本文来自微信公众号： 临舟渡晚 ，作者：兆禾
大模型可以理解规则，优化器可以生成排程，但谁来持续测绘生产现场？
设备刚刚停机，原料还在路上，销售却又承诺了一张急单。系统里的设备状态、物料记录和标准工时仍停留在昨天。在这样的工厂里，AI究竟依据什么排产？
这是一条合理的技术路径，也构成了一个很有吸引力的AI故事：过去依赖老师傅经验和复杂软件的工作，如今可以交给更聪明的系统。
但故事要真正进入生产现场，必须先回答一个更基础的问题——订单、设备、物料、人员和工艺的真实状态，是否已经变成机器能够读取和持续更新的数据？
AI可以参与规划路线。但如果没有最低可用的工厂地图，它依据什么导航？
01排产不是刚被AI发现的难题
生产排程并不是一个等待大模型发明答案的新问题。几十年来，制造企业已经在使用人工经验、Excel、ERP、MES和APS系统安排订单、设备、人员与物料。运筹学也早已发展出整数规划、约束求解和启发式算法。
排产的确很难。一个订单可能包含多道存在先后关系的工序，每道工序又可以分配到不同设备；同时还要考虑交期、产能、换线时间、人员班次、物料状态和设备故障。经典研究已经证明，一般形式的作业车间调度属于计算复杂度很高的组合优化问题。[3]
大模型为它带来了新的可能。模型可以理解生产人员用自然语言描述的局部规则，辅助生成启发式方案，解释异常，并在环境变化时参与重新规划。但它并不天然保证所有硬约束都被满足。
2025年的一项研究指出，大模型擅长理解灵活、局部的约束，却难以始终维持全局组合可行性，因此采用算法反馈与传统优化结合的混合路径。[4]
另一项覆盖43类组合优化问题的评测也发现，领先模型在小规模实例上表现较好，但问题规模扩大后，可行性和解的质量都会下降。[5]
因此，现实可行的系统往往不是让大模型独自排产，而是让它参与约束理解、策略选择与异常解释，再由优化器或求解器承担严格计算。AI改进了导航方式，却没有自动获得工厂的实时路况。
02工厂不需要完美地图，但需要最低可用地图
这里的“地图”不是厂区平面图，也不是要求工厂先完成一比一的完美数字孪生。它是一套足以支持当下决策的运营状态模型：有哪些订单、真实交期是什么；产品经过哪些工序；设备能做什么、当前是否可用；物料何时到达；人员具备哪些技能；
一次换线需要多久；现场刚刚发生了什么变化。
这些数据也不必全部以秒为单位实时更新。关键是数据的完整度和更新频率能够匹配决策：当天的设备状态不能停留在上周，临时插单必须进入系统，计划执行后的结果也要返回模型。
最低可用地图至少包含三件事——足够支撑决策的状态、与现实变化相匹配的更新，以及能够纠错的反馈闭环。
现实中的生产信息可能散落在ERP、Excel、微信群和纸质工单里；标准工时可能来自估算；库存记录可能与现场实物不一致；关键工艺规则也可能只存在于少数员工的经验中。
当这些信息没有被持续记录时，模型看到的不是完整工厂，而只是工厂留下的一部分文字和表格。
它或许能够更快生成一张漂亮的甘特图，却未必知道一台设备已经停机、某批材料仍在路上，或者现场人员不会按照系统给出的顺序执行。模型参数继续增加，并不会自然修复这些现实断点。
03 AI可以参与建图，但不能跳过现实
一个重要的反方观点是：大模型不只是使用地图，也可能帮助工厂建图。这并非想象。2024年的一项研究尝试让大模型代理读取设备数据表，自动生成符合工业4.0标准的资产管理壳，从而降低数字孪生建模中的语义转换成本。[6]
这类能力很有价值。过去需要工程师逐项整理的设备名称、参数和关系，可以被更快转成标准结构。但“读懂一份设备说明书”与“持续掌握设备此刻是否可用”仍是两件事；把老师傅说出的一条规则写入系统，也不等于已经捕获所有没有说出口的经验。
AI能够降低建图成本，却不能跳过传感、接口、数据治理和现场确认。
一项关于服装制造机器人实际部署的研究也给出了类似信号：数字孪生可以帮助验证布局和节拍，但系统要进入工厂，仍然依赖互操作层、运行时监测、轨迹验证以及操作人员培训。[7]模型之外的工程与组织工作，并没有因为AI出现而消失。
这使问题变得更精确：工业AI公司的竞争力，不只是导航是否更聪明，也包括它能否比传统工业软件更便宜、更快地建立最低可用地图，并让地图持续追上现实。
04产品化的难点，在于建图成本
当工厂缺少现成的状态模型，供应商通常要进厂调研，梳理工艺路线，清洗历史数据，对接ERP和MES，把经验转成规则，再通过试运行校正参数。
这些工作当然有价值，但也构成了工业AI商业化最棘手的矛盾：对外销售的是标准化智能产品，真正消耗成本的可能仍是数据治理、流程改造与非标准实施。
圆木智能创始人在公开访谈中谈到了同一个问题：工业企业差异巨大，传统供应商往往被迫进行高客单价定制；公司希望借助大模型的通用性，在价值与通用性之间找到平衡，把排产从项目交付转向标准产品。[8]
这是一项值得尝试的产品化路径，但能否规模化，仍取决于每新增一家工厂需要投入多少人工和时间。
语言理解的通用性，并不等于生产约束的通用性。能够快速录入规则，也不等于能够低成本接入现场。如果每进入一家工厂，都需要重新梳理流程、清理数据、定制接口并长期维护，那么智能体仍可能回到传统工业软件熟悉的项目制路径。
因此，比演示效果更能说明产品化程度的指标，是单个客户的部署周期、实施人天、人工清洗比例、进入日常生产后的使用频率，以及续费与扩展情况。本文依据公开资料，无法对“今天排”的这些指标作出判断；
圆木智能在这里提供的是一个观察行业命题的案例，而不是本文要下结论的对象。
05从“排得更快”到“经营更好”，中间还有一座工厂
工业AI叙事中还存在一个容易被忽略的跳跃：排产时间缩短，并不必然意味着订单交付率提高；生成了一份数学上更优的计划，也不意味着现场能够执行它。
订单延期可能来自缺料、质量异常、设备故障、销售过度承诺，也可能来自组织内部不愿接受系统重新分配的优先级。软件可以优化已知约束，却无法处理所有未被记录的现实冲突。
判断一款工业智能体是否真正创造价值，不能只看模型展示、排程速度或界面是否自然。更重要的问题是：它使用了哪些可靠数据？部署需要多少人和多长时间？系统是否进入日常生产，而不是停留在演示和试点？异常发生后，状态能否及时更新？
客户是否持续使用并愿意续费？
只有这些问题得到回答，“AI排产”才从技术输出进入经营结果。
06实体产业AI的分水岭
最低可用地图，也许是理解AI进入不同产业速度差异的一把钥匙。
代码、文本、广告素材等数字原生领域，主要对象已经以机器可读取的形式存在，接口和反馈也相对清楚。工厂、医院、仓库和建筑工地则不同：大量关键状态仍停留在物理世界、人的身体经验和组织关系中。
问题不只是AI是否聪明，还包括它是否拥有稳定坐标。
未来并不要求所有工厂采用相同的生产方式。道路形态各不相同，导航仍然可以工作；需要逐步统一的，是描述现实的协议和反馈机制。
设备、订单、工艺、人员与物料能够被一致表达，关键变化及时回传，系统决策又能从执行结果中获得修正，AI才可能可靠地参与动态排产。
工业AI的分水岭由此不只发生在模型上，也发生在现实世界被数据化、结构化和持续更新的程度上。
07投资工业AI，先问地图在哪里
这个判断并不否定工业智能体。它只是把竞争从模糊的“模型能力”拉回更具体的现实条件。真正可能形成壁垒的，不只是接入哪个大模型，还有工业数据、约束建模、优化算法、系统集成、现场交付，以及长期积累的客户信任。
一家工业AI公司使用外部基础模型，仍然能够创造价值。但当相同模型能力逐渐成为所有软件公司的公共基础设施时，它必须回答：客户为什么继续选择它？
答案不能只是一套更自然的对话界面，而应该包括它能否以更低成本建立运营状态模型，并持续保持模型与现实一致。
所以，当下一家工业AI公司宣称能够替企业自动决策时，不必先被参数数量、智能体数量或演示速度吸引。
应该先问：最低可用的地图在哪里，由谁建立，又以什么成本持续更新？
如果答案是一套可用、可更新、可复用的数据与反馈体系，更聪明的导航确实可能带来生产效率跃迁。如果答案仍主要依赖顾问驻场、人工清洗表格和反复提取个体经验，那么所谓AI革命，至少在现阶段，仍包含一场漫长的现实测绘。
资料来源与说明
本文依据企业官网、公开报道及相关技术研究撰写，未对案例产品进行独立测试。文中涉及产品效果、客户落地与融资情况的表述，均按企业公开口径或公开报道呈现；
对工业AI技术与商业模式的判断属于作者分析，不构成对任何企业产品有效性或经营状况的事实认定。
1.圆木智能官网；“今天排”官网（访问于2026年7月10日）。
2.新浪科技：《构建工业智能体，圆木智能完成数千万元天使轮融资》，2026年2月10日。
3.M.R.Garey,D.S.Johnson,Ravi Sethi,“The Complexity of Flowshop and Jobshop Scheduling,”Mathematics of Operations Research,1976.DOI:10.1287/moor.1.2.117。
4.Pranjal Awasthi et al.,“Combinatorial Optimization via LLM-driven Iterated Fine-tuning,”2025.arXiv:2503.06917。
5.Xia Jiang et al.,“Reasoning in a Combinatorial and Constrained World:Benchmarking LLMs on Natural-Language Combinatorial Optimization,”2026.arXiv:2602.02188。
6.Yuchen Xia et al.,“Generation of Asset Administration Shell with Large Language Model Agents,”2024.arXiv:2403.17209。
7.Gokul Narayanan et al.,“A Deployment Case Study in Robotic Apparel Automation,”2026.arXiv:2606.16078。
8.电子工程专辑/爱分析：《聚焦工业智能体市场，这家AI原生厂商用标准产品解决生产问题》，2025年10月22日。