当前位置:首页 > 科研成果库

专家经验数字化:别扯那些虚的,老师傅脑子里的东西到底怎么掏出来?

2026-11-18 11:40:43小研科研成果库8

这事儿吧,说起来挺玄乎。我前阵子去一家做精密制造的老厂,车间里一位快退休的八级钳工,用手摸一下机床外壳,就能判断出轴承间隙大了0.02毫米。旁边站着个清华毕业的博士,拿着激光干涉仪测了半天,数据出来一看——还真是。博士懵了。老师傅嘿嘿一笑,说“这玩意儿,讲不清”。

讲不清。这三个字,就是专家经验数字化最大的拦路虎。你想想,如果连专家自己都不知道自己是怎么知道的,那你要怎么把它变成代码、变成模型、变成能复用的东西?

所谓“经验”,其实是一堆残缺的因果链

很多人以为专家经验就是一套清晰的规则库。扯淡。我读过一篇搞认知心理学的论文,里面有个实验特别有意思:让一群资深放射科医生和一群菜鸟看同一批胸片,判断有没有肿瘤。老手们扫一眼,不到两秒,就能指出来。菜鸟们吭哧吭哧分析半天,准确率还不到老手的一半。

但诡异的是,当研究者让老手们说出“你是怎么判断的”,他们给出的理由往往前后矛盾、甚至压根不成立。比如有人说“因为边缘模糊”,可下一张边缘模糊的片子,他又说没问题。其实他们的大脑早就完成了模式匹配,只是意识层面的解释是事后编的。

说白了,专家脑子里装的不是“如果A则B”的规则,而是一个经过了上万次反馈训练出来的高维概率地图。你拿个问卷去问,问出来的全是噪音。这就解释了为什么很多企业花大价钱搞的“专家系统”最后都成了摆设——你让专家写规则,他写出来的东西跟他实际做的,中间差着十万八千里。

认知心理学模式识别实验流程图认知心理学模式识别实验流程图

数字化不是把嘴巴里的东西录下来,那是录音笔干的活

现在市面上有一类做法,我特别想吐槽。就是给专家戴个麦克风,让他一边干活一边自言自语,然后拿语音转文字,再扔给大模型去抽知识。听着挺美对吧?

结果呢?专家干活的时候根本不说话。为啥?因为他的认知资源全用在手上了,根本没带宽去组织语言。偶尔蹦出几句,全是“嗯”、“这个”、“往左一点”。你让大模型抽什么?抽空气。

真正靠谱的路径,我观察到目前有三条,都在实验室里跑通了,但工程化各有各的坑。

第一条叫“行为埋点”。别去问专家怎么想,去记录他怎么做。有个做精密焊接的团队,他们在焊枪上装了六轴传感器,记录老师傅每一次焊接时的电流、电压、送丝速度、枪口角度、移动轨迹。几十万条数据下来,训了个时序模型。结果这个模型在标准工况下,焊接质量能达到老师傅的95%。但换个材料厚度,立刻拉胯。为什么?因为专家的核心能力是“变”,而数据记录的是“不变”。

第二条叫“对抗性复盘”。这个路子比较野。让专家和AI对同一个案例做判断,然后专门挑AI判断错的地方问专家:“你看,这里你跟他不一样,你当时到底看到了什么?”注意,问的不是“你用了什么规则”,而是“你看到了什么”。这个区别极其关键。有个做设备故障诊断的团队用这招,从一位老专家嘴里挖出了17个他自己都没意识到的“微征兆”。比如他听到某台泵的声音里有个极高频的“呲”声,持续不到半秒,那一定是密封圈开始老化。这种知识,你拿问卷永远问不出来。

专家与AI对抗性复盘工作流示意图专家与AI对抗性复盘工作流示意图

第三条更绝,叫“约束空间蒸馏”。上海有个搞中医舌诊数字化的团队,他们没去复制老中医的“望诊”逻辑,而是反过来做:让老中医在几千张舌象图上标出“确定健康”和“确定有病”的极端案例,中间那些模糊地带直接扔掉。然后用这些极端案例训练了一个轻量级模型,再用这个模型去反向标注那些模糊案例。迭代了几轮之后,模型在诊断准确率上超过了五年资历的主治医师。但老中医说:“它还是不懂‘气’。”

你看,数字化能复现决策的边界,复现不了决策的灵魂。不过话说回来,对于大多数工业场景,能把边界画清楚,已经能救命了。

最大的坑:你以为缺的是技术,其实缺的是“失败案例”

最大的坑:你以为缺的是技术,其实缺的是“失败案例”最大的坑:你以为缺的是技术,其实缺的是“失败案例”

我聊过不下二十个做专家经验数字化的团队,十个里有九个在头疼同一个问题:数据不够,尤其是失败的数据不够。

这事儿特别反直觉。专家之所以是专家,不是因为他成功了多少次,而是因为他把各种坑都踩遍了。他知道在什么条件下、出现什么微小信号、如果不采取什么干预、会在第几分钟之后导致灾难后果。这些知识全藏在“病例库”里。

但你去问企业要失败案例的数据,十个有八个拿不出来。要么是数据没存,要么是存了不敢给——怕担责。有个做飞机发动机维修的专家跟我说,他脑子里有一套“异响图谱”,各种故障的异常声音他都能分辨。但他退休之后,这套图谱就没了。我问为什么不做数字化?他说:“我录了三千条正常声音,录了二百条故障声音。但故障声音里,真正有代表性的只有二十条。剩下的全是干扰。模型学完了,把正常声音也判成故障。”

这就是小样本困境。专家经验的核心价值恰恰集中在那些低频高损的事件上,而这种事件天然就是稀缺的。你让大模型去学,它学到最后只会告诉你“一切正常”。

所以现在有一派比较务实的做法,叫“仿真增强”——先用物理模型生成海量的虚拟故障案例,把专家也拉进来,让他判断这些虚拟案例的真假。专家说“这个故障演化路径不合理”,就调整仿真参数;专家说“这个声音特征差了点意思”,就加噪声、改频域特征。来回迭代几十轮,相当于把专家的判别逻辑“反向蒸馏”进了仿真器里。

这法子慢。特别慢。但有个做核电设备健康管理的团队真这么干了三年,最后训出来的模型,在真实故障的提前预警上,比值班专家平均早了11分钟。11分钟,在核电场景里,够干太多事了。

写到最后

写到最后写到最后

我其实特别烦那种“专家经验数字化是必然趋势”的论调。趋势个屁。趋势是趋势,能不能做成是另一回事。这里面全是脏活累活——要跟老师傅喝酒套话,要在车间里蹲三个月记录每一个动作,要花两年时间攒一个只有几百条样本的故障库,要忍受模型在测试集上惨不忍睹的F1值。

但这件事的意义,不在技术本身。我见过一个五十多岁的锅炉调试专家,他这辈子调过的锅炉比很多人见过的都多。他退休那天跟我说:“我脑子里这些东西,带进棺材就没了。你要能给它留个影子,我请你喝酒。”

留个影子。这话多实在。数字化不是要造一个完美的专家替身,那做不到。但给那些无法言说的直觉留个可追溯、可查询、可迭代的影子,让后来的人能摸着影子往前走几步,这事儿,值得干。

至于那些张口闭口“大模型一键抽取专家知识”的,让他们先把手伸进机床里摸一摸。摸完了,再聊。