导读
2025 年 8 月，国务院印发《关于深入实施"人工智能+"行动的意见》，明确要求"推动工业全要素智能化发展""加快人工智能在设计、中试、生产、服务、运营全环节落地应用"，并特别提出"推动各行业形成更多可复用的专家知识"。一年过去了，当 AI 能力突飞猛进，制造业真正需要回答的问题变成了：那些藏在产线上的工艺知识，怎么变成不被时间带走的资产？
制造业的 AI 尴尬：最需要 AI 的地方，离 AI 最远
制造业是中国 AI 应用最大的想象空间。门类最全、场景最多、数据量最大------理论上，AI 能让每一条产线更聪明。
但现实是，AI 在制造业的渗透率远低于金融、互联网甚至农业。不是工厂不需要。是四堵墙挡住了路：
第一堵墙：数据出不了车间。 工艺参数、设备运行数据、质检记录------这些是工厂的核心竞争力。没有一家工厂愿意把它们上传到公有云。对于军工、半导体、新材料等敏感行业，"数据不出厂"不是偏好，是红线。
第二堵墙：专家知识在师傅脑子里，不在任何系统里。 注塑温度调多少、退火时间多长、切削速度怎么选------这些参数是几十年试出来的，刻在技术骨干的直觉里。师傅退休，知识就退休。
第三堵墙：产线网络不是写字楼网络。 很多车间的工业内网和办公网络都是物理隔离的。设备联网靠的是 PLC 和 SCADA，不是 HTTP。工控机跑的是 Windows XP 或嵌入式 Linux，带宽和稳定性跟 IT 系统不在一个量级。依赖云端推理的方案在这里不是"体验打折扣"------是根本跑不动。
第四堵墙：供应链协同信息极度碎片化。 一个中等规模的制造企业，上下游供应商可能超过一百家。订单状态、交付进度、质检报告分布在邮件、微信、Excel 和供应商各自的系统里。信息碎到没人能给出一个统一的"这张订单现在到底什么状态"。
这四堵墙不是"技术不够先进"能解释的。它们指向同一个结构性问题：制造业的 AI，必须运行在制造环境里------物理上靠近产线，逻辑上守住数据边界，组织上接得住师傅的隐性知识。
Coco 是什么：一个不离开工厂车间、不锁定单一模型的 AI 搭档
先厘清身份。
中奥 Coco 是一个通用的 AI 协作搭档，运行在本地机器上。几个关键特性：
本地优先。 对话上下文、工艺知识、设备档案、历史故障案例------所有数据存在本地磁盘。不经过外部服务器。对工厂来说，这意味着可以跑在车间工控机上，数据留在内网，信息科审批没有"数据出境"这道坎。
模型无关。 底层推理模型可以替换------可以在内网部署开源模型，也可以对接国产模型 API，切换不影响搭档已有的工艺知识和规范。产线的协作关系不绑定在任何一个模型厂商的命运上。
Skill 体系。 工艺流程、质检标准、设备维护规范、故障排查路径------这些可以被固化为 Skill 文件，存储在项目仓库里。Coco 在相关场景自动加载。一个老师傅把注塑缺陷的识别逻辑写成 Skill，全公司所有终端的 Coco 都能用。
长期记忆。 没有上下文长度限制。一条产线运行三个月积累的异常记录、调整方案、效果对比------搭档全记得。不需要每次故障都从头复盘。
场景一：热处理老师傅退休前，把三十年经验写成了搭档的技能
一个做精密齿轮的工厂，热处理车间有一位三十多年经验的老师傅。他凭工件入炉时的颜色和炉膛声音，就能判断加热曲线需不需要微调。这个判断能力，没有一个参数化模型能复现------因为它依赖的不是单一传感器信号，是视觉、听觉、经验记忆的组合。而老师傅下个月退休。
Coco 不具备老师傅的感知能力------它没有眼睛看炉火颜色，没有耳朵听炉膛声音。但老师傅可以用退役前的一个月，和 Coco 一起完成一件事：把他的判断逻辑固化为 Skill。
具体做法是：老师傅在巡检时，把每一个工序节点上"我怎么判断这一步有没有问题"的推理过程口述出来。Coco 记录、整理、结构化------"看工件颜色：如果偏暗红而非常见亮橙 → 检查 pyrometer 读数是否低于 820°C → 如果是，升温至 840°C 保温 10 分钟 → 复查金相"。这些逻辑串起来，就是一套热处理异常处置 Skill。
老师傅退休后，这个 Skill 存在工厂的本地服务器上。车间的任何一台终端打开 Coco，都能加载这套流程。新的操作工遇到工件颜色异常时，搭档自动拉出异常处置 Skill 引导检查------"检查 pyrometer 读数" "对照上次同类异常的处理记录" "记录本次调整参数并对比效果"。
老师傅仍然是经验的主人。只是这些经验不再只存在于一个人的记忆里------它们被固化为工厂的永久资产，在物理上不离开工厂，在时间上不退休。
场景二：凌晨三点，注塑机报警，夜班只有两个操作工
一个注塑车间的夜班，两条产线，两个操作工。凌晨三点，一台 800 吨注塑机突然报警：模具温度偏离设定值，连续三模产品出现缩水缺陷。
操作工的经验能判断"可能是模温机故障"或者"可能是原料批次问题"，但他无法独立完成从"报警"到"定位根因"再到"处置验证"的全链路。夜班没有工艺工程师值班，打电话叫醒熟睡的工程师------从赶到现场到定位问题，至少一小时。一小时对注塑产线意味着上百件废品。
如果车间工控机上跑着一个本地搭档------它连接的是内网的设备数据采集系统，不经过互联网------它能做三件事。
第一，检索本地设备档案里这台注塑机过去三个月的所有温度异常记录，按频率排序，标出"过去一个月发生过五次类似报警，其中三次最终定位为热流道堵塞"。
第二，按照设备维护 Skill 固化好的排查路径，逐项引导操作工检查：模温机设定值是否漂移？模具冷却水道是否堵塞？原料干燥温度是否达标？
第三，每一步检查完成后，操作工把结果口头告诉搭档，搭档更新故障定位进度，最终生成一份包含故障现象、排查过程、根因判断的结构化故障报告，存档在本地。
全程，设备数据没有离开车间内网。模型推理走内网部署的开源模型，不依赖任何外部服务。即使外网断了，搭档照常工作。
场景三：新产品导入，从图纸到量产的信息断层
一家做汽车零部件的工厂，每年要导入几十款新产品。每一款新产品的导入过程------从研发部出图纸，到工艺部编工艺卡，到车间试制，到质检出检验标准，到量产------涉及至少五个部门、十几份文档。
信息断层几乎不可避免。研发改了公差，工艺卡没同步。质检发现尺寸超差，以为是设备精度问题，查了三天才发现图纸已经更新到第三版。一个简单的版本不一致，浪费的是成吨的试制材料和整周的交期。
中奥Coco 在这里的角色不是 PLM 系统------它做不了 Windchill 或 Teamcenter 的事。它是跨系统信息的编目和核对者。
一个新产品的全部技术文档------图纸、工艺卡、BOM、检验标准、试制报告------存在工厂的文件服务器上。Coco 索引这些文件后，能做到：当有人问"这款产品的关键尺寸公差在哪几个文件里出现过，数值是否一致"，搭档在几秒内检索所有相关文件并标出差异。"图纸 V3 的公差是 ±0.02mm，工艺卡 V2 的公差是 ±0.05mm，检验标准 V1 的公差是 ±0.03mm------三个值不一致。"
更进一步，团队可以把新产品导入的标准流程固化为 Skill：从图纸发布 → 工艺编制 → 试制排产 → 首件检验 → 量产批准，每个节点的责任人、交付物、签核要求。Coco 在导入过程中自动跟踪进度，提醒逾期节点，检查交付物是否齐全。
图纸、工艺卡、检验标准全部留在工厂内网。Skill 存在公司的 Git 仓库里。不出厂，不上云，不需要外部审批。
场景四：供应链异常，从一百封邮件到一张状态图
一个电子制造企业的供应链管理人员，每天早上打开邮箱要面对几十封来自供应商的邮件：原材料到货延迟、物流异常、质检不合格退回重做。他的工作是把这些零散信息拼成一张"今天的供应风险地图"。
拼图的过程通常是这样：打开 ERP 看采购订单状态，打开邮箱查供应商通知，打开微信翻昨天晚上的聊天记录，打开 Excel 表对照安全库存。跑完一圈，上午过去了。做出的判断可能下午就过期。
如果一个搭档能从 ERP 导出的订单数据、供应商发来的邮件摘要、以及本地库存表中，提取结构化信息并按风险排序------"供应商 A 的电阻到货延迟 3 天，产线 B 的当前库存可支撑至周四；供应商 C 的 PCB 质检不合格率连续两周超 3%，建议启动二供评估"------供应链管理员的角色就从"信息收集员"变成了"决策者"。
中奥Coco 能做到这一点，是因为它运行在本地，可以读取员工授权的本地文件（ERP 导出表、库存表、供应商邮件摘要），调用本地或内网的推理模型进行分析，生成结果同样存在本地。整个过程，供应商信息、库存数据、成本数据全程留在公司内网。
制造业 AI 化的真问题：不是"模型不够聪明"，是"知识不在系统里"
回头看制造业 AI 化的四堵墙------数据不出厂、知识在师傅脑子里、产线网络环境特殊、供应链信息碎片化------没有一堵墙是靠"提升模型跑分"能拆掉的。
它们要求的不是更强的模型，是另一种 AI 的存在方式：
物理上靠近产线。 跑在车间工控机上，跑在工厂内网里，不依赖远程云服务。网络断了、外网不可用了，搭档照常在。
知识上靠近人。 不预设任何行业知识，但提供一个机制让团队把知识沉淀进去。Skill 体系就是这个机制------老师在，陪着老师沉淀；老师走了，知识还在。
数据边界清晰。 工艺参数、设备数据、供应商信息------全程不离开企业可控的内网环境。审查的时候，数据流向可以一笔不差地画出来。
模型不被绑定。 工厂不会因为某家模型厂商涨价、停服、断供，就失去 AI 协作能力。底层模型可以替换------国产的、开源的、不同规模的------协作关系不受影响。
这不是为制造业定制的功能。这是 Coco 的本地优先架构在工业场景中的自然表现。
结尾
国务院"人工智能+"行动意见为制造业 AI 画了一张宏大的蓝图。但从意见到产线之间，隔的不是技术距离------是四个字的距离：能落地吗。
中奥Coco 在这个问题上的答案始终是一个：把搭档留在工厂里。 数据不出车间，知识不退休，模型可以换，协作关系是企业的永久资产。
制造业的 AI 化，比的不是谁的多模态更强。比的是谁能在车间工控机上跑起来，谁能说服信息科打勾，谁能让老师傅的经验在退休之后继续在产线上转。
Coco官网：coco.sinoaus.net