多品种小批量排产AI：把100件起订做成生意，也踩过"算得准却排不动"的坑
用能力单元论拆解多品种小批量（HMLV）排产的AI落地——阿里犀牛智造如何把服装起订量压到100件、交付缩短到最快7天，以及"算得准却排不动"的真实边界。
多品种小批量排产AI（HMLV，High-mix Low-volume）是离散制造最难啃的排产场景，它通过把"经验排产"拆成可被算法调用的能力单元，用AI预测+运筹优化动态求解海量订单组合，实现了小单快反。以阿里犀牛智造（迅犀数字工厂）为例，它把服装行业普遍1000件的起订门槛压到100件、把交付周期从15天压到最快7天。但这套系统也踩过"模型算得准、车间排不动"的坑——排产AI能不能落地，答案不在算法精度，而在能力单元是否真正被拆开、被信任。
案例速写
2020年9月，阿里巴巴把保密三年的"新制造一号工程"揭牌，取名"犀牛智造"，首座数字工厂落在杭州。它瞄准的是服装业最痛的一段：中小商家没有大牌的规模，却要面对"猜不准爆款、压一堆库存"的死循环。犀牛给出的方案是"小单快反"——100件起订、最快7天交货，让商家先小批量试水、卖得动再翻单。（信源：阿里巴巴集团官方新闻、新华网《阿里巴巴犀牛智造平台正式亮相》）
支撑"小单快反"的核心，正是一套多品种小批量排产系统：同一条产线上，几十上百个款式、面料、工序各不相同的订单要被实时编排到具体机台、具体工位、具体时段。传统服装厂靠老师傅的经验排产，一天能排的订单有限、换线一次动辄停工两三小时；犀牛则把排产交给算法，号称能让设备利用率、交付准时率显著优于行业平均。
转型动因
多品种小批量为什么非上AI不可？因为它是人脑排不过来的组合爆炸。10个订单排到5台设备，理论上有上百万种排法；到几十个订单、几十道工序、还要考虑换模换线时间、交期优先级、面料到料时点，可能的排产方案是天文数字。老师傅凭经验能排出一个"还行"的方案，但排不出"最优"，更做不到订单一变就秒级重排。
对犀牛这类平台型工厂，痛点被再放大一层：它服务的不是一家品牌的稳定订单，而是海量中小商家的碎片化、突发性需求。今天进来50个小单、明天可能全是翻单，人工排产的响应速度根本追不上。要把"100件起订"做成能赚钱的生意，就必须让排产本身变成一种可以秒级调用、随时重算的能力。
技术嵌入
犀牛的排产落地大体分三层。预测层：用销售数据、平台趋势预测每个款式的需求波动，给排产提供"哪些单更急、要备多少料"的输入。优化层：把排产建模成带约束的运筹优化问题（交期、机台产能、换线成本、物料齐套），用求解器+启发式算法在秒级给出排产方案。执行层：方案下发到IoT联网的吊挂系统和机台，工人按屏幕提示作业，实际进度实时回流，一旦有插单或异常就触发局部重排。
关键不在某个"大模型"，而在这三层的闭环——预测喂给优化、优化驱动执行、执行数据反哺预测。
能力单元分析 ★
用能力单元论拆，这场转型的本质是把老师傅脑子里"打包在一起"的排产能力，分离成三个可独立调用、可重组的能力单元：
- 需求判断单元：原来靠老板和买手的市场嗅觉，现在被分离为"预测模型"，可以7×24运行、可以被多个订单同时调用。
- 排产求解单元：原来是老师傅"排一版用半天"的隐性技艺，现在被显性化为运筹优化算法，从"一天排一次"变成"一分钟排一版"。
- 执行调度单元：原来靠工位长喊话协调，现在被IoT+看板接管，进度可追溯、异常可触发重排。
组织变阵
能力单元一旦被拆开，车间的人和流程也跟着变。老师傅的角色从"排产的人"变成"给算法定规则、处理算法搞不定的例外的人"；工位长从"协调员"变成"异常响应员"；新增了懂业务又懂数据的排产运营岗，负责在算法方案和现场现实之间做校准。换线由"能少换就少换"的经验保守，变成算法主动权衡"多换几次线换取整体交付更快"。
ROI兑现与踩坑
诚实地说，多品种小批量排产AI远不是"上了就灵"。犀牛智造本身在2022—2023年也经历了业务收缩与战略调整，外部一度质疑其"重资产、难盈利"，这恰恰说明：柔性制造的账，比算法难算得多。（信源：界面新闻等关于犀牛智造业务调整的公开报道）
排产AI落地最常见的坑有三个：一是数据不齐——工时、换线时间、物料到料时点这些基础数据不准，算法算得再漂亮也是空中楼阁；二是算得准却排不动——模型给出的"最优方案"频繁换线、打乱工人节奏，一线抵触、宁可不用；三是例外吞噬收益——插单、来料延迟、设备故障等例外太多，重排太频繁，反而让现场无所适从。真正跑通的工厂，往往是先把一个订单结构相对稳定的车间做透，而不是一上来就追求"全厂全自动排产"。
可迁移方法论
用四则法看，多品种小批量排产AI做的是一次典型的"除法+乘法"：先做除法——把捆在老师傅身上的排产能力拆成预测、求解、执行三个单元；再做乘法——让求解单元可秒级重算、被海量订单复用，把"一天排一次"放大成"随时排"。但它有个绕不过的前提：加法要先做扎实——基础数据（工时、换线、齐套）没打通，后面的除法和乘法都会落空。
对制造业中小企业，务实的路径是："小切口、深打井"——选一个数据相对干净、订单结构相对稳定的车间，先把排产求解单元跑通、让一线愿意用，再逐步扩面。排产AI的胜负手，从来不是算法多聪明，而是能力单元拆得对不对、拆出来的单元现场信不信。
📋 场景学社与AI协同编辑