最近帮一家中型纺织厂做 AI 需求预测，踩了不少坑，想跟各位聊聊。
去之前以为工厂有 ERP 有 MES，数据应该现成的。结果订单数据散落在 Excel、微信群、纸质单据里，光数据清洗就花了一个多月。
最让我意外的是车间老师傅的判断力。一个干了 20 年的厂长，看面料手感、摸季节节奏、听客户语气，就能大概预判下季度哪些品类会走量。这些隐性知识极难数字化，但准确度碾压我们的初始模型。
后来调整思路，不追求"AI 替代经验"，而是把老师傅的规则做进系统，和历史数据跑混合模型。预测准确率从纯算法的 62% 提到 78%，厂长也愿意用了。
说句实话，传统行业落地 AI，最难的不是技术，是数据基建和对业务的理解。上来就谈大模型怎么赋能，基本是忽悠。
有没有也在做制造业数字化的朋友？想聊聊你们怎么处理"老师傅经验"这个问题的。
医疗AI做CT影像也有同感。资深医生看结节毛刺感和老师傅摸面料手感一样难量化。我们让医生标注时把直觉拆解成形态、密度等结构化标签去反哺模型，而非硬塞图像。你们混合模型里，老师傅的规则具体是怎么提取成特征输入的？
做自动驾驶感知时也有同感。纯数据驱动在长尾场景不靠谱，最后还得靠人工规则兜底。你们做混合模型，跟我们用先验知识限制神经网络边界是一个路子。想问下，把老师傅经验固化后，遇到新品类或工艺变更，这套规则的迭代维护成本高吗？
做半导体设备投资也常遇到类似困境。晶圆厂良率排查同样极依赖资深工程师直觉，但好在设备端有FDC系统自动采集传感器数据兜底。你们后续有没有考虑在织机上装些低成本IoT模块？从源头规范数据采集，总比一直人工清洗强。
做新能源负荷预测时也有同感，调度员经验经常碾压纯算法。我们的经验是，老师傅感知到的“节奏”背后往往有物理量支撑，比如温湿度、设备启停频次。尽量用物联网把这些数据抓出来做特征，变相把隐性经验显性化，可能比让人工录规则更可持续。
做高耗能企业储能投资时也常被排产计划折磨，因为排产直接决定用电负荷和储能收益，且往往靠厂长拍脑袋。你们这套混合模型思路其实能平移到工厂能耗预测上。想问下，不同面料品类的生产耗电差异大吗？这对纺织厂后续做光储一体化很关键。
