韩国与中国台湾地区均将人工智能转型（AX）作为提升制造业未来竞争力的核心战略。然而，决定工厂产品良率和质量的因素，除了标准作业程序外，还包含一线员工难以言表的“隐性知识”。能否将这些经验转化为机器可学习的标准化数据，直接关系到制造业人工智能转型的成败。
此前，韩国相关部门曾大力推进智能工厂建设项目，全国累计部署约3万座。但据官方数据显示，其中约60%未能发挥预期效用，暴露出诸多问题。其核心痛点并非系统是否引入，而是引入后能否真正运转并创造实际价值。
据相关报道，韩国先进制造标准化论坛委员长车锡根日前表示，韩国制造业正处于从数字化转型向人工智能转型跨越的关键节点。他认为，转型的成功与否取决于如何收集和应用生产现场的动态有效数据。因此，必须利用传感技术将现场的隐性知识转化为数据，并实现各类孤立生产数据的标准化。
车锡根指出，当前生产现场的实际决策依然高度依赖资深员工的“直觉”经验，而非标准化的书面文件。这些老员工能够综合设备微小的振动声音、产品颜色变化以及环境湿度等非标准化条件，对生产工艺进行微调。然而，这些经验判断缺乏书面记录，很难直接转化为数据。同时，现有的制造数据具有高度的异质性。一个工厂内通常混合了不同厂商和不同年代的设备，其通信协议、计量单位、采样周期及标签命名规则各不相同，相互交织。
人工智能旨在实现缺陷预测、良率优化和异常检测等高附加值自动化，而这些目标几乎都依赖于隐性知识。如果仅使用现有的标准知识来训练人工智能模型，只能实现局部工艺的自动化，无法将制造业的核心价值融入模型中，这也是人工智能转型面临的最大挑战。为此，车锡根建议，应当通过传感技术采集那些尚未标准化但反复出现的状态、动作和结果脉络，将隐性知识转化为机器能够识别的结构化和标准化数据。
以电阻焊接的质量判定为例，焊接质量受电流、压力、表面状态和热分布等因素影响。过去，资深员工在察觉设备异常时，会凭借经验调整电流并通过试错来保证质量，这属于典型的隐性知识。事实上，焊接瞬间的差分波形才是决定质量的关键，但此前并未被标准化。测试表明，仅依靠红外热像进行单一缺陷判定的准确率约为85%；而结合差分电流波形与热成像温度分布的多模态方法，可将缺陷判定准确率大幅提升至98.1%。这是将员工经验转化为标准化数据的成功实践。
浦项钢铁（POSCO）的“灯塔工厂”是另一个典型案例。高炉炼铁过程难以直接观察内部，通风量、燃烧度、铁水温度和煤炭喷吹量等数十个变量相互影响，以往完全依赖资深员工手动调节。据车锡根介绍，浦项钢铁利用传感器和视觉人工智能捕捉工人动作，让机器人进行学习，并将问题解决过程转化为数据。
据官方数据显示，自2017年起，浦项钢铁对影响高炉状况的变量进行了系统性整合，并引入深度学习人工智能，使系统具备自我学习、预测和控制能力。这一举措使浦项第二高炉的日均铁水产量增加了240吨，同时保持了最佳燃烧状态，减少了煤炭消耗，实现了降本增效。
车锡根表示，希望各产业协会、学术界、人工智能企业与生产现场能够共同搭建合作平台，将专业人员的隐性知识模型化并嵌入设备中。只有让技术保持持续学习和进化，才能真正将其转化为商业价值。
