有人担心所有工作会同时被自动化。车间经验给出另一幅近景：远程知识工作可能先被替换，需要手和空间直觉的活会滞后一截。
评测很土：给一张黄铜零件图，要求用三轴铣和两轴车写出详细工艺。这不是航天件，一般样品车间当常规。结果是：多数模型认不出平面、孔，甚至幻觉出不存在的轴向孔。视觉基准上像专家，真实零件描述却崩。
看见了也不等于会做
有的模型偶尔能认出主要特征，工艺仍然充满物理错误：细长件不考虑刚性和振刀；夹具挡住了要加工的面还建议旋转夹具；钻小孔把点钻写成可选；刀具会撞台肩。读起来像会背切削速度、却没在脑子里走一遍装夹。
真正工作比写计划难一个数量级：刀尖半径、避让、涂层、效率都是空间权衡。仿真容易培养「会 CAD 不会现场」的同一类缺陷。
落地清单
- 别用多选题视觉榜代替现场任务。
- 政策与职业规划要准备「部分自动化窗口」，不要默认全员同时上岸。
- 默会知识难数字化，奖励信号长、试错贵且危险，进度可能慢于写代码。
鹦鹉学舌教科书和会干，不是一回事。这段窗口会带来阶层张力，假装不存在更危险。
本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源
常见问题 FAQ
为什么说远程知识工作比车间手工作业更容易被AI自动化？
文章指出，需要“手和空间直觉”的车间工作，其自动化进程会滞后于远程知识工作。因为这类工作涉及复杂的物理交互和“默会知识”，比如刀具轨迹规划、装夹刚性判断，这些是纯粹基于数据训练的模型难以可靠掌握的，需要更长的试错周期和更昂贵的验证成本。
“看见了也不等于会做”在AI理解工业任务时具体指什么？
这指的是当前前沿AI模型在视觉上可能能识别零件特征，但当被要求输出具体的加工工艺时，会产生大量物理错误。例如，它可能无视细长工件的振动问题，或规划出会与夹具碰撞的刀路。这表明模型缺乏对制造过程因果关系的真实理解，是“背教科书”与“会干”的关键区别。
在实际加工任务中，当前AI模型最常犯哪些类型的工作错误？
根据文章描述，模型在工艺规划上容易出现多种不切实际的错误。比如：忽略细长零件加工时的刚性和振刀问题；设计的夹具会挡住加工面；不重要的步骤（如点钻）写成可选；甚至规划出会撞上工件台肩的刀具路径。这些错误表明其缺乏现场经验。
如何才能准确评估AI模型在真实工业场景中的应用能力？
文章明确反对“用多选题视觉榜代替现场任务”。正确的评估应该基于具体的、贴近实际的工业任务，例如给定一个零件图纸，要求模型输出完整的工艺清单。这类任务能综合检验其特征识别、物理规则运用和工艺逻辑规划能力，比单纯的视觉评测有效得多。
文章认为，哪类工作知识最难被数字化并交给AI？
最难的是存在于车间工人大脑中的“默会知识”。这是一种基于长期实践、难以言传的空间直觉和应变经验，比如通过声音判断切削状态、凭手感调整进给。文章强调，奖励信号长、试错代价高且危险，使得这类知识的数字化进度可能远慢于代码编写。
为什么企业和职业规划需要重视“部分自动化窗口”？
因为自动化不会同步“全员上岸”，会形成一个过渡窗口期。提前规划能应对伴随而来的“阶层张力”：一部分工作先被替代，另一部分仍需人力。忽视这个窗口，可能导致人才断层、技能错配和社会准备不足。我们需要为这种渐进式变革做好政策与个人技能上的准备。