别让专家的脑子跟着人走掉——聊聊专家经验数字化那些事儿

前阵子去一家工厂，碰到个老师傅，快退休了，厂里上上下下都愁得不行。为啥？他一个人脑子里装着全厂几十台老设备的脾气，听个响动就知道哪颗螺丝松了。这人一走，怕不是要把半个车间给带走。说实话，这种事儿我见得太多了。

你看，这就是典型的专家经验流失危机。数字化喊了这么多年，很多公司还是停留在「把人招来，把文档写写」的层面。结果呢？文档堆成山，真到用的时候，翻半天也找不着关键的那一页。更别提那种没法写成文字的——手感的轻重、温度的变化、异常声音里那一点微妙的刺啦声……这些东西，怎么数字化？

但我偏要说，这才是数字化的精髓。别以为搞个知识库，录几十段视频就算完事儿。那种做法，充其量是把隐性经验变成了显性垃圾。

先把经验拆成「原子」再说

我们团队前年接了个活儿，帮一家风电运营商把叶片检测专家的脑子给「掏」出来。那位专家干了十五年，爬到几十米高的塔筒上，手往叶片上一搭，就能说出内部分层有几毫米。这种感觉极度依赖触觉反馈和长期形成的神经记忆，怎么把它变成数据？

我们最后采用的不是传统访谈——那种你问我答的套路基本没用，专家自己都说不清自己怎么判断的——而是让他戴上传感器手套，一遍遍去摸有缺陷和没缺陷的叶片。手套采集了指尖压力分布、停留时间、甚至微小的肌肉颤动信号。光数据就采了三个多月，然后丢给算法找模式。你猜怎么着？最后真被我们抓住几个关键特征量，比如压力峰值出现在某个频率时，分层深度往往超过两毫米。

这个过程，死磕细节的功夫，远大于技术本身。你得观察他每一个动作，甚至要问「你刚才为什么叹了口气」「你手停在那儿是在想什么」。专家经验的原子化拆分，本质上是一个人类学田野调查，而不是IT项目。很多公司失败就失败在，派个刚毕业的工程师去聊两小时，回来画个流程图，齐活儿。这不闹呢嘛。

知识图谱？不，先得有个「吵架图谱」

一说到数字化，就有人跳出来讲知识图谱。画得跟蜘蛛网似的，节点几十种，关系拉了一大堆，看着特唬人。但我实话告诉你，大部分知识图谱在专家眼里就是个花架子——因为没把争论点装进去。

真正的专家经验，不是平滑的逻辑线，而是一堆相互冲突的见解在脑袋里打架之后沉淀下来的东西。比方说诊断一台燃气轮机振动问题，甲专家会说先看轴承频谱，乙专家坚持先检查燃料喷嘴。这俩人吵了十年，各自都有成功和失败的案例，外人只听结论，根本不知道背后的条件博弈。

我们做过一个尝试：不画图谱，先画「争论地图」。把不同专家针对同一类问题的分歧点、前置条件、赌注概率全部可视化出来。比如「当叶片结冰概率大于30%且环境温度低于-5度时，A方案优先级高于B方案」，但这个30%是甲的经验值，乙觉得是40%。这些数字背后是几十次事故的惨痛记忆。如果知识库只记结论「低温下优先排查叶片」，那就把最宝贵的判断过程给阉割掉了。

后来我们干脆搞了个日常触发机制：每次故障复盘会，强制要求录音转文字，再用NLP把争议片段抓出来，标上时间戳和结果对照。这种活生生的「吵架记录」，比任何教材都好使。当然，前提是公司文化不能是那种谁嗓门大听谁的，否则数字化出来的就是官僚意见。

少谈赋能，多搞「外挂大脑」

现在市面上流行给专家配个AI助手，美其名曰「赋能」。我特烦这个词。真正有用的东西，是直接让人用上，像呼吸一样自然，而不是开半天会培训。

我们给一个化工厂做过一套异常工况处理引导系统。一开始弄得特复杂，大屏上全是曲线，操作工看一眼就骂娘。后来大改，直接做成手机App，异常报警一响，点开只有三行字：当前最可能是什么问题？建议第一步做什么？如果没效果，马上点第二个按钮联系哪位专家。背后支撑的模型很复杂，融合了数百个历史案例和实时数据，但前端简洁到文盲都能用。那个厂的专家退休后，这套系统还真顶上了，年轻操作工按步骤处理，失误率比原来高了点，但没崩盘。

这背后有个关键认知：数字化的目标不是复制一个专家，而是制造无数个「专家级决策节点」。人是会疲劳、会情绪化、会离职的生物体，数字化要把经验拆解成能够嵌入作业流程的微决策。比如「当泵的振动值超过4.5mm/s且轴心轨迹呈反进动时，立即切泵」——这句简单的话背后，可能是一个老专家一辈子最深刻的一次教训。把它固化到DCS系统里，比拍成纪录片实用一万倍。

但这里有个陷阱。很多人以为只要把经验写成规则就行。规则是会过时的。去年适用的参数，今年换了催化剂就完蛋。所以还得建一套反馈回路：每一次按照系统建议操作后，结果必须回流，自动比较专家建议和实际效果，更新置信度。这就像给经验装上了一个新陈代谢系统，否则数字化就是一潭死水。

说到底，还是人的事儿

折腾了这么多年，我越来越觉得，专家经验数字化的成败，技术最多占三成，七成在人与组织的博弈上。专家凭什么要把看家本领交出来？你给钱？给名？还是给安全感？我见过最狠的一家公司，把专家经验贡献度纳入晋升考核，权重占到40%。同时配了专门的知识经纪人，像哄小孩一样帮专家梳理经验，写成案例，还不断反馈「你的那条判断又避免了一次停机，节省了多少多少钱」。专家一看，嘿，值了，后面就主动多了。

还有个反直觉的现象：越是顶级专家，越难数字化。因为他们已经形成了高度压缩的直觉，自己都不知道自己怎么推理的。这时候就得用「反推法」——给他看错误的操作，让他指出哪里不对。错误往往比正确更能激发表达。而且别正儿八经坐着聊，抽烟的时候，喝茶的间隙，冒出来的句子里常常藏着金子。我们团队有个不成文的规定：和专家的对话记录里，一定要保留脏话和语气词，因为那些地方往往藏着情绪驱动的关键判断。

此外，千万不能把数字化搞成「一次性的收割」。经验是长出来的，不是一次性开采完的矿产。得建「经验生长机制」，比如每月一次的案例沉淀会，让年轻工程师和专家一起复盘，用新人的视角去碰撞旧经验，经常能搞出进化版的新认知。这就像农业的轮作，而不是矿业的开采。

最后说个让人心塞的事儿。有家航空发动机维修厂，好不容易把一位铆接老师傅的经验数字化了，模型调得贼准。结果第二年，老师傅返聘回来当顾问，看完模型给的参数，轻飘飘说了句：「这个铆枪延迟补偿值，当年我是根据车间那台老气泵的压力波动调的，现在你们换了新气泵，这个值就不对了。」你看，经验数字化不是终点，而是重新理解经验的起点。你以为得到了真经，却忽略了经书当时写在什么样的地图上。

所以啊，别总想着用什么牛逼技术一把梭哈。专家经验数字化，首先是向人的认知深处跋涉的过程。有耐心，有敬畏，还得有点把板凳坐穿的傻劲儿。你说呢？