数智化水平的两组数字
国家工业信息安全发展研究中心发布《制造业数智化转型能力水平(2026)》,给出了两组数字。
一组是 34.2%,即今年上半年我国制造业人工智能重点场景应用普及率。
另一组是 67.1,即全国两化融合发展水平。报告的判断是整体进入数字化、网络化、智能化协同推进的阶段。
两项指标衡量的并非同一件事,但放在一起可以看出节奏差异。两化融合推进二十余年达到 67.1,AI 场景普及为 34.2%,数字化与网络化相对成熟,智能化仍在扩散过程中。
落差的原因通常被归结为模型能力不足或场景界定不清。这两种解释都成立,但都不完整。更常见的情况是,场景本身清楚,模型也可用,支撑该场景的数据尚未到位。
落到车间层面,缺少的往往是同一类内容,即人员在现场填写的那部分记录。
已落地场景的数据来源
目前落地效果较好的 AI 场景,共同点较为明确。
智能排产依赖工单、工序、设备状态与交期的结构化数据。视觉质检依赖图像、缺陷类型标注与判定阈值。设备预测性维护依赖运行参数、故障现象与维修记录。
质检类的数据主要来自视觉系统,采集环节已经成熟。排产与预测性维护则不同,其数据一半来自设备,另一半来自人员的记录。巡检单上填写的"异响""温升偏高",维修记录中填写的"更换轴承",决定模型能否积累可用的样本。
AI 场景能否实施,取决于输入数据的形态;形态不由模型决定,而由记录方式决定。FlashTable 处理的是记录方式这一环。
未落地场景缺少的字段
剩余 65.8% 的场景中,有一批属于同一类问题:需要判断,但判断依据未留下结构化痕迹。
质量判定场景。 记录中只有合格或不合格的结论,缺少实测值、允差与判定依据。模型既无法学习,也无法解释结论。
异常处置场景。 现象记录在点检单上、原因记录在交接班本中、措施依靠口头传达。三者无法对应,处置经验难以沉淀。
工艺优化场景。 参数调整了什么、为何调整、调整后效果如何,分散在不同的表格与不同人员手中,无法构成可回溯的记录序列。
这一类场景的共同点是缺少字段,而非缺少目标。字段之所以缺少,是因为记录方式长期停留在供人阅读的层面,表格空间够用即可,填写方式以方便为先,未曾要求按机器可读的格式落地。FlashTable 的落点即在此处。
表单数量的失控
许多企业的 AI 试点是成功的,选定一个工序、完成一个场景,效果可以看见。从一个工序推广到整个车间时,常会遇到一项未预料到的障碍,即表单数量失控。
原因较为清楚。不同产品、不同客户、不同标准各有一版单据,信息化项目通常为每一版制作一张线上表。表格数量增加之后,维护、字段对齐与后续改版的成本同时上升,最终无人愿意改动。
FlashTable 的做法是把检测点位、样品数量、回路编号这些会变化的部位做成按需增减的行,不必为每种规格单独制表。表单数量不随产品型号增长,这是场景能从一个工序扩展到一个车间的必要条件。
FlashTable 在记录环节的作用
FlashTable 是一款 AI 驱动的表单开发组件,以组件形态嵌入企业已有的 MES、QMS、LIMS、ERP 等系统。它处理的是各类 AI 场景共同的上游环节,即现场记录能否在写下的同时就成为结构化数据。
1:1 像素级还原。 采用 DOM 树映射算法,Word、Excel、WPS 中的表格复制粘贴即可生成格式 1:1 还原的线上表单,跨页表格、合并单元格与复杂公式均可精准还原,解析精度 92%,行业平均约 75%。车间不需要先学习新工具,改造成本较低。
AI 智能组件匹配。 解析字段语义后自动匹配输入框、日期选择器、下拉列表与计算公式,并绑定校验规则。同一字段的不同写法,在录入环节即被统一。
公式计算与自定义函数。 允差、阈值与合格率用类似 Excel 的公式表达,计算过程写入记录。质量判定类场景所需的判定依据,在录入时即被保存。
数据直回业务数据库。 通过标准 API 写入企业自有数据库,与 MES 工单、设备台账、检验任务对应,不需要二次转录。
场景扩展的条件
67.1 与 34.2% 的落差,通常被归因于模型不够好用或场景不够清楚。这两个解释都成立,但都不完整。已落地的场景大多依赖机器采集的数据;还没落地的那些,缺的是人在现场填写的那部分记录。合格与不合格的结论、异响与温升偏高这类现象、参数为何调整,这些内容长期以"写给人看"的方式存在,模型读不到。数据清洗能修格式,修不了本该有却没有的字段。
FlashTable 处理的是记录方式这一环。作为 AI 驱动的表单开发组件,它嵌在 MES、QMS、LIMS、ERP 等系统里,把车间每天在填的表按原版式搬到线上,字段在录入时就带上类型与校验,判定公式和计算过程随记录保存,数据写回企业自有数据库。字段在记录产生的那一刻就存在,后面的场景扩展才有基础,这也是 34.2% 往上走时绕不开的一段工作。

