3. AI技术概览
在推进 AI+MES 系统对接之前，必须先厘清一组经常被混用的概念：人工智能、机器学习、深度学习、大模型。它们不是并列关系，而是层层包含、逐级收窄的技术集合。理解这层关系，才能判断某个 MES 场景究竟该用规则引擎、传统机器学习，还是需要引入大模型能力。
核心判断原则：越靠近“感知与预测”的任务，越适合机器学习/深度学习；越靠近“理解与生成”的任务，越适合大模型；越靠近“确定性逻辑”的任务，越应该用规则或运筹优化，而不是硬套 AI。
一、概念层级：从 AI 到工业可用能力
人工智能是最大的范畴，指让机器表现出类似人类智能行为的所有方法，包括专家系统、搜索算法、规则推理等。机器学习是 AI 的一个子集，它不依赖人工编写全部规则，而是从数据中自动归纳规律。深度学习又是机器学习的子集，使用多层神经网络自动提取特征，擅长图像、语音、时序信号等非结构化数据。大模型则是深度学习发展到超大规模参数、海量预训练后的产物，具备通用语言理解、生成与推理能力，可通过提示词或微调适配具体任务。
二、四类技术在 MES 中的典型分工
MES 的核心数据是工单、物料、设备、工艺参数、质量记录，其中既有高度结构化的表格数据，也有设备日志、维修工单描述、质检图片等非结构化数据。不同技术对应不同数据形态和任务目标。
| 技术层级 | 数据形态 | MES 典型任务 | 对接方式 |
|---|---|---|---|
| 规则 / 运筹优化 | 结构化约束 | 排产、齐套校验、SPC 判异 | MES 内置逻辑或独立服务 |
| 传统机器学习 | 结构化特征表 | 良率预测、设备故障预警 | 模型 API + 特征接口 |
| 深度学习 | 图像、振动、时序 | 视觉质检、轴承故障诊断 | 边缘推理 + 结果回写 MES |
| 大模型 | 文本、多模态 | 知识问答、异常归因、报告生成 | LLM 网关 + RAG 知识库 |
三、方法流程：从场景到技术选型
面对一个 MES 需求，建议按以下顺序判断，避免“为了 AI 而 AI”。
- 先问确定性：规则能否覆盖？能则用规则或运筹优化，成本最低、可解释最强。
- 再看数据结构：若为结构化表格且样本充足，优先传统机器学习，训练快、易部署。
- 再看感知需求：涉及图像、声音、振动波形，选深度学习，通常需边缘算力。
- 最后看语言与知识：涉及文本理解、生成、跨系统问答，选大模型，并配合 RAG 约束事实。
- 设计兜底：任何模型输出都要有规则校验或人工确认环节，尤其是影响生产决策的场景。
在 MES 对接中，最常见的落地形态是“混合架构”：规则引擎负责硬约束，机器学习负责预测打分，大模型负责把结果翻译成人能读懂的语言，三者通过统一 API 网关协同。
四、案例场景：设备异常处理链路
某离散制造企业 MES 中，设备报警后需要人工判断原因、查找维修记录、生成处理建议。引入 AI 后链路变为：
设备报警 → MES 事件总线
→ 规则引擎：判断报警等级、是否停机
→ 时序模型：比对历史振动/温度曲线，输出异常概率
→ 大模型 + RAG：检索维修知识库，生成归因建议与 SOP
→ MES 工单：自动创建维修工单，附建议
→ 人工确认后闭环，结果回流为训练样本
该链路中，规则负责安全兜底，时序模型负责感知，大模型负责知识整合，三者缺一不可。若只用大模型，可能产生“看似合理但不符合设备实际”的建议；若只用规则，则无法处理非结构化维修文本。
五、常见误区与复盘
- 误区一：把大模型当万能引擎。大模型不擅长精确计算和强约束排产，数值类任务应交给规则或专用模型。
- 误区二：忽视数据质量。MES 数据常存在缺失、口径不一、时间戳错乱，直接训练会导致模型不可用。
- 误区三：追求端到端全自动。工业场景容错低，保留人工确认节点反而更容易通过验收。
- 误区四：忽略可解释性。质量判异、排产调整等场景，操作人员需要知道“为什么”，黑盒模型难以推广。
- 复盘要点：先做小场景 PoC，验证数据通路和业务价值，再逐步扩展到大模型与多模态能力。
AI 在 MES 中的定位是“增强决策”，而不是“替代决策”。任何影响安全、交付、质量的模型输出，都必须设计可回滚、可审计、可人工干预的机制。
总结来看，人工智能、机器学习、深度学习、大模型构成一条从宽到窄、从通用到专用的能力光谱。MES 对接的关键不是选“最先进”的技术，而是根据任务的数据形态、确定性要求和容错空间，选择最合适的那一层，并用混合架构把它们的优势组合起来。