在产线上听轰鸣

——李公文：我所理解的工匠精神和我的传承观

   李公文在安徽省总工会展馆现场。本报记者 胡潇/摄

“如果你真心热爱制造，就勇敢走进工厂的轰鸣里，因为再聪明的算法，也要在产线的震动中才能找到它的答案。”——李公文（芜湖安普机器人产业技术研究院有限公司研发总监，高级工程师、高级技师）

在第三届大国工匠创新交流大会的工匠故事角，这位从事机器人集成及工业大数据应用研究的大国工匠，用最真诚的话语为心怀制造梦想的年轻人指明了方向。同时，李公文分享了他对新时代工匠精神的深刻理解以及匠心如何在智能制造时代薪火相传。他从自身实践出发，围绕“极致与尊重”“跨界视野”“人才传承”及“校企合作”四个维度，系统阐述了一名大国工匠的炼成之道。

我理解的工匠精神：“是对技术的极致追求，对现场的深度尊重” 

在我们做机器人系统集成和工业大数据的应用过程中，预测性维护是一个典型的AI落地场景。而这里的“工匠精神”，我理解为两个层面的坚持。

第一，是对技术的极致追求。模型跑通了、准确率达到85%——这叫“能用”。但不能停在这里。我们会继续追问：能不能到90%？误报能不能再降一点？为了提升那几个百分点，反复优化特征、调整算法，甚至引入物理模型，让AI不只是“统计拟合”，而是真正理解设备运行的规律。这种不满足于“够用”的劲头，就是技术上的精益求精。

第二，是对现场的深度尊重。很多算法在实验室表现很好，一到车间就“水土不服”。真正的工匠，必须走进产线，和老师傅交流。比如一个报警频繁触发，算法认为是故障，但老师傅说“这是正常磨损”。这时候，问题可能不在数据，而在我们对“故障”的定义本身。只有回到现场，才能重新校准问题，让AI真正解决问题。

所以在我看来，智能制造时代的工匠精神，就是用极致算法对接真实世界，以毫厘不差的坚持，让AI在产线上真正落地见效。

我的跨界视野：在变化中持续学习、融合新知、解决新问题

我从机械自动化转到人工智能，表面看是个“大转弯”，但回头看，更像是同一条路走到了新阶段。

过去我们靠图纸、传感器和PLC控制设备，追求的是精度与稳定；现在用数据、模型和算法预测设备行为，追求的是智能与预见。技术变了，但内核没变——都是为了让机器更可靠、更高效地运行。

这种跨界经历让我更深刻地体会到：今天的工匠精神，不只是把一件事重复做到极致，更是能在变化中持续学习、融合新知、解决新问题。

比如做预测性维护，光懂算法不行，要懂机械结构、材料疲劳、热力学特性；光懂设备也不够，要理解数据建模和系统集成。真正的“工匠”，是能打通这些边界的人。

所以我认为，现代工匠精神是一种“进化能力”——守得住精益求精的初心，也转得动技术创新的方向。

培养年轻人：“最看重在真实的问题中沉得下去的定力”

我们坚持用项目制学习，把学生直接带进工厂现场——比如一条正在运行的汽车焊装线，或者一个故障频发的AGV调度系统。问题从来不会规规矩矩地写在课本里：数据不全、信号干扰、设备老化，甚至老师傅的一句“这机器最近脾气不对”，都可能是关键线索。

在这种复杂场景下，学生要自己找数据、对时序、建模型、验证结果。可能调了两周参数，只把误报率降了两个百分点。但正是这个过程，让他们理解：AI不是炫技，是解决问题；工程师的“极致”，是在反复失败后，依然愿意再试一次的坚持。

“极致”背后不是天赋，而是训练和沉淀。在带年轻人的过程中，我最看重的，不是他现在懂多少算法，而是有没有韧性，有没有在真实问题里沉得下去的定力。技术可以教，经验可以积累，但这份沉得下去、熬得出来的心性，才是未来工匠的底色。

传统手艺与现代科技：是手与眼的关系

“科技是工具和赋能手段，最终是为解决实际问题服务，工匠精神是驾驭科技的灵魂。”

在我们这个领域，每天都在和最前沿的科技打交道：AI算法、工业互联网、数字孪生……但越深入，我越觉得，现代科技不是要取代传统，而是让工匠精神有了新的表达方式。

比如在做预测性维护时，我们用传感器实时采集振动、温度数据，用模型预测设备何时会出故障——这看起来很“高科技”。但真正决定系统成败的，依然是那种“追根究底”的工匠态度：一个异常信号出现，是数据噪声？还是早期故障征兆？要不要停机？这些判断，背后是对设备运行规律的深刻理解，是对风险的敬畏，是几十年老师傅口中的“听声辨故障”的数字化延续。

所以我认为，科技是手段，是放大器，它让经验可量化、让判断更精准；但真正驾驭技术的，依然是那份精益求精、对结果负责的工匠精神。

传统手艺教会我们“怎么把事做对”，现代科技帮助我们“更快更广地做对”。它们不是对立的，而是手与眼的关系——工匠之心是手，科技之力是眼，合在一起，才能走得更远。

校企合作：要共建“问题池”、共解“真难题”

在参与校企合作的过程中，我最大的感受是：学校教的能力，和企业真正需要的能力，中间还差着“最后一公里”。

学生学了编程、懂了算法、也做过仿真，但一到现场，面对一台正在报警的机器人、一段时序对不上的数据流，常常手足无措。问题不在知识，而在真实场景的缺失。

所以我认为，当前校企合作最需要加强的，是把“真实工业问题”系统性地引入教学过程。

不是简单地参观工厂、听一场讲座，而是让企业把正在解决的故障诊断任务、预测模型优化需求，拆解成可教学的项目，由学生在真实数据、真实系统上动手实践。

比如，我们曾把一条产线的振动异常问题做成教学案例，学生要自己清洗数据、分析频谱、判断故障类型，最后还要向“产线主管”汇报结论。这个过程逼他们去查资料、问老师傅、反复验证——这才是“数字工匠”的成长路径。

所以，未来的校企合作，不能只是“送人”或“讲课”，而要共建“问题池”、共解“真难题”。只有让学生在走出校门前，就经历过几次“系统崩溃”和“紧急排故”， 他们才能真正上得去产线、顶得住压力、干得成事。