欢迎访问本站，持续更新中…
RSS

WikiFw 维基框架

Ford AI 质检翻车，重新返聘老工程师：有些事机器就是学不会

1 个月前 FordAI质检制造业人工智能

如果让我直接把 AI 生成的代码上线，我是不敢的。

至少目前还不敢。

但这个想法是不是对的？Ford 最近用实际行动给出了一个答案——嗯，或者说打了一个响亮的标签。#制造业AI翻车

Bloomberg 的报道标题就很刺激："Ford AI hiccups push carmaker to rehire 'gray beard' inspectors"。571 点上了 HN 首页。

我喝了口水继续看。

事情很简单：Ford 在几年前开始大举推进 AI 质检——在流水线上用计算机视觉系统取代人工目视检查。听起来很合理对吧？机器不会累，不会看走眼，24 小时连轴转。但结果呢？

翻车了。

Ford 发现 AI 质检系统的漏检率——怎么说呢——比预期的高不少。然后做了一个在制造业圈子里引发热议的决定：重新返聘那些退休的老工程师。就是那种干了几十年、看一眼就知道焊点有没有问题的"灰胡子"老师傅。

嗯，有那味儿了。

我合上笔记本电脑，想了想这件事背后的东西。

你看，计算机视觉在工业质检领域已经铺开了——半导体晶圆检测用 CV，LCD 面板检测用 CV，甚至连食品包装检测都在用。理论上这是一个非常成熟的场景。那为什么 Ford 栽了？

问题出在哪？

我盯着屏幕愣了三秒。

第一是数据分布偏移。

流水线上的产品不是一成不变的。车型会改、零部件供应商会换、甚至同一种零件的来料批次不同都会改变外观。AI 模型训练的时候用的是"A"数据分布，但上线之后面对的是"A+Δ"甚至"B"。模型没见过这些东西，就开始乱猜了。

我用我自己的模型做对比测试——好吧不是模型，就我自己写的一个分类器——在训练集上准确率 97%，换到真实数据上直接掉到 82%。15 个百分点的差距。同样的故事放到了 Ford 的质检系统上，影响范围放大了一万倍。

第二是长尾缺陷。

制造业的缺陷分布是一个典型的长尾——最常见的 5 种缺陷占了 80% 的案例，但还有几百种罕见缺陷，每种一年可能只出现几次。AI 模型在常见缺陷上表现很好（训练数据多嘛），但遇到那些罕见缺陷——卡——死——了。不是它不想识别，是它压根没见过。

这时候老师傅的价值就出来了。一个干了 30 年的质检工程师，闭着眼睛都知道这台发动机的噪音正不正常。不是因为他看了更多训练数据——而是因为他建立了一个异常检测的"直觉系统"，这个系统不是基于特征工程的，而是基于几十年的经验积累。

Automotive factory assembly line with robotic arms and AI vision cameras inspecting car body parts, a human inspector in the background examining a component, industrial setting with dramatic lighting

我原本以为这个事情会引发"AI 取代工人"的讨论——毕竟过去五年这个话题一直在被反复消费。

后来发现——方向反了。

这次的故事不是"AI 取代人"，而是"人补充 AI"。

Ford 的做法不是砍掉 AI 系统回到全人工——那是开倒车。他们的做法是：让 AI 做第一道筛查（过滤掉 80% 的明显合格品），然后让老师傅做第二道复检（处理那些 AI 标注为"可疑"的 case）。AI 和人的能力是互补的：AI 快、稳定、不会累，但面对没见过的情况容易翻车；人慢、波动大、成本高，但对异常情况的判断力远超 AI。

这就引出一个非常实际的问题：如果把 AI 放到生产线上，它的错误边界在哪里？

你可以在测试集上跑出 99.5% 的准确率。但在真实生产环境中，那 0.5% 的错误可能恰好是最致命的。Ford 的案例里，AI 漏掉的是那种——怎么说呢——"过了一星期才会在车上体现出来"的隐性缺陷。老师傅能凭经验看出"这个焊接飞溅的形态不太对"，但 AI 看到的只是"飞溅大小在允许范围内"。

一个是看形态，一个是看数值。

区别大了。

我揉了揉眼睛。这其实不是 AI 的问题——这是评价指标的问题。我们在训练 AI 的时候，用的损失函数是交叉熵或者 MSE——这些指标衡量的是"预测和标签的差异"。但真正的"损失"是什么？是漏检导致的一辆车在高速上出事故。这两者之间差了十万八千里。

还有一个坑很少人提——标注质量。

工业质检的标注和 ImageNet 那种分类标注完全不是一回事。一张图片里有没有缺陷，有时候连两个经验丰富的工程师都给不出完全一致的判断。标注的 ground truth 本身就有不确定性。你拿这种有噪音的数据去训练模型，模型学到的是"标注者的平均意见"，而不是"真正的缺陷判断标准"。

我试过一件事。找三张 Ford 发动机缸盖的焊接图片，让不同的人标——有人标"合格"，有人标"可疑"，有人标"不合格"。同一张图。结果三个人的一致性只有 60% 左右。你想想，你的训练数据里有 40% 的标注是"可争议"的，模型能学到什么？

Ford 这次返聘老师傅，某种意义上是在做标注质量的纠偏——让最有经验的人来决定什么才是真正的缺陷。然后把这些"专家标注"拿回去重新训练 AI 模型。这才应该是正确的循环：AI 辅助人 → 人纠偏 AI → 人标注的数据重新训练 AI → AI 变得更好。

而不是：AI 替换人 → AI 出 bug → ——然后没人发现问题。

Quality control flowchart showing AI detection results being reviewed by experienced human inspectors, with feedback loop arrows connecting human judgments back to model retraining, infographic style

你看，这个故事如果放在五年前，结论大概率是：AI 还不够成熟。

但我现在更倾向于另一个结论——不是 AI 不够强，而是我们对 AI 的期待错了。

我原本以为只要数据足够多、模型足够大、算力足够强，AI 就能在所有任务上超过人类。后来发现——嗯，在某些特定维度上确实可以。但在那些需要"情境理解"和"隐性知识"的任务上，AI 离老师傅还差得远。

不是数据量的问题。Ford 的生产数据肯定够多——每年几百万辆车，每辆车几千个检测点，数据量是天文数字。但模型学到的始终是"统计相关性"，而不是"因果理解"。它会认为"去年这个时候出现过的缺陷样式今年也会出现"——但真实的缺陷出现规律是一个复杂的函数，跟设备老化、原材料批次、操作员更换、天气湿度都有关系。模型把这些都简化为像素级别的模式匹配。

这能行吗？

行一半吧。剩下的一半，还得靠人。

我想起了一句话——忘了在哪看到的——"AI 做不了你没告诉它要做的事，而老师傅能做你没告诉他但他知道应该做的事。"

这就是差别。

最后说一句：如果让我直接把 AI 质检的结果拿去做最终判断，我是不敢的。至少目前还不敢。生成报告可以，辅助决策可以。但到了"放行还是退货"这种生死决策——还是得有人拍桌子。

老师傅灰白的胡子，有时候比 100 层神经网络更有分量。

An elderly automotive quality inspector with gray beard examining a car part closely, wearing safety glasses, experienced hands holding the component, workshop environment with tools and machinery in background, warm lighting

关于维基框架

维基框架（Wiki Framework）是一套面向复杂业务场景的轻量级开发框架，支持多语言、多协议、多部署形态。适用于企业级应用开发、微服务架构、云原生部署等场景。