制造业AI落地的"四则法"是一套用"加、减、乘、除"四类动作重构生产能力的思维框架，它通过把AI拆成可复用的能力单元嵌入既有产线，使单点试点转化为规模价值——直接回答"为什么多数工厂的AI项目停在样板间、跑不出ROI"：问题往往不在模型，而在有没有用对那一道"运算"。本系列一个季度下来，从质检、能耗到排产，案例反复指向同一个结论：AI落地不是"上一套系统"，而是"重做一次除法运算"。

一、为什么制造业AI需要"四则法"这一框架

制造企业不缺数据，缺的是把数据变成"可被调用"的能力。传统信息化把流程固化，AI则要求把流程"拆开"。四则法不是算术，而是四种重构动作：

• 加法：在既有能力上叠一层AI，不推翻原有体系；
• 减法：用AI削掉冗余环节、等待与人工；
• 乘法：让一个AI能力单元被多产线、多场景复用；
• 除法：把复杂工艺拆成标准、可独立调用的能力单元。

这背后正是能力单元论——AI的价值不在"替代人"，而在"把某项能力从组织里分离出来、标准化后重新调度"。

二、加法：在既有产线上叠加AI能力单元

最稳妥的切入，是"不拆产线、只加一层"。宁德时代的极片涂布AI质检是典型：在人工质检之后叠加AI全检，把涂布缺陷检测从"人眼+抽样"升级为"AI全检"，误检率从人工的2.8%降至0.32%，年省质检成本逾600万元。同样是"加法"，另一类是给老师傅的经验加一个推理助手——预测性维护、工艺参数推荐，都属于在原有岗位上叠AI，风险最低、最容易立项。

三、减法：用AI减去冗余与等待

加法解决"多一个能力"，减法解决"少一块浪费"。本系列前文《AI能耗优化空压站》测算：敬业集团联合蘑菇物联的灵知AI对7座空压站做全局调度，全局能耗降约15%、月节电约157万kWh、年省约1500万元。它减去的不是人力，而是"为峰值冗余常年空转"的能耗。另一类减法是去掉审批与等待——AI把工单、排产、质检的串联流程压成并行，省下的时间就是产能。

四、乘法：让一个能力单元被多场景复用

单点AI再好，也只省一处；"乘法"的关键是复用。迁移学习跨线复用就是乘法：在一条产线训好的缺陷识别模型，迁移到相似产线只需少量样本微调，不必每次从头采集。本系列前文《小样本少样本学习落地》显示，美芝产线每类缺陷仅需1–5个样本、标注时间缩减80%以上，立白用5–20个样本即把训练效率提升约70%——这正是"一个能力单元被多工厂、多SKU复用"的乘法效应。复用率越高，单位AI成本越低，这才是规模经济（注：此处指复用带来的成本摊薄，非场景思维第一支柱"复用率"的旧称）的真正来源。

五、除法：把复杂工艺拆分为标准能力单元

最难也最值钱的是"除法"。复杂工艺往往因"耦合太紧"而无法优化。除法把它拆成可独立调用、可单独评估的标准单元：联想用60–100个正常样本、约10分钟即完成产线建模，本质是把"建模型"这个大工程拆成"取单元—标注—组装"的小步。除法越彻底，后续加法、乘法才越顺——因为所有能力都已标准化、可拼装。

六、能力单元分析★：AI到底重组了什么

回到能力单元论的视角，四则法的本质是三次重组：

• 分离：把质检、调度、监测从"岗位"中分离为独立能力单元；
• 标准化：用数据接口与模型把单元封装成可调用件；
• 再调度：AI按订单与工况动态组合这些单元，替代固定流程。

宁德时代分离了"质检能力"，敬业分离了"能耗调度能力"，美芝/立白/联想分离了"建模能力"。当能力被分离且标准化，组织就从"人盯流程"转向"流程调能力"。

七、框架的边界★：四则法不是万能钥匙

必须诚实交代局限：

• 数据根基缺失时，四则法全是空运算：除法拆得开，但缺乏标注与历史数据，单元无法训练；
• 组织惯性会抵消加法：叠了AI，但考核、权限、协同方式没变，能力仍是孤岛；
• ROI踩坑三盆冷水：① 模型准但不嵌入业务流，价值归零；② 只做样板间不复用，边际成本居高；③ 忽视隐性成本（数据治理、运维、再训练），账面省钱实际亏。
• 四则法解决"怎么落地"，不解决"该不该上"——战略取舍仍在人。

八、可迁移方法论：四则法落地清单

给制造企业的实操清单：

• 先做除法：把目标工艺拆成可独立评估的能力单元，画一张"能力地图"；
• 择一处加法：选最痛、数据最全的点叠AI，先跑通再谈扩张；
• 设计减法：明确AI上线后哪段流程、哪类人力冗余可被去掉；
• 预留乘法：从第一天就按"可复用"设计接口与样本库，别把模型做成一次性；
• 设护栏：每个单元配数据质量门与失效回退方案。

制造业AI不是比谁的模型大，而是比谁把能力拆得开、复得广、用得稳。四则法，就是这套"拆与组"的元方法。

本文为制造业AI落地方法论探讨，所引案例数据均来自本系列前文实测与公开报道，意在提供可迁移思路而非照搬模板。具体落地请结合企业实际产线与数据条件。