听潮有时与工厂共同构建制造业强化学习（RL）环境，让大模型学习制造一线的知识与经验。我们致力于加快人工智能在工业生产中的应用，推动中国制造业的智能化发展。
我们用工厂的业务记录搭建强化学习（RL）环境，让 AI 在当时的条件下尝试不同做法，看看每个决定会带来什么结果。这样练习的目的，是让 AI 将来能在工厂帮人排计划、应对临时变更。
过去几年，大模型主要依靠互联网上的公开文本完成训练，获得了理解和生成语言的能力。它可以解释什么是排产，却还不能替一家工厂排出一份可执行的计划。
当前的研发重点，是让 AI 在企业环境中独立完成实际工作。以一封询价邮件为例，它需要核对物料、测算成本、确认交期，再给出报价。这要求 AI 会使用业务系统，理解业务规则，并在信息不完整时做出判断。
强化学习（Reinforcement Learning，简称 RL）是让 AI 通过反复练习来掌握一项工作的训练方法。承担任务的 AI 称为智能体（Agent）。智能体被放进一个模拟的工作环境，接到任务后自行操作；每完成一次，由评分标准判断结果是否正确、质量如何，并给出相应的奖励信号（reward）。智能体据此调整自己的做法，练习的次数足够多，就逐步掌握这项工作。
这个模拟的工作环境，连同其中的任务和评分标准，称为 RL 环境。智能体从接到任务到完成的全过程，称为一条轨迹（trajectory）。
环境的质量决定训练的上限。环境越接近真实，智能体学到的能力越能迁移到真实的工作中。高质量的训练环境，是当前前沿大模型研发的重点投入方向之一。
假设客户来信，想把交期提前一周。最后那张排产表只写了怎么排。要知道当时还有哪些选择，得看那天的库存、机台排班，以及已经答应其他客户的交期。这些记录让我们能在训练环境里重现计划员接手时的局面。智能体每试一种排法，环境都能按厂里的规则检查用料和交期，看材料是否够用、别的订单能否按时交货。
要让这样的智能体在中国工厂用得上，训练时就要让它读得懂车间的中文工单，也能按厂里的规则查库存、调排班。我们希望将来计划员接到一笔急单时，可以让它先算一算哪些订单能挪、各要付出什么代价，再决定怎么答复客户。
基于工厂提供的授权数据，我们构建制造业强化学习（RL）环境。智能体可在 RL 环境中模拟实际生产流程中的关键操作，包括核对物料库存、调整生产排程和确认订单交期。环境评分器依据物料、产能和交付要求评估方案的可行性。智能体根据评分反馈反复训练、改进决策，直至达到相应任务的工业级应用标准。
与工厂一起梳理业务数据，确认有哪些数据、存放在哪里、权属归谁，明确哪些可以使用、哪些不涉及，并签署授权协议。
脱敏时保留订单、物料、机台和班次之间的关联。根据业务发生时的记录，可以还原计划员当时知道什么、手里有哪些选择。需要学习具体操作时，再把岗位人员的操作和讲解整理成可供示范的轨迹。
在模拟系统中还原业务发生时的状态，再请一线人员确定任务和验收条件。智能体每执行一步，系统都会更新相关记录。这样既能检查最后的结果，也能查出问题出在哪一步。
在工厂授权范围内，按模型厂商的训练和评测需求确定数据加工深度，交付包括制造业 RL 环境在内的数据产品。
一家精密机加工厂为设备制造商按订单生产零部件，品种多、批量小。客户来邮件，要求把一批已经排产的零件提前一周交货。计划员核对在制订单和设备负荷，采购确认材料的到货时间，生产主管协调加班，最后重排了两条线的计划，答复客户可以提前五天。
客户邮件、销售订单和改单记录保留了交期变更的经过。物料清单、库存、调整前后的排产表和工作群里的讨论，则记录了各部门作出判断的依据。用脱敏后的订单、物料、设备和工时记录还原改期当天的生产状态。智能体接到同一份改期通知，自行核算、重排并答复客户。每个方案都要核对材料供应、设备占用和其他订单的交期。
智能体在反复训练中学会了独立核算最早可兑现的交期，并列出需要改排的订单及各自的延期天数。经过微调，这项能力可泛化到其他制造行业的插单排产和交期调整场景。
一家汽车内饰注塑件厂按汽车行业的质量体系管理生产。客户投诉一批零件表面出现缩痕。质量工程师调出检验记录，组织生产和工艺人员分析，查明原因出在成型工艺的设置上，随后调整工艺、更新作业指导书，并向客户提交 8D 报告。
投诉邮件和检验记录反映了问题最初的情况。不良处理单、工作群讨论、工程变更单和 8D 报告记录了后续调查与处置。保留投诉发生时已有的检验和生产记录，让智能体追查原因、提出处置方案。质量工程师用后续的调查材料核对它的判断，重点看证据是否支持根因、纠正措施是否对症，以及有没有遗漏在库或在途的产品。
遇到新的质量投诉，智能体能够从缺陷追溯到受影响的批次，区分已经证实的原因与仍需验证的推断。质量工程师可以据此安排补检、复核纠正措施，再决定哪些产品能够放行。
一家服装加工厂承接海外订单。跟单员接到客户的翻单，在 ERP 中建立订单，核对面辅料库存，向供应商下达采购单，在表格中更新生产进度，并通过邮件向客户确认交期。
ERP 和进度表保留了操作结果。为还原跟单员每一步的判断，可以在获得授权后录制操作，并请跟单员同步讲解。将录屏和讲解脱敏后，把关键操作与对应的订单、库存和邮件对齐，整理成岗位操作轨迹。再换一张翻单，让智能体在模拟系统里完成跟进，核对采购数量、生产进度与客户回复是否一致。
在常规翻单中，智能体能够独立核对面辅料需求、建立采购单，并在 ERP 和进度表中同步更新订单状态。遇到缺料或供应商延期，它会标出受影响的订单，并将需要协商的交期提交跟单员确认。
制造企业在排产、交付和质量管理中积累的业务记录，是模型团队训练工业智能体时难以从公开渠道获得的材料。听潮有时基于工厂授权的数据开发制造业强化学习环境，帮助企业将长期用于内部经营的数据资产转化为收入。
合作工厂确定现有业务记录的授权范围。听潮有时将经过脱敏和企业审核的订单、排产及质量记录整理为训练任务，用于构建制造业强化学习环境。
围绕典型任务访谈计划员、质量工程师等一线人员，记录岗位操作及其判断依据，共同制定智能体完成同类任务的评分标准。
协助工厂建立电子化记录流程，将纸质工单、交接班记录和日常业务沟通按订单或生产批次归档，把原本分散的生产信息整理为可追溯、可授权使用的数据资产。
听潮有时基于工厂授权的业务记录开发强化学习环境，供模型厂商训练和评测工业智能体。相关环境产生商业收益后，合作工厂按约定参与分成。具体项目、收益范围和结算方式由双方在合作协议中明确。
每批数据离厂前由合作工厂审核签字。听潮有时保留相应的授权记录，每份训练材料均可追溯至工厂提供的原始记录，不伪造业务数据。
人名、客户和供应商名称、联系方式替换或删除，税号和银行账号去除，录屏中出现的客户信息做遮盖处理。涉及员工聊天记录的，事先书面告知员工。
处理后的数据用于大模型训练与评测，具体用途和接收方由双方在合同中约定。我们按约定用途清洗、标注和整理脱敏记录，需要构建完整环境时，再还原业务发生时的系统状态。
合作取决于业务记录能否还原一项具体工作。现有系统中的记录可以纳入授权范围，尚未电子化的环节也可以通过岗位访谈或电子化记录开展合作。
客户名称、联系人和价格信息，在出厂前替换或去除。客户委托的图纸和协议不在范围内。
听潮有时专注于制造业强化学习（RL）环境的研发。我们与中国工厂合作，将经过授权和脱敏的业务记录转化为可交互、可评测的训练场景。我们致力于通过强化学习提升大模型理解生产约束、权衡业务目标和执行复杂工业任务的能力，推动中国制造业的智能化升级。
听潮有时遵循《个人信息保护法》《数据安全法》的要求，不采集员工的人事和薪酬信息。用于训练的业务记录在离厂前完成脱敏，姓名、联系方式以及录屏中可识别客户身份的信息均予以删除、替换或遮盖。
合作工厂决定哪些业务记录可以提供，并与听潮有时在合同中明确数据用途和接收方。每批数据离厂前均由工厂审核确认，后续加工和使用以双方约定的授权范围为限。
听潮有时保留业务记录与授权文件的对应关系，使训练材料的来源可追溯、可核验。对外介绍明确区分业务示例与实际合作成果，披露合作方名称或引用其案例须经合作方确认。
