把老工匠的脑子放进代码：专家经验数字化的落地陷阱与破局
上个月在南京江北的汽配车间蹲点，碰到个干了三十年的模具钳工老周。还有三个月退休，骑车摔了右手，原本定好的带徒计划全乱了。三个徒弟跟着他学了五年，调模具的合格率最高也就六成，离老周的九成八差得远。
车间主任蹲在抽烟区跟我吐槽，说老周那套本事，全在手上，问就是“感觉不对多调两丝”，什么叫感觉不对？两丝是多少？写进操作手册也没人看得懂。
这就是很多人做这件事最大的误区。
油田井下故障判断专家经验模型标注界面
后来换了方法，让老井工跟着项目组跑了半个月现场，每一次判断都把他感知到的所有变量排个序：哪类井先看运行年限？哪类井先看油压变化？不同季节震动的误差基准线调整多少？把每一次决策背后的排序逻辑拆出来，再喂给模型，准确率一下爬到了八成八。
你看，核心从来不是把专家的结论存进去，是把专家怎么得出结论的路径存进去。这才是转译，不是搬运。
制造车间模具调试专家经验数字化终端操作界面
别神话，它有清晰的应用边界
现在外面吹得神乎其神，好像所有专家经验都能数字化，甚至能取代所有专家，这话听听就行，别信。它有明确的适用边界，越界了肯定出事。
第一，封闭场景远优于开放场景。封闭场景就是所有核心变量都能被监测、被量化，比如化工精馏塔的参数调整，模具调试的压力角度，井下故障的判断，这些场景下变量可控，专家的决策就是对不同变量的权重排序，转译起来难度很低，现在落地的项目大部分都在这类场景，效果也确实好，不少一线的准确率比年轻专家还高。
那开放场景呢？比如企业战略决策，风险投资判断项目，临床的疑难杂症会诊，太多不可量化的变量，比如政策风向的变化，创业者的状态，病人的体质差异，这些东西专家靠直觉，现在最多做个辅助参考，根本不可能完全替代。
第二，操作型经验远优于认知型经验。那些基于大量重复样本训练出来的操作经验，比如修车、读CT片、调机床，转译出来的效果都很好，反而那种创造性的认知经验，比如设计师的灵感，科学家的方向判断，艺术家的审美，根本不可能数字化，至少目前的技术做不到。
再说风险。最大的长期风险不是技术出错，是路径依赖。当所有新人都靠着数字化的经验干活，不用自己摸爬滚打试错，那永远出不了新的专家。现在已经能看到苗头，不少年轻医生读片全靠AI，自己连片子都不会看了，年轻钳工靠着系统调模具，自己练不出来手上的感觉，再过几十年，老专家没了，新专家也没长出来，剩下的只有旧的经验代码，这才是最大的问题。
老周那个项目最后成了。项目组给老周戴了动捕手套，把他每次调模具的手劲、角度、每次调整的幅度，一步一步全录下来，对着几十套模具反复标注，花了四个多月，最后做出来的系统，新徒弟跟着一步步调，合格率稳定在八成以上。
老周退休那天，站在终端旁边看徒弟调完一套，笑着说，没想到我这手上的劲，还能留在厂里。
说实话，这件事本身最动人的地方就在这。它不是为了取代谁，是为了把人一辈子攒的本事留住，不至于人走了，茶凉了，半辈子的功夫也就没了。
不过话说回来，留本事是留本事，别想着把所有人的活气都框进代码里。那些跳出现有经验的新东西，永远得靠活人去闯。
不是知识萃取，是“隐性决策逻辑”的转译
大部分团队干的事，本质就是搬字过纸。把专家拉过来开几个座谈会，整理几万字访谈记录，录入企业知识库，就对外宣称完成了。 能用上才怪。 真正值钱的经验，从来都不是写在纸上的显性规则。那些早就印在新员工培训手册里了。专家和新手的差距，在于不确定条件下的决策权重分配。 去年接触过一个油田的智能运维项目，老一辈井工判断井下漏点，靠的是几十年练出来的本事：站在管线旁边听两分钟震动，手往管线上一放，就能说出漏点大概在什么位置，误差不超过五米。一开始项目组按常规操作，把老井工说的“震感偏闷”“频率略快”整理成词条录入模型，结果到现场跑，准确率还不到三成。油田井下故障判断专家经验模型标注界面
后来换了方法，让老井工跟着项目组跑了半个月现场，每一次判断都把他感知到的所有变量排个序：哪类井先看运行年限？哪类井先看油压变化？不同季节震动的误差基准线调整多少？把每一次决策背后的排序逻辑拆出来，再喂给模型，准确率一下爬到了八成八。
你看，核心从来不是把专家的结论存进去，是把专家怎么得出结论的路径存进去。这才是转译，不是搬运。
容易被忽略的三个非技术卡点
现在提起这个事，开口就是大模型，说把专家的聊天记录全喂进去，自然就出来了。说实话，哪有这么简单。我见过不少砸了几百万最后烂尾的项目，问题从来不是技术不行，是技术之外的事没理顺。 第一个是利益卡点。专家凭什么把自己吃饭的本事全交出来？这不是人性自私，是最基本的利益逻辑。我之前待的长三角汽配产业园，有个厂早年搞这个项目，请了五个退休的老师傅，按天算钱，一天八百块，开了十次会，整理了一百多页文档，核心的调模火候全是模棱两可的官话，最后项目上线根本用不了，烂在服务器里。后来换了模式，把数字化后的经验收益按比例给原专家分润，跟模具合格率、开工率挂钩，不到三个月，老师傅们主动把压箱底的细节都掏出来了，出来的模型现在还在给厂里赚钱。 第二个是场景绑定卡点。经验从来长在具体的场景里，脱了场景的经验就是一堆没用的文字。你把三甲医院大专家看肺癌CT的经验模型拿到乡镇卫生院，设备分辨率不一样，扫描参数不一样，出来的结果能对吗？很多项目做出来，在实验室测试准确率九十多，一到现场就拉胯，就是把场景变量给弄丢了。真正有效的转译，必须把场景的约束条件一起数字化，什么湿度下参数要调多少，什么设备精度下误差范围是多少，这些约束比经验本身还重要。 第三个是动态迭代卡点。经验是活的，专家遇到新问题，自己也会不断调整自己的判断，哪有一劳永逸的数字化？很多企业做项目，一次性挖完经验，上线就不管了，过个三五年，设备换了，材料换了，原来的经验早就失效了，最后知识库变成了僵尸库，没人碰。制造车间模具调试专家经验数字化终端操作界面
别神话，它有清晰的应用边界
别神话，它有清晰的应用边界
现在外面吹得神乎其神，好像所有专家经验都能数字化，甚至能取代所有专家，这话听听就行，别信。它有明确的适用边界，越界了肯定出事。
第一，封闭场景远优于开放场景。封闭场景就是所有核心变量都能被监测、被量化，比如化工精馏塔的参数调整，模具调试的压力角度，井下故障的判断，这些场景下变量可控，专家的决策就是对不同变量的权重排序，转译起来难度很低，现在落地的项目大部分都在这类场景，效果也确实好，不少一线的准确率比年轻专家还高。
那开放场景呢？比如企业战略决策，风险投资判断项目，临床的疑难杂症会诊，太多不可量化的变量，比如政策风向的变化，创业者的状态，病人的体质差异，这些东西专家靠直觉，现在最多做个辅助参考，根本不可能完全替代。
第二，操作型经验远优于认知型经验。那些基于大量重复样本训练出来的操作经验，比如修车、读CT片、调机床，转译出来的效果都很好，反而那种创造性的认知经验，比如设计师的灵感，科学家的方向判断，艺术家的审美，根本不可能数字化，至少目前的技术做不到。
再说风险。最大的长期风险不是技术出错，是路径依赖。当所有新人都靠着数字化的经验干活，不用自己摸爬滚打试错，那永远出不了新的专家。现在已经能看到苗头，不少年轻医生读片全靠AI，自己连片子都不会看了，年轻钳工靠着系统调模具，自己练不出来手上的感觉，再过几十年，老专家没了，新专家也没长出来，剩下的只有旧的经验代码，这才是最大的问题。
老周那个项目最后成了。项目组给老周戴了动捕手套，把他每次调模具的手劲、角度、每次调整的幅度，一步一步全录下来，对着几十套模具反复标注，花了四个多月，最后做出来的系统，新徒弟跟着一步步调，合格率稳定在八成以上。
老周退休那天，站在终端旁边看徒弟调完一套，笑着说，没想到我这手上的劲，还能留在厂里。
说实话，这件事本身最动人的地方就在这。它不是为了取代谁，是为了把人一辈子攒的本事留住，不至于人走了，茶凉了，半辈子的功夫也就没了。
不过话说回来，留本事是留本事，别想着把所有人的活气都框进代码里。那些跳出现有经验的新东西，永远得靠活人去闯。