制造 的AI职业风险
制造业看起来高度可自动化，因为车间的大部分已经被测量：传感器追踪振动、温度和产出速率，机器视觉系统发现产线上肉眼可见缺陷的速度和一致性，都超过一名整个班次盯着同一零件的检验员。预测性维护系统已经能在人察觉之前标记出轴承磨损或电机过载。但当出问题时，工厂并不会自己运转起来。判断缺陷为何出现、如何修复一个已经不再符合规格的流程，仍然依赖那些理解设备本身、而不只是理解数据流的人。
行业平均风险分数
41.63
分析职业数
8
如何更好地阅读这一页
下面的固定解说会帮助读者理解分数该怎么看、自动化压力通常先出现在哪些环节，以及这个行业里哪些价值仍更可能由人来主导。
如何阅读本行业页面
把制造业中稳定且可测量的工作，同应对意外的工作区分开来。针对已知缺陷模式的视觉检验、记录工作日志、标记预测性维护警报，以及将流程与标准参数对比，都是稳定的：传感器和视觉系统已经持续在做这些工作的大部分。而决定停线、诊断一种此前未见的新缺陷类型，以及重新设计一个已不再适应现状的工序步骤，则是响应性工作：它们需要一个监测系统所不具备的、关于机器和产品的运作性理解。同一个车间中，两类工作以不同比例存在于不同岗位。
更容易被自动化的部分
AI 和自动化最先进入的是产线视觉缺陷检验、来自振动和热感传感器的预测性维护警报、自动化工作记录和生产日志、按规格进行的统计过程比较，以及协助在多台机器间排序作业的排程支持。机械臂已经在稳定、高产量的产线上处理重复的装配和物料搬运工作。而在停线决策上，当缺陷模式与系统曾见过的任何东西都不匹配时，在需要追溯多个工序环节的根因诊断上，以及在依赖经验丰富的操作员察觉传感器未被调校去检测的异常时的现场流程改进上，它就会止步。
仍然由人主导的部分
始终保持人类主导的，是诊断陌生情况并决定如何应对。追溯间歇性故障真实原因的维修技术员、判断一次偏差是可以带病运行还是需要停线的产线主管，以及在注意到反复出现的险情后重新设计工序的工艺工程师，都承担着传感器无法复制的判断力。能在任何仪表还未显示异常之前就察觉不对劲的资深操作员，以及调查缺陷为何出现（而不只是标记它确实出现了）的质量工程师，保留着自动化能够辅助、却无法接管的工作。
看分数时要注意什么
阅读制造业分数时，要把常规监测同响应与诊断区分开来。一名对照固定标准做视觉检查的质检员风险分数更高，因为视觉系统已经能可靠地完成这项工作。而一名诊断根因的维修技术员，或做出停线决定的产线主管分数更低，因为这份工作是在应对意外，而不是重复一项检查。同一个生产车间里，从外部看都算「制造业工作」的不同岗位，可以呈现出很大范围的分数差异。
AI高风险职业
下表展示的是该行业当前更偏高风险一侧的职业快照。它更适合与上面的固定解说结合阅读，而不是被当成长期不变的例子清单。
AI低风险职业
下表展示的是该行业当前更偏低风险一侧的职业快照。它适合用来比较工作结构，而不是用来断言这些岗位以后一定不会变化。
常见问题
Q.制造行业中,哪些工作最容易受到AI的影响?
在制造行业中,AI风险评分最高的工作包括质量保证专家。上方展示了制造行业中受影响程度从高到低的完整排名。
Q.制造行业中,哪些工作最不容易受到AI影响?
制造行业中受AI自动化影响最小的岗位包括机械维修技师。这些工作通常依赖判断力、现场实际操作或责任担当,而这些是目前的AI无法承担的。
Q.制造行业对AI来说安全吗?
没有哪个行业是完全安全或完全高危的。在制造行业内部,从事常规信息处理的岗位比依赖判断力和责任担当的岗位更容易受到AI影响。因此,该评分更适合被理解为任务受AI影响程度的信号,而不是对失业情况的预测。
Q.制造行业的AI风险评分是如何计算的?
该评分是我们所追踪的制造行业各职业AI风险的平均值,每周更新一次。有关基础评分的计算方式及解读方法,请参阅方法论页面。