专家访谈 | 吉姆舍尔·切利泽：“我们可能赢得三年的生产力，却输掉一代人的专业能力”
工业人工智能如今是最受讨论的话题之一，但同时也是最难理解的话题之一。俄罗斯已经启动了数百个项目，投入了数百亿卢布，但对于什么真正有效，至今仍没有系统性的答案。在我们大型访谈的第一部分中，吉姆舍尔·切利泽*解释了为什么追逐前沿模型并不是我们的道路，而竞争优势存在于车间之中：存在于数据、工程能力以及接触真实对象的机会之中。 在谈话的第二部分，专家转向最核心的“人”的问题：当人工智能助手进入车间时，工程师的角色将如何变化？关于为什么验证比独立完成工作更复杂，谁会留在行业中，谁会离开，以及如何在赢得三年生产力的同时不输掉一代人的专业能力，请阅读后续内容。
答复全文刊发，未经删减。
*吉姆舍尔·切利泽——“切利泽与伙伴”有限责任公司总经理，“水平钻井中心”有限责任公司数字发展业务伙伴，欧亚国家财商合作协会工业委员会成员。同时也是技术哲学方面文章和出版物的作者，并著有五本关于数字化转型的书籍及两个人工智能产品。拥有与“俄罗斯天然气工业石油公司”、卢克石油公司、俄罗斯能源部、俄罗斯天然气工业钻井公司以及俄罗斯、哈萨克斯坦和中国其他工业企业合作的实践经验。
工程技术师和设计工程师助手已经在大型企业进行测试。未来5年，工程师的角色将如何转变，哪些能力将变得至关重要？
在2026年俄罗斯数字工业大会上，发布了两款基于 GigaChat 神经网络、面向工厂工程师的人工智能助手：一款是工程技术师助手，可根据设计文档生成工艺流程原型；另一款是面向逆向工程的设计工程师助手，可根据零件或图纸恢复可编辑的数字化 CAD 模型。试点项目正在技术动力控股公司、重型机械制造公司和联合发动机制造集团的企业中推进。诺里尔斯克镍业公司也报告称，已在工业设计中引入生成式人工智能，这可以显著缩短项目文档准备周期，并减少项目团队资源消耗。
请注意，真正被压缩的不是职业本身，被压缩的是具体的工作阶段，也就是方案初稿生成和例行技术文件编制。过去，正是在这个阶段，初级工程师学习并成长。请记住这一点，最后我会回到这里，因为那里存在主要风险。
将重塑工程师工作的三个转变
在这里我要说一件通常被归为技术细节、但实际上决定一切的事情。要求工程师进行验证，却只给他一个模型的裸答案，这是没有意义的。只有当系统显示它从哪里得出结论时，验证在实际操作中才是可能的：指向你们具体工艺流程条款的链接，指向具体图纸的链接，指向你们数据库中具体投诉记录的链接。不是“模型认为”，而是“依据是以下三份文件，请自行核对”。
这是对解决方案的架构要求，而不是对员工的愿望。没有来源可追溯性的助手，就是一个合理性生成器，任何工程师都无法真正检查它。他只会点击“接受”。在要求人们采取新行为之前，请先给他们一个能使这种行为成为可能的工具。否则，你得到的将是形式化流程，而不是真正的控制。
第二个转变：从单一方案转向管理方案空间。当生成成本几乎为零时，价值就转向了约束条件和选择标准的设定：公差、可用工装、实际机床设备队列、成本、可维修性、安全要求。准确表述约束的能力将成为核心工程能力。本质上，这是旧有技术任务书文化的回归。只不过现在，一份糟糕的技术任务书不会在半年后惩罚你，而是在五分钟后，而且是以工业规模惩罚你。
第三个转变：从个人专业能力转向知识资本化。真正有效的助手，是基于你们的设计文档、你们的工艺流程、你们的投诉记录和你们的故障记录训练出来的助手。这意味着，在车间老员工头脑中存在了三十年的知识，必须进入数据之中。
而正是在这里，最被低估的事情开始了。这会改变企业中的社会契约。未被形式化的知识不再是员工个人防止被解雇的保障，而成为公司的资产。这里将成为主要阻力来源，远远超过“机器人会取代我们”的恐惧。人们抵抗的不是机器。人们抵抗的是失去对知识的垄断。在你们没有诚实解决这个问题之前，也就是通过地位、金钱、导师兼验证者角色来解决之前，你们得不到数据。而没有数据，助手就只会停留在漂亮的演示阶段。
将变得至关重要的能力
● 领域深度，也就是对过程物理本质的理解，而不是知识广度。悖论在于：人工智能越容易获得，对本质的深刻理解就越有价值。能够验证模型输出的人，只能是理解为什么这样做的人，而不是只知道写了什么的人。
● 任务设定和约束条件管理能力。糟糕的技术任务书加上人工智能，只会更快地产出一份形式规范但没有实际价值的方案。约束条件将成为工程师与系统交互的新接口。
● 数据工作素养。要理解训练样本从哪里来，什么是模型漂移，为什么一个在批量零件上表现完美的助手，会在单件生产中说谎。
● 可追溯性和对决策的责任。签字仍然会由人来完成。工程师必须能够解释决策，而不是说“模型是这么说的”。
现在谈谈人们过少讨论的主要风险
如果人工智能接管了初级工程师的工作，那么十年后，能够验证人工智能的高级工程师从哪里来？我们可能赢得三年的生产力，却输掉一代人的专业能力。
工程领域的人才金字塔建立在这样一个基础上：人通过常规工作积累直觉，理解为什么这个零件会有这样的表现，为什么这个工艺流程不能在我们的机床上运行。如果常规工作被助手拿走，直觉就无法形成。而没有直觉，验证是不可能的。你只会点击“接受”。
这里的答案不是“不让新人使用人工智能”。这已经输了，他们已经在使用，只是没有告诉你们。答案在于重新设计培训：初级工程师不是通过草稿性工作学习，而是通过分析模型错误学习。给他一百个助手输出，其中二十个是错误的，并给他任务：找出并论证错误。这是一个比三年打下手更快速、更严苛的训练器。但它必须被有意识地构建，而不是等待它自己形成。它不会自己形成。
应该怎么做：围绕三个支柱
管理。
● 确定工程师工作的二到三个阶段会被人工智能真正压缩，并在实施前衡量这些阶段在劳动成本中的占比。没有基准水平，你们永远无法证明效果，既无法向自己证明，也无法向董事会证明。
● 引入模型负责人角色，也就是负责助手上线后质量的人。没有这个角色，模型会悄悄退化，一年后就没有人使用它。
● 在实施之前，而不是在第一次出现争议情况之后，回答“谁来签字”的问题。
技术。
● 来源可追溯性必须成为技术任务书中的强制性要求。没有这一点，验证就会变成形式化流程。
● 在自己的样本上衡量准确性，而不是在供应商样本上衡量。还要有模型质量仪表板，并由模型负责人对其负责。
● 将隐性知识形式化，包括投诉、故障、“我们这里不这样做”。这正是训练样本，应该从这里开始，而不是从选择模型开始。
人员。
● 在适应阶段，为使用付费，而不是为结果付费。这会消除对错误的恐惧，而对错误的恐惧正是主要阻碍。
● 诚实解决知识承载者的问题。你们把某位老员工的专业能力拿进数据库，他就应该获得新的地位，例如导师兼验证者、领域模型负责人，而不是感觉自己给自己挖了坑。
● 按照验证而不是生成来重写工程师培训方案。
五年后，工程师不会消失。消失的将是凭手速体现价值的工程师。留下来的将是凭判断质量体现价值的工程师。这是个好消息，但只对那些今天就已经开始重建人才培养体系的人而言，而不是对那些准备三年后在分析报告中读到这件事的人而言。