据 Bloomberg 报道，福特过去三年重新聘请了 350 多名资深工程师，很多是前员工或来自供应商的老手，用来解决长期困扰公司的质量问题。报道里最值得注意的一句是：这些“灰胡须工程师”不只是回来检查车，他们还在帮助训练新人，并重新调整那些原本没达到预期的 AI 工具。

这条新闻很适合给 AI 自动化降温。不是因为 AI 在制造业没用，而是因为很多公司容易把“能识别图像缺陷”误解成“能承担质量责任”。汽车质检不是只看一张照片有没有划痕。它还包括对材料、装配、供应商批次、工艺变更和长期故障模式的经验判断。一个资深工程师看到的不是一个孤立问题，而是一整条生产链可能哪里出了偏差。

福特这几年质量成本很高，召回和保修问题都拖累过公司。它现在重新请回老工程师，说明制造业 AI 的真实落地常常不是“机器替人”，而是“机器需要人教”。AI 可以帮助发现异常、汇总数据、提示风险，但它不知道哪些异常值得停线，哪些问题会在三个月后变成客户投诉，哪些看似小毛病会沿着供应链放大。

对企业来说，这比“AI 节省人力”更接近现实。真正能省钱的自动化，往往需要先投入人类专家，把隐性经验变成可教、可标注、可复核的流程。否则 AI 工具会给出很多看似精确的判断，却没人知道该不该相信，也没人能解释它错在哪里。

陈墨会把这件事放到更大的账本里看：AI 项目失败并不总是因为模型太弱，也可能是公司过早把成本节约写进了计划，却低估了知识转移成本。福特重新雇人，看上去是倒退，实际上可能是更成熟的自动化路径。先把经验找回来，再让工具学会该学的东西。

对开发者也一样。你做任何企业 AI，都不要只问“能不能识别”。要问训练数据来自谁，复核机制是谁，出了错谁兜底。没有这些，AI 质检很容易从效率工具变成质量风险的新来源。

参考来源

• Bloomberg 报道：原始报道，介绍福特重新聘请资深工程师改进质量和 AI 工具。