企业AI应用（十一）：AI排产，是颠覆APS还是换了一层皮？

凯叔Kev

发布于 2026-07-22 13:45:14

很多工厂的APS系统用了几年，排产员还是在手动调Excel。不是APS不行，是现实太复杂——数据不准、插单不断、车间不按排程执行，再好的算法也扛不住。现在AI排产的方案铺天盖地，号称能解决APS解决不了的问题。但真正拆开看，AI排产到底比APS强在哪？又有哪些问题，换了AI一样解决不了？

APS和AI排产，底层逻辑到底有什么不同

APS的本质是运筹学。把排产问题建模为一个多约束多目标的数学优化问题：设备产能、工艺路线、交期、换型时间、物料齐套这些是约束条件，交期达成率、设备利用率、换型次数最少这些是目标函数。系统在约束条件内搜索最优或近似最优解。

AI排产——主要指强化学习路线——走的是另一条路。不依赖人预定义所有决策策略，而是通过模拟环境不断试错，自己学习"什么情况下怎么排效果好"。

这里需要澄清一个容易混淆的概念：AI排产"自己学规则"，学的不是物理约束。"A设备不能加工B产品""交期是下周三""这道工序必须在那道之后"——这些刚性约束在APS和AI排产里都是显式输入的底层边界，不存在"学不学"的问题。AI学的是在这些刚性约束之内的决策策略——怎么排序、怎么分配、怎么在多个冲突目标之间取舍。

APS的做法是让人把管理经验转化为显式的算法权重和优先级组合，系统按照这些规则去寻优。AI排产（强化学习）是通过模拟环境的奖惩机制，自动逼近这些复杂的经验边界。

一句话概括：刚性约束是共同的底层边界；区别在于经验策略是人定义的，还是模型演化出来的。从这个角度看，AI排产不是APS的替代者，而是APS求解器的进化方向之一——底层约束建模不变，变的是在约束空间内搜索最优策略的方式。

什么情况下AI排产确实比APS强

约束条件太复杂、经验策略写不完的场景。APS要求人把所有决策策略都显式地建模——但有些工厂的排产逻辑里有大量隐性的经验判断。老排产员脑子里有一堆规则："这个产品排在那个产品后面换型时间会短""周五下午不要排高难度产品因为人容易疲劳出错""这两个产品虽然工艺路线不同但共用一套夹具，不能同时上线"。这些规则数量庞大、相互交织，写进APS的成本极高，而且永远写不完——因为老排产员自己都未必能把所有规则说清楚。AI可以从历史排产数据中捕获这些隐性模式，不需要人逐条显式定义。

工况高频变化、需要动态调整的场景。这里需要分清楚两种情况。

如果插单改单是在已有规则框架内的调整——比如优先级变了、某个订单提前了、某台设备临时不可用——APS重新计算一次就行。现在主流APS的求解器性能已经很强，几百个工单的重排可能几秒到几分钟就出结果。这种场景下AI排产的效率优势并不明显。

AI排产真正有效率优势的，是"规则本身需要临时调整"的插单场景。比如一个紧急插单进来，这个产品跟当前排程里某几个产品共用一种特殊夹具，直接插进去会导致后面三个订单的换型顺序全部打乱，连带影响另一条线的物料供应节奏。APS要处理这种级联冲击，需要排产员先判断影响范围、手动调整约束条件或优先级权重，然后再让系统重算——瓶颈不在计算速度，而在"人判断该怎么调规则"这个环节。

强化学习类的AI排产在这类场景里的效率优势，本质上是架构层面的差异。APS是在线实时计算——每次调整都要重新搜索巨大的解空间，面临计算爆炸的问题。强化学习是离线训练、在线推理——高密度的计算压力在训练阶段就已经完成，现场面对插单冲击时，模型做的是接近"查表"速度的快速推理，不需要重新搜索解空间，也不需要人重新定义规则。

但这个优势有一个硬前提：训练数据或模拟环境必须覆盖过足够多的类似场景。如果遇到的是一种从没见过的插单模式——比如客户突然要求一个从来没做过的产品组合——AI一样给不出靠谱的方案，因为它的策略空间里没有这种情况的经验。AI排产在应对高频、模式可重复的动态调整时效率更高；面对全新的、超出历史经验范围的突发情况，它的优势并不成立。

多目标之间存在复杂非线性权衡的场景。APS处理多目标优化时，通常靠人设定权重或优先级——本质上是线性加权。但有些场景下目标之间的权衡关系是非线性的、随工况变化的。比如热处理炉追求连续生产以降低能耗，但下游总装线需要齐套配送以保交期——这两个目标之间的最优平衡点，会随着订单结构、设备状态、库存水平动态变化。APS的线性加权在这类场景下极易陷入局部最优，AI通过高维策略空间的搜索，能够在总损失最小化的前提下实现动态妥协。本质上，APS做的是"静态加权寻优"，AI做的是"动态策略博弈"——前者适合目标关系稳定的场景，后者适合目标关系随工况漂移的场景。

APS做不好的，AI排产一样做不好

需要注意的是，很多人以为AI排产能解决APS的老问题，但实际上有一类问题，换了AI不仅解决不了，甚至可能更糟。

数据质量问题。APS做不好排产，很多时候不是算法问题，是输入数据不准——BOM错误、工时标准不准、设备产能数据过时、物料齐套信息延迟。AI排产同样完全依赖这些数据。

但这里有一个很多人没注意到的区别：APS的算法是确定性的。同样的输入必然产生同样的输出，错误的输入会导致可预测的错误输出。排产员用久了会形成直觉——"这个排程看起来不对，大概是工时数据有问题"——然后通过手动调整规则来对冲数据偏差。

AI排产（特别是深度学习和强化学习）是概率性的。当低质量的数据输入一个概率性模型时，输出的错误方向和幅度都是不可预测、不可收敛的。排产员既看不懂模型为什么这样排，也无法判断"大概是哪里的数据出了问题"。脏数据进了确定性系统，结果虽然错但可控；脏数据进了概率性系统，结果可能错得面目全非。AI对数据质量的要求不是"跟APS差不多"，而是高得多。

在制造现场有一个很朴素但很根本的原则：稳定且可预测的次优解，往往比不可预测的随机最优解更具工程价值。工厂宁可每次排得不是最优但知道大概会怎样，也不愿意面对一个有时候排得很好、有时候莫名其妙排出灾难的系统。AI因为概率性带来的不稳定，恰恰挑战了制造业对"确定性"的底层需求。

跨部门协同问题。排产的难点很多时候不在"怎么排"，而在"排了之后能不能执行"。销售临时插单、采购物料没到、设备突然需要保养、质量问题导致返工——这些来自排产系统边界之外的冲击，APS解决不了，AI排产同样解决不了。AI可以学到"历史上插单之后怎么调整"，但它控制不了"销售会不会插单""物料什么时候到"。排产系统的能力边界在这里，不管用什么算法。

可解释性和信任问题。APS给出的排程，排产员能看懂背后的逻辑——因为规则是人定义的，结果可以追溯。更重要的是，APS的白箱特征允许排产员做"人工微调"：系统排出来的结果有八九成合理，剩下一两成排产员根据现场经验手动调整。这种微调能力是系统与人之间的缓冲带——系统不需要百分之百完美，因为人可以补上最后那一段。

AI排产的黑箱特征剥夺了这个微调手段。排产员看不懂为什么这样排，也就无从判断哪些部分需要调整、该往哪个方向调。"模型认为这个顺序最优"不是一个让排产员放心的理由。特别是出了问题的时候：APS排错了，排产员能查是哪条规则有问题；AI排错了，开发者只能说"可能需要更多数据重新训练"。一旦出现一次排程事故——比如AI排出的顺序导致了一次本可避免的大面积换型停机——排产员对系统的信任会直接清零，之后要再重建信任，代价极高。

"最后一公里"的落地问题。APS行业做了几十年，最大的教训就是：排产系统做得再好，如果车间执行层跟不上——工人不按排程做、班组长按自己的经验调整、设备实际状态跟系统里不一致——排程就是一张废纸。AI排产面对的是同一个"最后一公里"问题。算法从运筹学换成了强化学习，但车间的执行力不会因为换了一种算法就突然提升。