摘要：制造企业已经不缺CAD、CAE、CAM、MES、ERP和PLM，真正缺的是能把数据、知识、规则和工业软件组织起来，替岗位人员完成工程任务的数字工匠。
过去二十年，制造企业持续建设数字化基础设施。
设计部门使用CAD和CAE，工艺部门配置CAM和工艺管理系统，生产现场运行MES，经营管理依赖ERP，产品数据进入PLM，质量部门也有独立的信息系统。
从系统覆盖范围看，制造企业已经不缺软件。
但在实际工作中，工程师依然要花费大量时间查找资料、核对版本、转换格式、确认参数、整理报告，并在不同系统之间反复切换。设计数据在CAD中，物料数据在PLM和ERP中，生产数据在MES中，质量记录又分散在另一套系统里。
系统记录了业务，却没有主动承担工程任务。
制造业下一阶段的智能化，需要解决一个更具体的问题：如何让企业已有的数据、知识、规则和工业软件共同服务于岗位人员。
这也是“数字工匠”的出发点。
从“人使用软件”走向“人指挥数字工匠调用软件”
传统工作模式下，工程师需要学习每一套软件的操作方法，理解不同系统的数据结构，并亲自完成大量重复步骤。
数字工匠加入后，工作方式可以发生变化。
工程师提出任务，例如：
- 查找与当前设备最接近的历史设计方案；
- 检查一份BOM是否存在缺项和版本冲突；
- 分析某个零部件变更会影响哪些工艺和采购任务；
- 根据零件特征推荐工艺路线；
- 汇总检测结果并生成质量分析报告；
- 调用仿真软件执行一组工况计算。
数字工匠负责理解任务、查找数据、调用模型和工业软件、组织执行流程，并把结果和依据返回给工程师。
工程师仍然负责关键判断和最终确认，但不再需要亲自完成所有机械性的查找、切换和整理工作。
这意味着工业AI不再停留在问答界面，而是进入研发、工艺、制造和服务流程。
数据本体决定工业AI能否理解企业
通用大模型能够理解语言，但工业任务远比语言问答复杂。
一台压力机可能包含产品型号、总成、部件、零件、二维图纸、三维模型、设计BOM、工艺路线、模具、设备资源、仿真结果、质量记录和维保案例。
同一个零部件，还可能同时存在于CAD、PLM、ERP、MES和质量系统中。
数字工匠要完成工程任务，首先需要知道：
- 这个零部件是谁？
- 它属于哪个产品？
- 当前使用的是哪个版本？
- 修改它会影响哪些图纸、工艺和物料？
- 对应的设计规则和检验依据是什么？
这些信息不能仅靠文件夹和数据库表来组织，需要用数据本体把产品、部件、图纸、BOM、工艺、质量和服务组织成相互关联的工业对象。
数据本体让数字工匠拥有理解企业工业世界的基础。
工业智能算网让能力可以被统一调度
数据组织起来之后，还需要连接模型、算力和工业软件。
博雅云创提出的工业智能算网，承担企业工业AI运行底座的角色。
它可以统一连接企业内部数据、通用大模型、行业模型、视觉模型、专业算法、本地算力以及CAD、CAE、CAM、PLM、ERP和MES等系统。
数字工匠位于最接近用户的一层，根据岗位任务调度这些资源。
因此，完整的工业智能体系由三个部分组成：
数据本体负责理解工业对象，工业智能算网负责组织资源，数字工匠负责完成岗位任务。
在工业软件中试验证中，某大型石油集团的场景也说明了同一个问题：企业不是缺少单个工具，而是需要把设备对象、专业软件、工程规则、历史资料和岗位任务串成可执行流程。只有这样，AI才能从“问答助手”进入“工程执行助手”。
每一次任务都可以增加企业的数据资产
数字工匠还有一项长期价值。
工程师提出任务，数字工匠调用数据和工具，生成方案或报告，工程师审核确认，最终结果进入对象关系和证据链。
经过持续运行，企业会逐步积累：
- 经过确认的设计参数；
- 可复用的工艺规则；
- 具有适用条件的仿真结果；
- 完整的变更原因和影响范围；
- 质量缺陷与工艺参数之间的关系；
- 故障现象、处置方案和验证效果。
这些数据不是简单的文件堆积，而是具有对象标识、业务关系、适用条件和验证依据的高质量研发数据集。
数字工匠使用得越深入，企业积累的数据越完整，后续智能能力也越贴近自身业务。
制造业的智能化，不只是增加一个AI工具。
它需要逐步形成一套由数据本体、工业智能算网和数字工匠共同支撑的工程智能体系。