1. 从一张“全景图”说起烟草工业为什么需要AI场景清单第一次看到“20个部门、53个场景”这个数字组合时我的直觉是这不是一份技术方案而是一份组织级的AI落地地图。做过企业级项目的人都知道技术选型从来不是最难的难的是让二十个业务部门坐在一起承认“我们这里确实有个问题值得用AI去解”。烟草工业公司这类大型制造企业组织架构复杂、数据敏感度高、生产流程受严格监管任何一个新技术的引入都必须先回答三个问题用在哪个环节、解决什么痛点、数据怎么管。这份全景图的价值恰恰在于它把这三个问题一次性摊开在桌面上。所谓“全景图”本质是一份场景资产盘点表。它把分散在各科室、车间、物流中心、质检站的需求按照部门维度归拢再按照技术可行性、数据就绪度、业务价值三个坐标轴做筛选。53个场景听起来多但拆开看无非是几类核心能力的排列组合文档与知识处理、视觉检测、预测与优化、交互与问答、流程自动化。烟草工业的特殊性在于它的数据既有高度结构化的生产参数温度、湿度、含水率、重量也有大量非结构化的文本配方记录、质检报告、设备日志、监管文件还有图像烟叶等级、包装外观、条码。这三类数据对应三种不同的AI能力混在一起谈“上AI”是没有意义的。我见过太多企业做AI规划时犯同一个错误先买算力、先搭平台然后才去找场景。结果平台建好了业务部门不买账最后变成IT部门的自娱自乐。这份全景图的正确打开方式应该是反过来的——先有场景清单再有技术架构。20个部门53个场景意味着至少53个明确的“需求锚点”每一个锚点都可以独立评估、独立试点、独立验收。这种“小步快跑、以点带面”的策略在烟草这种强监管、重资产的行业里比“大平台大中台”的激进路线要稳妥得多。提示如果你所在的企业也在做类似的AI规划建议先把“场景清单”和“技术平台”分开立项。场景清单是业务语言技术平台是IT语言两者混在一起讨论会议永远开不完。2. 53个场景背后的技术分层哪些能快速落地哪些是长期工程2.1 第一层文档与知识类场景最容易见效的“低垂果实”53个场景里我判断至少有三分之一属于文档与知识处理类。烟草工业公司的文档体系极其庞大配方档案、工艺标准、设备手册、质检记录、监管申报材料、内部通知、会议纪要。这些文档分散在不同系统、不同格式、不同版本里查找和复用成本极高。知识库问答和文档智能检索是这一层最典型的场景。具体到技术实现这一层通常走检索增强生成路线把文档切片、向量化、存入向量数据库用户提问时先检索相关片段再交给大模型生成答案。这个路线的好处是不需要微调模型落地周期短数据更新也方便。但坑在于烟草行业的文档里有大量专业术语、缩写、内部代号通用嵌入模型的效果往往不理想。我的经验是先用通用模型跑一版基线再针对高频查询做术语词典和同义词扩展效果提升比直接换模型更明显。另一个容易被低估的场景是文档合规检查。烟草行业受严格监管申报材料、标签标识、广告用语都有明确规范。用AI做初步合规筛查把明显违规的表述标出来人工再复核能省掉大量重复劳动。这个场景的技术难点不在模型而在规则库的维护——监管要求会变规则库必须能快速更新所以架构上要把“规则”和“模型”解耦。2.2 第二层视觉检测类场景数据质量决定天花板烟草工业的视觉检测需求非常集中烟叶分级、烟丝异物检测、包装外观缺陷、条码识别、成品计数。这类场景的技术路线相对成熟核心是目标检测和图像分类。但我在实际项目里发现视觉检测的成败往往不在模型结构而在数据采集和标注。烟叶分级是个典型例子。不同等级烟叶的颜色、纹理、油分、叶片完整度都有细微差别这些差别在标准光照下才能稳定呈现。如果采集图像时的光照条件不一致模型学到的就是光照差异而不是等级差异。我的做法是先固定采集环境光源、角度、背景再采集至少5000张覆盖各等级的样本标注时由两名以上质检员交叉确认。这一步做扎实了后面用YOLO还是Faster R-CNN反而不是关键。包装外观缺陷检测的难点在于缺陷样本稀少。正常产品占绝大多数缺陷品可能只有千分之几。这种情况下异常检测路线比监督分类更合适只用正常样本训练推理时把偏离正常模式的判为异常。缺点是误报率可能偏高需要结合业务规则做二次过滤。场景类型推荐技术路线数据要求落地周期烟叶分级监督分类目标检测每等级≥1000张光照固定2-3个月异物检测异常检测规则过滤正常样本≥5000张1-2个月包装缺陷异常检测或小样本学习正常样本充足缺陷样本尽量收集2-4个月条码识别传统CV深度学习少量样本即可2-4周2.3 第三层预测与优化类场景价值最高但门槛也最高生产参数优化、设备预测性维护、能耗优化、库存预测——这类场景是烟草工业AI应用中业务价值最高的部分但也是技术门槛和数据门槛最高的部分。原因很简单预测和优化需要高质量的时间序列数据而烟草生产线的数据往往分散在SCADA、MES、ERP等多个系统里时间戳对不齐、采样频率不一致、缺失值处理方式不统一。我做过一个制丝线含水率预测的项目目标是提前10分钟预测出口含水率给操作工留出调整时间。数据来自多个传感器采样频率从1秒到1分钟不等。第一步不是建模而是做时间对齐和重采样。把高频数据降采样到统一频率用插值处理缺失值再用滑动窗口构造特征。模型本身用的是梯度提升树效果比深度学习还好——因为样本量只有几万条深度学习容易过拟合。设备预测性维护的坑在于标签定义。什么叫“故障”是设备停机才算还是参数超限就算不同定义下训练出来的模型预警提前期和误报率完全不同。我的建议是先和业务部门一起定义清楚“故障事件”的边界再倒推需要哪些传感器数据。这一步偷懒后面模型再好也没用。2.4 第四层交互与流程自动化智能体的主战场“智能体”是这份全景图里绕不开的关键词。53个场景中相当一部分可以用智能体架构来承载用户用自然语言提出需求智能体调用工具、查询数据、执行操作、返回结果。比如“帮我查一下今天A线的不良品率如果超过阈值就通知质检科”这就是一个典型的智能体任务。智能体的技术栈目前主流是大模型工具调用工作流编排。大模型负责理解意图和生成回复工具调用负责连接业务系统工作流编排负责控制执行顺序和异常处理。烟草工业的场景里智能体最适合做跨系统的信息聚合和初步决策而不是直接控制生产设备。原因还是数据安全和责任边界——让AI直接下发控制指令风险太高监管也过不了。注意智能体落地时权限管理比模型能力更重要。一个能查询生产数据的智能体必须严格限制它能访问哪些表、哪些字段、哪些时间段。我见过因为权限配置疏忽导致敏感数据泄露的案例教训很深刻。3. 私有化部署与信创适配烟草工业AI的硬约束3.1 为什么私有化部署是必选项而不是可选项烟草工业公司的数据敏感度决定了公有云API基本不可行。配方数据、生产工艺参数、质检记录、销售数据任何一项泄露都可能造成重大损失。所以AI应用必须私有化部署——模型跑在企业自己的服务器上数据不出内网。私有化部署的第一个现实问题是算力成本。大模型推理需要GPU一张A100或同等算力的卡成本不低。53个场景如果每个都配独立算力预算根本扛不住。我的建议是算力池化按需调度建一个统一的推理集群多个场景共享用容器化方式隔离。推理服务用vLLM或TGI这类框架支持动态批处理能把GPU利用率从30%提到70%以上。第二个问题是模型选型。私有化部署不一定要用最大的模型。7B到14B参数量的模型经过领域微调或提示词优化在很多场景下已经够用。比如文档问答、信息抽取、简单分类小模型完全能胜任。只有复杂推理和长文本生成才需要更大的模型。混合部署是更务实的策略小模型处理高频简单任务大模型处理低频复杂任务。3.2 信创适配的坑从芯片到中间件的全链路兼容“信创”这个词在烟草工业的AI规划里出现频率极高。信创适配不是简单地把软件装到国产服务器上而是从芯片、操作系统、数据库、中间件到应用的全链路兼容。我踩过的坑包括某些深度学习框架在国产芯片上的算子支持不全某些向量数据库在国产操作系统上的编译问题某些模型格式转换工具在信创环境下的依赖缺失。我的经验是信创适配要尽早做不要等到应用开发完了再迁移。在技术选型阶段就把信创兼容性作为硬指标优先选择已经完成信创适配的框架和工具。比如向量数据库选Milvus或Qdrant的信创版本推理框架选支持国产芯片的版本模型格式优先用ONNX这种跨平台格式。如果某个组件没有信创版本要么找替代方案要么做好自己适配的准备——后者的工作量往往被严重低估。技术组件信创适配关注点常见问题深度学习框架国产芯片算子支持部分自定义算子无法运行向量数据库国产OS编译与依赖缺少系统库需手动编译推理框架国产芯片加速库性能调优文档少模型格式跨平台转换工具转换后精度损失容器运行时国产OS兼容性cgroup版本差异3.3 离线环境下的依赖管理一个容易被忽视的细节私有化信创往往意味着离线环境——服务器不能访问外网所有依赖必须提前准备好。这在AI项目里是个大麻烦因为Python生态的依赖树极其复杂一个包可能依赖几十个其他包。我的做法是在联网环境用pip download把所有依赖下载到本地再用pip install --no-index离线安装。但要注意有些包在下载时会根据平台选择不同的wheel文件必须确保下载环境和目标环境的平台一致。更稳妥的方式是用Docker镜像打包整个运行环境在联网环境构建好镜像导出成tar文件再导入到离线环境。这样能避免绝大多数依赖问题。如果信创环境不支持Docker那就用conda-pack把整个Python环境打包效果类似。提示离线环境里时间同步也是个坑。有些模型推理框架依赖准确的时间戳如果服务器时间偏差太大可能导致缓存失效或日志混乱。部署前记得检查NTP配置。4. 20个部门的场景怎么排优先级一套可复用的评估框架4.1 业务价值、数据就绪度、技术可行性三维打分53个场景不可能同时做必须排优先级。我常用的框架是三个维度各打1-5分然后加权求和。业务价值看的是这个场景能省多少人、减少多少损失、提升多少效率数据就绪度看的是数据有没有、质量怎么样、能不能拿到技术可行性看的是当前技术能不能做、有没有成熟方案、团队能不能hold住。三个维度里数据就绪度往往是一票否决项。一个场景业务价值再高如果数据拿不到或者质量太差硬做就是给自己挖坑。我见过一个设备故障预测的项目业务价值评分很高但数据就绪度只有2分——传感器数据缺失严重历史故障记录不完整。强行上马的结果是模型效果惨不忍睹业务部门从此对AI失去信心。我的建议是第一轮只做数据就绪度≥4分的场景哪怕业务价值不是最高的。先把一两个场景做成功建立信任再逐步啃硬骨头。烟草工业这种组织里信任比技术更重要。4.2 快速见效场景与战略场景的配比排优先级时还要考虑节奏。全部选快速见效的场景短期好看但长期缺乏深度全部选战略场景周期太长中间容易被质疑。我的经验配比是7:3——70%的资源做6个月内能见效的场景30%的资源做12个月以上的战略场景。快速见效场景通常是文档问答、报表自动化、简单视觉检测这类技术成熟、数据现成、业务痛点明确。战略场景通常是生产优化、预测性维护、全链路质量追溯这类需要数据治理、系统集成、组织协同。两者并行推进快速场景为战略场景争取时间和信任战略场景为快速场景提供数据基础和平台能力。4.3 部门协同中的“谁牵头、谁买单、谁验收”53个场景涉及20个部门责任划分是最大的组织难题。我的经验是业务部门牵头IT部门支撑财务部门买单业务部门验收。听起来简单执行起来全是细节。业务部门牵头意味着他们要对场景的业务效果负责而不是把需求提给IT就完事。IT部门支撑意味着他们提供技术方案、平台能力、数据接口但不承担业务效果责任。财务部门买单意味着预算从业务部门的数字化预算里出而不是IT预算。业务部门验收意味着验收标准由业务部门定IT部门配合。这套机制的好处是避免“IT自嗨”。我见过太多AI项目IT部门觉得技术很牛业务部门觉得没用最后不了了之。根因就是责任错位——做的人不负责效果负责效果的人不参与过程。5. 从场景清单到落地我踩过的五个坑5.1 坑一把“AI能做什么”当成“业务需要什么”技术团队容易陷入“手里有锤子看什么都是钉子”的状态。大模型火了就想把所有场景都套上大模型计算机视觉成熟了就想用视觉解决所有质检问题。但业务部门的真实需求往往更朴素减少重复劳动、降低人为误差、加快响应速度。有时候一个规则引擎就能解决的问题不需要上AI。我的做法是先和业务部门一起画流程图标出每个环节的耗时、出错率、人工介入程度。然后问这个环节如果AI来做能改善哪个指标改善幅度有多大如果答不上来这个场景就先放一放。5.2 坑二低估数据治理的工作量AI项目里数据治理的时间往往占整个项目周期的60%以上。烟草工业的数据分散在多个系统格式不统一、口径不一致、缺失值多。我做过一个质检报告信息抽取的项目原以为两周能搞定结果光数据清洗就花了一个月——不同车间的报告模板不一样同一个字段在不同报告里叫法不同有些报告还是扫描件需要OCR。教训是在项目排期时数据治理单独列一个阶段给足时间。不要指望“边做边治理”那样只会让项目无限期拖延。5.3 坑三忽视一线操作工的体验AI应用最终要落到一线操作工手里。如果操作界面复杂、响应慢、误报多他们很快就会弃用。我见过一个视觉检测系统模型准确率很高但操作工嫌它报警太频繁最后把报警声音关了——系统形同虚设。我的经验是让一线操作工参与需求定义和验收测试。他们最清楚哪些误报可以接受、哪些不能接受界面怎么设计最顺手。有时候一个简单的“一键反馈”按钮就能让操作工愿意用这个系统。5.4 坑四模型更新和维护没有规划AI模型不是一次部署就完事。数据分布会变、业务规则会变、设备会更新模型需要持续迭代。但很多项目在验收后就没人管了模型效果逐渐下降最后被弃用。我的建议是在项目规划时就明确模型维护的责任人和频率。至少每季度做一次效果评估每半年做一次数据更新和模型重训。维护成本要算进项目预算不能只算开发成本。5.5 坑五安全合规审查滞后烟草行业的AI应用涉及数据安全、生产安全、监管合规。如果等到项目快上线才做安全审查很可能发现架构需要大改。我的做法是在技术方案设计阶段就引入安全和合规团队让他们参与架构评审。数据脱敏、权限控制、审计日志、模型可解释性这些都要提前设计而不是事后补丁。6. 2027年指引版的前瞻哪些技术趋势值得关注6.1 智能体从“能聊天”到“能干活”2027年的智能体不会停留在问答层面而是深度嵌入业务流程。比如质检智能体不仅能识别缺陷还能自动生成质检报告、触发返工流程、更新质量档案。这需要智能体具备工具调用、多步规划、异常处理的能力目前的技术还在演进中但方向是明确的。对烟草工业来说智能体最可能先落地的场景是跨系统信息聚合和流程自动化。比如“查一下这批烟叶的入库时间、质检结果、当前库存位置如果质检不合格就通知采购部”这种任务涉及多个系统人工做很繁琐智能体做很合适。6.2 小模型领域微调成为主流大模型虽然能力强但私有化部署成本高、推理速度慢。2027年7B到14B参数量的领域微调模型会成为烟草工业AI应用的主力。这些模型在通用能力上不如大模型但在特定任务上经过微调后效果可以接近甚至超过大模型而推理成本只有几分之一。微调的关键是高质量领域数据。烟草工业有大量专业文档、质检记录、工艺参数这些都是微调的优质素材。我的建议是从现在开始有意识地积累和标注领域数据为未来的模型微调做准备。6.3 信创生态的成熟会降低适配成本信创适配目前是个苦活但趋势是向好的。国产芯片的AI算力在提升深度学习框架的信创版本在完善中间件的兼容性在改善。2027年信创适配的工作量应该会比现在少很多。但提前布局仍然重要——等到生态成熟再入场竞争格局已经定了。我的建议是在非关键场景上先试水信创方案积累经验培养团队。等到关键场景需要信创适配时不至于从零开始。7. 给正在做AI规划的同行的几条实在建议第一不要追求“全景图”的完美。53个场景不可能每个都做深做透先选3-5个做成功比画一张漂亮的规划图更有说服力。全景图的价值在于对齐认知让20个部门知道AI能干什么、不能干什么而不是当成KPI去逐项完成。第二数据治理的投入要单独列预算。我见过太多项目把数据治理当成“顺便做的事”结果项目延期、效果打折。数据治理是AI的地基地基不牢楼越高越危险。第三一线员工的反馈比模型指标更重要。模型准确率95%听起来很好但如果一线操作工觉得不好用这个系统就是失败的。验收标准里一定要有用户体验指标比如操作步骤数、响应时间、误报接受度。第四安全合规不是障碍是护栏。烟草行业的特殊性决定了AI应用必须稳字当头。把安全合规当成设计约束而不是事后审查反而能让架构更清晰、责任更明确。第五保持技术敏感度但不要追新。AI技术迭代很快今天的热点明天可能就冷了。我的原则是成熟的技术大胆用新兴的技术小范围试不成熟的技术先观望。烟草工业的场景容错率低稳比快重要。最后分享一个我自己的习惯每做一个场景都写一份**“场景复盘”**记录数据怎么来的、模型怎么选的、效果怎么样、踩了什么坑、下次怎么改进。这些复盘积累下来就是团队最宝贵的资产。53个场景做完你就有53份实战教材比任何培训都管用。
