不上大模型也能少报废——一张 Excel，把质量从检验工位挪回切割工位
10 月一份工厂数字化实战手册里有一句话很扎眼：深圳一家汽车零部件厂，只是把设备数据、SPC 和预警策略用起来，一层大模型都没上，三个关键零件的报废率降了约 22%。他们的做法翻译成我们能干的事只有两件——把参数和检验结果记在同一行，把每一件料对上号。这两件事，一张 Excel 加一支马克笔就能开始
这几年听到的「AI 降本」，大多是先买一套东西，再去想它能干什么。10 月看到一份深圳华制的实战手册，讲的是反过来的顺序：深圳一家汽车零部件厂，项目上线六个月，三个关键零件的报废率下降约 22%——而他们「只是用起了设备数据 + SPC + 预警策略，并没有上任何花哨的大模型」。我把这段话读了三遍，因为它说的正是我们这种厂能立刻做的：不开新项目，不买新设备，把已经在手上、只是散在几个本子里的东西，记到同一行去。
报废的钱，多半是在切割那一刻就花掉的
以前我们讲质量，讲的都是检验：留样卡、首件签认、流转卡拦截。这些都对——但那是事后的判据。件已经切出来了，检验员能做的只有挑出来报废，或者放行赌一把。
那家厂的做法换了个位置：把工艺参数、设备参数、检验结果关联到同一颗「产品血缘」上，再用很朴素的统计去看——是哪几个参数凑在一起的时候，废品就多。这一步不需要模型，需要的是「同一行」。
质量不是检出来的，是同一组参数长期跑下来的结果。
三参数对照台账：先只跟六个典型件
所以从今天起，我们起一张新表，叫《三参数对照台账》，一天记几行就够：材质、板厚、激光功率、切割速度、气体压力、检验结果（合格/挂渣/过烧/尺寸超差）——全部写在同一行，中间不换表、不换本。
范围先卡死：只跟最常见的六个典型件，不要一上来全厂铺。六个件跑满一个月，我们就能知道「这组参数在哪批料上栽过」，这比听十场发布会管用。至于 22% 这个数——那是人家的统计口径，我们只搬方法，不搬数字。
没有「这件料是谁的」，就永远只能事后算账
那份材料里有个词我一直记着：产品血缘树。听着玄，其实就是每一件料都能倒查回它用的是什么材质、哪台机、哪组参数、哪一批。没有这棵树，出了批量问题，我们只能把整批翻一遍。
门槛最低的版本我们已经拖了很久，今天必须落地：下料之后赋码——编码就四段：材质 + 板厚 + 工单号 + 序号，一块几十块的钢印或一支记号笔，切完就打在余料边上。没有赋码就没有血缘，没有血缘就永远只能事后报废分析，做不了事前预警。
能倒查到哪件料，才谈得上提前拦住哪批货。
预警线不追求准，先追求「有人看一眼」
那份材料给的应用层原则我完全同意：不追求一上来 100% 准确，先把「高风险批次」的预警做起来。有人以为 AI 质检必须一步到位，结果卡在收集数据的路上，两年过去还在收集。
我们的做法是：台账里某个组合连续出现两次不合格，就在工单上画红圈，切完先停机量三件再继续。红圈由人画、由人复判——机器不给结论，只帮我们把可疑的那一拨人找出来。这条和我们一直守的规矩一致：AI 只准出草稿，人签字才下车间。
先让可疑的批次被看见，再谈让它被算准。
顺便说一句：那些 2000 万的柔性线，我们学它的方法不学它的钱
同周还有一条消息：沈阳一家电梯厂的智能钣金柔性线，六分钟出一台轿厢总成，非标件过去一年要画十四万张图，现在图纸直接导入自动识别、换材质不停线。听着让人眼热，但原文也写得很老实——投资超过 2000 万，而且他们的工程师自己说焊接视觉补偿目前仍是「过渡方案」。
我们的位置很清楚：2000 万的线买不起，但「把参数和结果记在一起」这件事，今天下班前就能开始。等哪天这张表填满了，我们才知道自己到底需不需要更贵的东西。
先把自己手上的数据用尽，再谈添设备。
把图纸交给我们，把省心留给自己
