34
2灯下白EP54：赵伟
🎙️嘉宾：赵伟
机械工程出身，曾在德国学习，并参与大众狼堡、匈牙利奥迪及大连发动机项目。此后在汽车及机床相关制造业工作二十余年，近几个月开始探索工业 AI。
主持人：吴熳
在得到直播讲过AI应用，在WaytoAGI北京切磋分享，代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学，AI牛马库导航科普网站 ka21.org 主理人
本节目由人类与GPT共同策划，剪映处理音频中水词，千问处理剪辑时间轴，GPT撰写Shownotes，Banana Pro生成播客logo，即梦生成播客封面，Suno生成片头片尾音乐，同时由声湃和中关村科学城公司提供录音场地，由罗德麦克风提供录音设备。感谢中关村科学城的政策支持！
《灯下白》坚持100% Human，真人真聊真AI，对白坦白灯下白。
🪝本期故事
二十多年前，赵伟在德国的汽车工厂里，看见一条生产线上密集运转的机器人。
那时的他学的是机械工程，还不知道自己会参与汽车发动机项目，更不会想到，有一天中国汽车会反过来成为他和德国朋友讨论的话题。
从大众狼堡、匈牙利奥迪，到回国参与大连的发动机项目，他一路看着制造业变化。说起一辆车，他想到的不只是品牌和外观，还有整车厂背后的一层层供应商：座椅、零件、工艺、质量标准，每一环都影响最后交到消费者手里的车。
他记得德国工厂的严谨，也看见中国制造这些年的创新。一个孩子到了德国，脱口而出“德国车也不过如此嘛”。这句话让他意识到，下一代看汽车的眼光，已经和自己年轻时不同。
然后，做了二十多年制造业的赵伟，被一位发小带进了 AI 的世界。
接触 AI 才几个月，他开始研究写代码的工具，也开始反复问自己：工厂里的经验，能不能和 AI 真正接上？
答案没有想象中简单。普通软件可以反复试错，生产线却不能为了验证一个想法随便停下来。一个判断失误，可能直接影响设备、产品质量和交付。
节目里，他用机床主轴举例：老师傅会听声音、摸温度，判断设备出了什么问题；如果传感器和模型能更早识别异常，能不能在故障发生前预警，甚至让设备主动降速？
讲到这里，吴熳追问：“这是已经做成的真实案例吗？”
赵伟说，这个闭环还在努力推进，需要机床厂一起参与。这个追问，也把“AI 能做什么”和“现在已经做到了什么”分开了。
两人继续聊到维修知识库、工业智能体、排产、材料研发，以及工厂最基础的数据问题。赵伟认为，很多企业谈智能化之前，还得先把数据整理好；在关键决策上，最终负责的人仍然是人。
聊到最后，话题又回到他自己。四十岁以后再学新工具，焦虑当然有。但 AI 也让他重新找到了学习的兴趣。他给同样来自传统行业的人一个很小的起点：先拿工具解决身边的一件事，再慢慢往专业场景里走。
💡本期你会听到
一个学机械工程的人，怎样从德国走进大众狼堡和汽车制造现场？
二十多年前的德国汽车工厂，什么给赵伟留下了最深的印象？
为什么看一辆车，不能只看整车厂，还要看一级、二级供应商？
当孩子觉得“德国车也不过如此”，一个汽车行业从业者听见了什么变化？
做了二十多年制造业，赵伟为什么在几个月前重新开始学 AI？
机床主轴的预测性维护可以怎样设计？离真正的自动预警和控制还有多远？
面对模型可能出错的问题，维修知识库能提供什么帮助？
工业智能体进入工厂后，人、数据和原有管理系统各自承担什么角色？
柔性排产和材料研发里的 AI，今天更多是在替人决策，还是给人提供辅助？
传统行业工作多年的人，开始接触 AI 可以从哪一件小事做起？
🔥本期金句
“有一种工业的精神是难以复制的。”
“工业 AI 的话，不可能全生产线去停到让你去试。”
“但是人是做最后决策的人。”
“第一步要做这个数据清洗。”
“AI 改变了一个人的学习方式。”
⏱Shownotes
01:18 从机械工程到工业 AI，赵伟先介绍自己的二十多年
从在中国、德国学习机械工程，到汽车和机床相关工作，再到最近开始探索工业 AI，赵伟把这几段经历放到同一条线上。
04:08 大众狼堡的招聘机会，怎样把他带进汽车工业？
毕业时遇上面向中国项目的人才招聘，他从德国汽车工厂的工作开始，后来参与发动机项目，也由此见证中国汽车工业的发展。
08:45 二十多年前走进德国工厂，满眼都是机器人
当年的自动化产线让他印象深刻。再回头看今天的中国汽车制造，他谈起自己眼中德国制造的严谨与中国制造的创新。
13:36 一辆车背后，还有多少层供应商？
从整车厂到一级、二级供应商，零部件和质量标准层层传递。赵伟解释，整车品牌的变化，也离不开供应链能力的变化。
19:55 “德国车也不过如此”：孩子的一句话让他重新看中国汽车
他讲起孩子到德国后的直观感受，又提到一位来中国交流的德国少年。不同年龄和成长环境的人，正在用不同的尺度看汽车与制造业。
25:28 一个发小，把二十多年的工业人带进 AI
从编程话题聊起，赵伟开始接触 AI 工具。他说，重新学习带来的兴奋感，让自己又一次愿意花时间琢磨新东西。
28:16 工业 AI 为什么不能像普通软件一样试错？
软件可以反复运行、修改，生产线却牵涉设备和产品质量。赵伟认为，工业场景的物理设备和试错成本，是 AI 走进工厂时绕不开的门槛。
29:21 二十多年的行业经验，在 AI 时代还值钱吗？
面对“工作会不会被替代”的问题，他谈到重复性工作与长期积累的行业判断，也承认经验并非绝对不可替代。
32:40 一根机床主轴，能不能在坏掉之前发出信号？
老师傅听设备声音、感受温度；传感器则可以持续采集温度、压力、振动等数据。赵伟用这个场景解释预测性维护的设想。
36:24 追问真实案例：从预警到自动降速，还有一步要走
吴熳问这个闭环是否已有真实案例。赵伟明确说仍在推进，需要机床厂共同参与；节目也由此转向工业 AI 的精度与可靠性问题。
38:52 维修知识库，怎样减少“答错故障”的风险？
从设备报警号检索对应原因，再结合维修手册和行业知识库，赵伟介绍了更受约束的问答方式，同时承认模型错误无法被绝对消除。
44:10 工业智能体进入工厂，人还做什么？
赵伟讲述自己接触到的工厂实践：智能体参与协调和研发建议，但参数是否采用、关键决定由谁负责，最后仍然要回到人。
48:21 没有数据，谈智能化会卡在哪里？
自动化、数字化、智能化是不同阶段。他提醒，很多工厂还没有整理好基础数据；做工业智能体前，先得弄清哪些数据有用。
50:38 排产、材料研发和管理系统，AI 今天能帮到哪一步？
从缺料时调整生产顺序，到缩小合金试验范围，再到在现有管理系统里接入智能体，赵伟分别讨论 AI 作为辅助工具的可能性与现阶段边界。
55:08 给四十岁左右、来自传统行业的你：先从一件小事开始
赵伟谈起自己也有过的焦虑。AI 改变了他的学习方式；给初学者的建议，是先用工具解决眼前的问题，再决定是否走向更专业的工业场景。
💬听众互动
如果你也在传统行业工作，你最希望 AI 帮你解决哪一个具体问题？在你的工作现场，最难交给 AI 的判断又是什么？欢迎在评论区聊聊。
也欢迎把这期节目分享给正在制造业里探索 AI，或者想重新开始学习的朋友。
真人真聊真 AI，对白坦白灯下白。
我们下一盏灯见。
