美国制造业正在把「隐性经验」连同退休金一起打包走人

去年陪朋友厂里调研过一条精密注塑线，主调机师傅干了三十年，参数表早背熟了，但他每次换模前总要用拇指摸摸模腔分型面的温度、听听液压泵的声调。这套「手感」没写进任何 SOP，也没进过 MES 系统。现在他退休了，厂里招了三个本科生轮流顶班，废品率从 0.3% 窜到 2.7%。

更扎心的是数据层面：ERP 里躺着二十年的工单记录，字段全是离散的「良/不良」，根本没留下温度曲线、压力波形、甚至环境湿度这种连续变量。想用这些数据微调个垂类模型？先得花半年把传感器补上、把历史日志人工标注、把师傅脑子里的决策树抠出来——这哪是训练模型，分明是做考古。

现在的 AI 落地方案大多假设「专家知识可显性化、历史数据可直接用」，这在互联网广告推荐里行得通，在离散制造、电力调度、医疗影像里全是扯淡。美国 55 岁以上技工占比已超 30%，未来十年每天平均退休一万人。等知识真断层了，再想补课，连「对照组」都找不着。

眼下最靠谱的路子不是追着 SOTA 跑，而是把「人机协同」做成基建：

• 把师傅的操作全流程录屏+多模态传感同步采集，存成可检索的「经验胶片」
• 在关键节点植入确认机制：模型给建议，人类只需点「对/错/微调」，反馈直接回流微调集
• 建立「灰度知识库」：不强求结构化，先把非结构化的语音、手写备忘、甚至微信语音条全沉底，再慢慢洗

别指望大模型自带常识，常识全在即将退休的老头脑子里。不把这些「脏活累活」干扎实了，再多 H100 也是给幻觉加速。