优的组合。

产线能耗优化、物料配比、生产排程跟工艺参数的联动优化，这些场景天然适合运筹学方法。因为目标函数是明确的，约束条件也是已知的，需要的是一种高效的"搜索"能力。

但运筹学的核心难点在于"失真"。在工艺领域，运筹学通常需要一个代理模型来描述物理量之间的关系——温度和良率是什么函数关系、压力和能耗怎么换算。如果这个代理模型是通过简化公式推导的，就会产生"模型与产线失配"的问题。模型里假设环境温度恒定、设备状态理想、原料批次一致，但现场的湿度在波动、设备在磨损、每批料的性质都有微妙差异。老师傅摇头说"这个方案跑不通"，往往就是因为模型忽略了这些现场的扰动因子。

本质上，运筹学是"已知规则下的路径最优"，而不是"未知规律的探索"。规则描述得越准，结果越有用；规则跟现实偏差大，算出来的最优解就是纸上谈兵。而且运筹学方法没有数据泛化能力——它不会从历史数据中"学习"，每次条件变了都要重新建模，对于工况频繁变化的场景，响应速度跟不上。

机器学习：看起来最强大，但最容易踩坑

机器学习是这几年最火的路线。原理上，它通过大量历史生产数据，拟合工艺参数和质量指标之间的非线性映射关系，建立一个"黑箱模型"，然后在这个模型上做预测和寻优。

优势确实存在：对于参数维度高、耦合关系复杂、非线性强的工艺场景，机器学习的拟合能力是前两种方法比不了的。SMT回流焊、锂电池涂布、化工连续反应这类工艺，参数之间的关系用传统统计或运筹学很难描述清楚，机器学习有可能找到人看不出来的规律。

但踩坑的概率也是最高的。

第一个坑：数据饥渴。机器学习模型的效果完全取决于训练数据的质量和数量。很多工厂的MES系统里确实存了几年的数据，但仔细一看——采集频率不一致、传感器漂移没校准、不同班组的记录标准不同、异常值没有标注。垃圾数据进去，垃圾结论出来，再精妙的算法也救不了。

第二个坑：分布偏移。这是比小样本更深层的硬伤。工业现场的常态是"稳态生产"，机器学习模型也是基于稳态数据训练的。但一旦原材料批次更换、设备进入衰减期、季节变化导致环境温湿度漂移，数据的分布就发生了偏移——模型学到的那些规律，在新分布下可能直接失效。偏偏这些变化在工业现场是常态而非异常，模型却没有能力判断"我学到的东西已经不适用了"。新产品、新工艺、产线刚投产的阶段，历史数据本身就很少，过拟合更严重，这个问题就更突出。

第三个坑：黑箱不可解释。模型告诉你"把参数A调到72.3、参数B调到185"，但不告诉你为什么。工艺工程师看到这个建议，心里没底——万一这个参数组合正好触发了某个材料的相变点呢？万一超出了设备的安全工况范围呢？不懂原理的建议，现场的人不敢用，用了出了问题也不知道往哪个方向排查。

这就是老师傅有时候比AI靠谱的原因。老师傅可能说不出什么数学模型，但他知道"这个料批含水量偏高，温度要往下压5度"——这是二十年现场经验积累出来的因果推理能力，不是数据相关性。AI目前大多停留在"相关性拟合"的层面，而老师傅做的是"因果推断"。换了一个条件，老师傅能推出应该怎么调；AI只能说"这个条件我没见过，不知道"。

工具没有好坏，只有合不合适

把三种方法放在一起看：

DOE和统计分析——数据需求少、落地成本低、可解释性强，但只适合相对简单的工艺场景，复杂非线性问题精度不够。属于"单次重投入、长期低维护"：做实验的时候需要停产或占用试验线，前期成本不低，但一旦参数定下来，稳定性很强，不需要持续迭代。适合工艺定型阶段。

运筹学优化——擅长多目标多约束的全局寻优，但核心风险是代理模型失真，规则描述不准结果就是纸上谈兵。属于"静态规则、动态计算"：规则建好之后计算成本不高，容错成本中等。适合排产、配比这些规则相对稳定的场景。

机器学习——拟合能力最强，适合复杂非线性工艺，但依赖大量高质量数据，分布偏移时失效，黑箱不可解释。属于"持续投入、高频迭代"：模型需要不断重训、数据管道需要持续维护，长期运营成本其实是三种方法里最高的。适合数据充足且工况相对稳定的成熟产线。

很多企业的问题不是选了"差"的方法，而是用了"贵"的方法去解决"简单"的问题。注塑工艺调个参数，DOE做三轮实验可能就搞定了，成本几千块；非要上一套机器学习平台，花了几十万，最后给出的建议跟老师傅的经验差不多，甚至还不如。

反过来也一样——锂电涂布这种高维非线性工艺，你用DOE去硬做，实验次数会多到不经济，而且精度不够，这时候机器学习确实是更合适的工具。

技术的先进性不代表解决方案的有效性。工具选对了，简单方法也能解决大问题；工具选错了，再先进的算法也是浪费钱。

不过，这三种方法有一个共同的盲区——它们都是数据驱动的，都是从数据里找规律，但不懂工艺本身的物理和化学原理。这意味着，当工况发生根本性变化——换了原料、改了方案、产线扩产——历史数据里的规律可能直接失效，而这些方法没有能力判断"什么时候自己不管用了"。

有没有一种方法，能从工艺原理出发，而不是从数据出发？下一篇聊。