自学习、自生成、自优化 —— 三个词里只有一个今天真的成立
「AI 原生 APS」最容易滑向一个偷懒解释:加个对话框,能问「这周产能怎么样」,就算原生了。
这叫 AI 友好,不叫 AI 原生。判断标准很简单:把模型拿掉,系统还剩什么?
拿掉后照常排产、复核、解释,只少个问答入口——那是友好;拿掉后再也不会变准——那才是原生:学习长在结构里,不在对话框里。
我们给三句宣称做过一次全库实测(把代码扫一遍,看哪些真在跑),结论包括那条不好看的。
| 宣称 | 实测结论 |
|---|---|
| 自优化排产 | ✅ 成立。精确求解 + 兜底 + 复核 + 证书 + 溯源,每一环都有反向测试 |
| 自生成策略 | 🟡 半成立。能推荐规则链与求解参数、能校验人写的规则草稿;但生成动作在系统之外 |
| 自学习约束 | 🔴 当时不成立。计划与实绩能对账,但「学到的结论」没有回到参数里 |
原始记录是一句扎心的话:自学习是空白,自优化有原语但没有闭环。
下面是补回路的过程。
一切的起点不是算法,是一份能对账的数据。
多数工厂周一排计划、周五看结果,中间靠人记。于是「计划准不准」永远没有答案——没人把计划和实绩逐条摆在一起。
实绩回路做的第一件事就很小:逐工序对账。
最后一项最容易被忽略,却最有价值:它说明计划漏了活,而漏掉的活通常藏在「临时插单」和「返工」里,这两件事恰恰是计划准确率的最大杀手。
对账的输出不是一句「准确率 87%」,而是一张逐条的偏差表。有了这张表,才谈得上学习。
拿到偏差表,第二个问题自然是:是不是我们假设错了?
最常见的假设错误是工时:工艺卡写 45 分钟,实际干 52 分钟——不是工人慢,是数字来自三年前的试制。偏差会系统性传导,所有相关计划都偏乐观,交期承诺太紧。
校准很朴素:把同一台设备、同一类工序的「实际/计划」比值收起来,取中位数,给出四分位区间和样本数。
为什么取中位数不取平均? 因为车间数据里总有几单异常(试模、返工、停电),平均值会被它们拖走,中位数不会。
这条回路边界很死:只产出建议,不修改任何参数。 建议进审批账本,等人批准;采纳方式是人去改数据,不是系统偷偷改。
第三条回路回答的是一个管理问题,不是算法问题:什么时候值得重排?
每天重排听起来勤快,实际是灾难:计划一变,现场就要重新理解一次,沟通成本比排产还高;一直不重排,计划又会脱离现实。
所以这条回路先回答「有多大概率按期」,再回答「要不要动」:
第三条回路最容易被做成「自动重排」的炫技。我们的选择相反:系统只建议,什么时候动由人定。
单看每条都不新鲜:对账、校准、概率,教材里都有。让它成为「学习」的,是三条回路之间的因果链:
这条回路是:计划 → 执行 → 偏差 → 参数建议 → 人批准 → 新参数 → 新计划 → 新偏差。
这个环一旦闭合,系统就有记忆了:它会记住「这台机的工时一直偏乐观」,并且下次排产时用修正后的数字。
而环上必须有一个人。这不是保守,是排产的性质:参数改错,代价是一整周的交付。让系统自己改参数,等于让它自己决定要不要冒险。
这条链,我们做到「人批准 → 人去改数据」,然后断了。
缺的是「改完之后,到底有没有变准」这一步。 校准建议说「工时系数该从 1.00 调到 1.18」,人改了;下一周的对账数据其实就在库里,但系统不会主动把它和改之前的偏差并排摆出来说「1.31 → 1.12,改善 15%」。
数据都在,只是没连起来。这是能力扫描里自己登记的缺口,也是这个系列少数几处坦白。
为什么值得说?因为没有回测的学习,只是安慰。 一个人如果改了参数却从不检查效果,他也会「感觉系统变准了」—— 感觉不是证据。
有人说他的排产系统「会自我学习」,用这四问过滤:
最后一个最关键。能答的,通常真做过。
下一篇:AI 不能自己批自己——审批账本、责任到人、工具名为什么也是提示词。