AI排产需先有“最低可用工厂地图”，工业AI竞争分水岭在现实数据化程度

事件概述

文章探讨AI在工厂排产中的落地前提，指出大模型与优化器结合的混合路径是现实选择，但核心瓶颈在于工厂是否具备可动态更新的“最低可用地图”（即运营状态模型）。工业AI的竞争焦点正从模型能力转向现实数据化程度。

核心信息

• 大模型无法独立完成排产：排产是高复杂度组合优化问题，大模型擅长理解局部灵活约束，问题规模扩大后可行性和解质量下降。2025年一项研究建议采用算法反馈与传统优化结合的混合路径；另一项覆盖43类组合优化问题的评测（2026）发现领先模型在小规模实例上表现较好，规模扩大后性能下降。

• 工厂需要“最低可用地图”而非完美数字孪生：地图指支撑决策的运营状态模型，需满足状态完整度、更新频率与现实匹配、纠错反馈闭环。数据不必全实时，但当天设备状态不能停留在上周，临时插单必须进入系统。

• AI能辅助建图但不能跳过现实工作：2024年一项研究让大模型代理读取设备数据表生成资产管理壳，降低语义转换成本。但“读懂说明书”不等于“持续掌握设备是否可用”，传感对接、数据治理、现场确认仍不可替代。

• 产品化难点在建图成本：工厂缺乏现成状态模型时，供应商需进厂调研、清洗数据、对接ERP/MES、试运行校正。行业案例显示，能否将部署周期和实施人天控制在合理范围决定规模化。文章以圆木智能为例，但注明不构成对其产品效果的结论。

• 价值落脚于经营结果：排产速度提升不等于订单交付改善。需考察使用哪些可靠数据、部署需要多少人力和时间、是否进入日常生产、异常后能否及时更新状态、客户是否续费。

• 工业AI分水岭在现实数据化程度：数字原生领域（如代码、文本）数据已可机器读取，而工厂、医院等物理世界的关键状态仍停留在经验与组织中。AI需要稳定坐标，即设备、订单、工艺、人员、物料的一致表达和反馈机制。

值得关注

面对宣称自动决策的工业AI公司，应先问“最低可用地图在哪里、由谁建立、以什么成本持续更新”。若答案仍依赖顾问驻场、人工清洗表格和反复提取个体经验，所谓AI革命现阶段仍包含一场漫长的现实测绘。