这两年，科技行业最烧钱的赛道之一非 AI chips 莫属。坐庄，Google、Amazon、OpenAI 排队做自研芯片，Anthropic 最近也被曝出正在组建芯片团队。
但就在这些 AI 芯片正在比拼制程、带宽和算力时，在波兰库特诺的一条品客薯片生产线上，另一种可食用的 chip 已经从产能和现金回报中验证了 AI 的价值：产能提升 10%，损耗降低 13%，公司称前期投入回报率超过 40%。
为了得到这些数字，品客制造商 Kellanova 联合花了约 4年时间，投入约 400 万至 500 万美元。他们先给薯片面团建立数字孪生，再沿生产线布置，采集约 200 项实时数据，让 AI 在面团断裂、粘锅或者拖慢生产之前发出预警。
你平时吃罐装薯片还是袋装薯片更多？对于我们大部分人来说，这两者之间的差别可能仅限于包装方式和形状。但对于品客这些生产商来说，罐装薯片实际上要就比袋装的难生产很多。
每片罐装薯片的弧度、大小和厚度都要尽量一致，才能整齐地叠进圆筒；只要其中一项出现偏差，后面的油炸、输送和装罐就可能受到影响。
普通袋装薯片可以大小不一，边缘卷曲或调味不均通常不影响销售。但如果罐装薯片的形状、厚度和含水量稍有偏差，问题就会沿着生产线一路放大：面团可能在压制时断开，薯片可能粘在炸锅里，也可能在装罐时破碎。生产速度越快，小偏差造成的废料和停机时间就越多。
但食品原料又很难像工业零件那样保持稳定。面粉颗粒大小、马铃薯原料的含水量、淀粉和蛋白质水平，都会随产地、收成和批次变化。昨天运转顺畅的配方，换一批原料后未必还能得到同样的结果。
过去，工厂主要依赖熟练操作员应对这种变化。他们观察面团的颜色和状态，凭经验调整水、油和原料比例。经验依然有效，只是往往要等面团开始断裂、薯片粘住或者生产线停下来之后，工人才知道哪里出了问题。
因此，Kellanova 和西门子希望把判断的时间往前移。双方先在虚拟环境中重建面团及其生产过程，让工程师可以调整原料比例、温度和机器参数，观察面团经过混合、压制、油炸和装罐时可能发生的变化。真实生产中的一次试错可能意味着停线和废料，在数字孪生里，同样的测试可以反复进行。
这种数字孪生也不是建好后便不再变化的三维模型。生产线上的传感器、摄像头和检测设备不断向它输入真实数据，模型再根据新的原料和设备状态更新判断。工厂采集的信息包括面团湿度、面粉颗粒大小、蛋白质水平，以及油和水的比例等约 200 项指标。
部署在产线附近的边缘端 AI 模型会据此预测当前批次的面团状态，并向操作员推荐配方或设备调整。最终决定仍由人作出。AI 没有取代工人的经验，而是把散落在不同环节里的信号集中起来，让经验可以在问题出现之前发挥作用。
原本，操作员看到坏面团后才会停线检查；现在，系统可以在异常刚刚形成时提示原料或参数发生了变化。工人不必从整条生产线逐一排查，也不用等到一批薯片报废后再寻找原因。AI 在这里承担的工作很具体：缩短判断时间，减少试错次数。
西门子公布的结果显示，库特诺工厂的产能提升了 10%，损耗降低 13%，能源消耗减少 7%，而产能增长没有依赖新建生产线。对于一座已经高度自动化的工厂，这意味着同样的厂房和主要设备可以生产更多合格薯片，同时少扔掉一些面团、废罐和碎片。
约 500 万美元的前期投入依然不低，4 年开发周期也不算短。Kellanova 称，项目的投入回报率已经超过 40%，但没有公开具体的计算周期和口径。即使如此，产能、损耗和能耗都是能够直接进入工厂成本报表的数字，相比起生产式 AI 让“员工更高效”或者“决策更智能”的效果，显然要容易核算得多。
这类工业 AI 不需要回答开放问题，也不需要掌握人类全部知识。它只需要理解一团面团如何在特定机器、温度和湿度下发生变化。预测是否有效，很快就能从断裂率、停机时间、产量和废料中得到反馈。
它们也不像大模型，需要在训练阶段投入巨量资源。相比之下，更重要的是工程师需要先理解哪些变量影响面团，决定在哪里安装传感器，统一不同机器产生的数据，再把操作员多年积累的经验转化为可以验证的规则。AI 出现在项目的最后一段，前面是大量工艺建模、设备改造和数据整理。少了这些工作，200个数据点只会变成 200 组彼此无关的数字。
这一点决定了项目能否复制。Kellanova 在波兰、比利时和美国田纳西州的 3 座工厂每年生产约 7.05 亿磅品客，把库特诺的改善幅度推广到更多产线，收益将远高于一座工厂的节省。不过，不同工厂的设备、原料和工艺条件各不相同，数字孪生无法原样复制，模型仍需重新校准。目前公开资料主要披露了波兰项目的结果，跨工厂推广的成本和成效尚未公布。
2025 年 12 月，Kellanova 被玛氏收购，品客由此进入后者的全球零食业务。对于一家每年生产数亿磅薯片的公司，AI 的商业价值无需依靠一个面向消费者的新功能来证明。让同一条产线少停几次、多生产一些、少扔掉一批面团，已经足够。
参考资料：
1.https://www.wsj.com/tech/ai/inside-the-long-ai-powered-quest-to-perfect-pringle-making-ab37a231
兴盛网提示：文章来自网络，不代表本站观点。
