写在前面：这个问题必须正面回答
"AI 会不会取代工业工程师？"——这是现在 IE 学生和从业者最常问的问题，也是最容易被敷衍回答的问题。
敷衍的回答有两种：
- 乐观派："AI 只是工具，取代不了人的创造力和判断力。"——这话没错，但太空洞，没有回答"具体哪些工作会消失"。
- 悲观派："数据分析、排产、质检都能自动化，IE 要完了。"——这话抓住了部分事实，但忽略了 AI 的能力边界。
本文要做的是正面、具体地回答：
- AI 在 IE 的各个领域，目前真实的成熟度是什么？
- 哪些 IE 工作确实会被替代？
- 哪些能力反而更值钱？
- 面对这个变化，你现在该做什么？
先给出核心判断，然后逐条论证：
AI 会大幅替代"工具层"和"方法层"的执行性工作，但会提升"系统层"（定义问题、识别约束、权衡取舍）的价值。IE 的工作重心会从"做分析"转向"定义问题、设计机制、推动落地"。
一、先看清 AI 的能力边界
在具体讨论之前，需要先建立一个对 AI 能力的准确认知。这决定了后面所有判断的对错。
1.1 AI 擅长什么
| 擅长 | 说明 |
|---|---|
| 在高维数据中找模式 | 成千上万个变量之间的复杂关系 |
| 在给定目标下做优化 | 目标函数明确时的搜索与优化 |
| 处理大规模重复任务 | 视觉检测、文档处理、报告生成 |
| 模式识别与分类 | 图像、语音、文本、异常检测 |
| 在高精度要求下的持续作业 | 不会疲劳、不会走神 |
| 生成候选方案 | 快速产出大量的备选解 |
1.2 AI 不擅长什么
| 不擅长 | 说明 | 对 IE 的意义 |
|---|---|---|
| 定义问题 | AI 需要人类告诉它"优化什么目标" | 这是 IE 最核心的价值 |
| 小样本推断 | 数据少时，统计模型的可靠性差 | 新产品导入、新产线爬坡时 |
| 因果推断 | AI 找的是相关，不是因果 | "为什么效率低"需要因果，不是相关 |
| 处理未建模的约束 | 组织政治、人际关系、隐性规则 | 改善方案推不动的根源往往在这里 |
| 跨系统的价值判断 | 效率 vs 公平，成本 vs 韧性 | 权衡需要人的价值判断 |
| 承担责任 | AI 不能为决策负责 | 重大决策需要人签字 |
| 理解语境与意图 | 老板说"降本"，到底是什么意思 | 需要人来解读 |
1.3 一个关键区分：相关 vs 因果
这一点值得展开，因为它直接影响 IE 的不可替代性。
AI（尤其是机器学习）擅长发现相关性。
比如 AI 可能发现："当 3 号机的温度超过 78℃，且操作者是张三时，良率下降 12%。"这是一个真实的相关模式，AI 能发现它。
但 AI 不会告诉你为什么。
是温度导致良率下降（因果）？还是因为订单紧急时才会让 3 号机长时间高负荷运行，而紧急订单本身用的是赶工的原料（混淆因素）？
回答"为什么"，需要因果推断，需要领域知识，需要设计实验。 这三件事，AI 目前都做不了。
而 IE 改善的本质，恰恰是找因果：为什么这个工位慢？为什么这批货不良？为什么库存这么高？
结论：AI 能告诉你"哪里可能有问题"，但"为什么有问题、该怎么改"仍然需要 IE。
二、逐领域评估：AI 在 IE 中的真实成熟度
下面按 IE 的主要工作领域，逐个评估 AI 的实际应用状态。成熟度分为四级：研究探索 / 局部试点 / 已商用 / 成熟普及。
2.1 需求预测
| 维度 | 评估 |
|---|---|
| 成熟度 | 已商用 |
| AI 做什么 | 时序模型（Prophet、LSTM、Transformer 类模型）、梯度提升树（XGBoost/LightGBM）处理多变量时序预测 |
| 相比传统方法 | 传统方法（移动平均、指数平滑、ARIMA）在稳定序列上表现不错；AI 模型在多变量、非线性、有促销和节假日效应的复杂场景下优势明显 |
| 实际效果 | 在数据和特征工程做得好的情况下，预测精度通常能相对提升；但提升幅度常被高估，尤其是数据质量差时 |
| IE 的角色变化 | 从"跑预测模型"转向"设计特征"（哪些变量该进模型）和"判断预测结果是否合理" |
| 陷阱 | 过度依赖模型输出而不做业务校验。一个预测说下月需求 10 万，你需要判断这个数在业务上是否合理（有大促吗？有新品吗？竞品在做什么？） |
关键洞察：预测的核心竞争力正在从"建模"转向"特征工程和业务理解"。懂业务的人 + 会调库的人，胜过只会调库的人。
2.2 视觉质检
| 维度 | 评估 |
|---|---|
| 成熟度 | 成熟普及（这是 AI 在制造业最成功的应用） |
| AI 做什么 | 用深度学习（CNN、视觉 Transformer）做缺陷检测和分类 |
| 相比传统方法 | 传统机器视觉依赖人工设计特征（边缘、纹理、阈值），对复杂缺陷（划痕形态多样、背景复杂）效果差；深度学习能自动学习特征 |
| 实际效果 | 在缺陷类型明确、样本充足的场景下，检出率可超过人工目检 |
| IE 的角色变化 | 从"设计检验方案"转向"定义检测标准"和"设计抽样与复核机制" |
| 陷阱 | 样本不平衡（缺陷样本往往极少）、标注质量、新缺陷类型出现时的模型退化 |
一个容易被忽视的 IE 问题：AI 质检上线后，检测标准由模型决定，而模型是黑箱。当客户质疑"为什么这个判合格那个判不合格"时，你需要能解释。所以检测标准的可解释性和追溯仍然是 IE 的责任。
另一个重要提醒：AI 质检再好，也不如防错（Poka-Yoke）。防错是不让缺陷发生，AI 质检是发现已经发生的缺陷。IE 的经典原则依然成立：能防错就不要靠检验。
2.3 预测性维护（PdM）
| 维度 | 评估 |
|---|---|
| 成熟度 | 快速普及中 |
| AI 做什么 | 用设备的振动、温度、电流、声音等传感器数据，预测何时会发生故障 |
| 相比传统方法 | 传统是定期保养（TBM）或事后维修；PdM 能做到"需要时才修" |
| 实际价值 | 减少非计划停机（这是 OEE 中"可用率"的主要损失来源）+ 减少不必要的保养 |
| IE 的角色变化 | 从"制定保养计划"转向"定义需要监测什么"和"设计维护响应流程" |
| 陷阱 | PdM 不等于"装上传感器就完事"。如果预测出故障但没有备件、没有维修人力、没有停机窗口，预测毫无价值 |
IE 视角的关键判断：PdM 的价值 = 预测准确性 × 响应能力。很多企业投入大量资金做预测模型，但响应体系（备件库存、维修排程、停机窗口）没跟上，结果收益大打折扣。
这正是 IE 的工作：设计完整的"预测 → 决策 → 执行"闭环，而不只是预测模型本身。
2.4 智能排产（Scheduling）
| 维度 | 评估 |
|---|---|
| 成熟度 | 研究探索 + 局部试点（这是被宣传最多、实际落地最难的领域之一） |
| AI 做什么 | 用强化学习、遗传算法、约束规划求解复杂的排产问题 |
| 现实情况 | 学术界有大量论文，工业界成功落地案例相对有限 |
| 为什么难 | ①真实约束极多且经常变化；②目标多元且冲突；③需要人机交互（调度员要能干预和调整）；④可解释性差，调度员不信任黑箱方案 |
| IE 的角色 | 这一块 IE 的价值反而上升——因为要把真实约束准确建模出来，这只有懂现场的人做得到 |
一个诚实的判断：智能排产目前最有效的形态不是"AI 取代调度员"，而是"AI 生成候选方案 + 调度员选择调整"。人机协作 > 全自动。
IE 的独特价值在此凸显：你能判断"这个模型漏掉了哪个关键约束"。模型漏一个约束，出来的排产方案就是不可执行的。
2.5 工艺参数优化
| 维度 | 评估 |
|---|---|
| 成熟度 | 试点到局部商用 |
| AI 做什么 | 贝叶斯优化（用小样本高效寻优）、强化学习（在仿真环境中寻优）、神经网络代理模型 |
| 相比传统 DOE | 传统 DOE（正交表、响应面）需要大量实验；贝叶斯优化在高维、昂贵实验（每次实验成本高）场景下更高效 |
| 实际效果 | 在实验成本高、参数维度多的场景（如化工、半导体、材料）价值显著 |
| IE 的角色变化 | 从"设计正交实验"转向"定义优化目标和约束"+"验证结果的物理合理性" |
| 陷阱 | 过拟合到历史数据、"找到的参数在物理上讲不通"（因此需要领域知识校验） |
关键提醒：AI 找到的"最优参数"，如果无法用物理/化学机理来解释，在制造业是要打问号的。尤其是在医疗器械、航空这类受监管行业，参数必须在验证过的范围内。
2.6 仓储与物流优化
| 维度 | 评估 |
|---|---|
| 成熟度 | 路径优化已成熟；机器人调度已商用；网络规划局部商用 |
| 具体 | 拣选路径优化（已成熟，本质是 TSP 启发式）；AGV 调度（已商用）；仓网规划（优化模型 + 仿真，局部商用） |
| IE 的角色 | 建模者 + 验证者（仿真验证 AI 方案的可行性） |
2.7 流程挖掘（Process Mining）
| 维度 | 评估 |
|---|---|
| 成熟度 | 商用中，增长快 |
| AI 做什么 | 从信息系统的日志（ERP/MES/OA）中自动还原真实的业务流程，发现偏差、瓶颈、返工 |
| 对 IE 的价值 | 这是一个被低估的工具。传统 IE 做流程分析要靠访谈和观察，流程挖掘能直接从数据中发现"实际流程"与"规定流程"的差异 |
| IE 的角色 | 提出正确的问题 + 解读挖掘结果（哪些偏差是合理的，哪些是浪费） |
流程挖掘值得 IE 学生重点关注：它把"流程分析"这件事从"手工作坊"变成了"数据驱动"，效率提升一个数量级。但它不能替代你判断"这个偏差该不该消除"。
2.8 汇总表
| 领域 | 成熟度 | AI 替代程度 | IE 价值变化 |
|---|---|---|---|
| 需求预测 | 已商用 | 中（模型部分） | 转向特征工程与业务校验 |
| 视觉质检 | 成熟普及 | 高（替代人工目检） | 转向定义标准与机制设计 |
| 预测性维护 | 快速普及 | 中 | 转向响应体系设计 |
| 智能排产 | 研究/试点 | 低（短期内难以全自动） | 上升（建模真实约束） |
| 工艺优化 | 试点 | 中低 | 转向目标定义与结果验证 |
| 路径/网络优化 | 已成熟 | 中高 | 转向建模与仿真验证 |
| 流程挖掘 | 商用中 | 中 | 转向问题提出与结果解读 |
| 问题定义 | — | 极低 | 大幅上升 |
| 跨部门推动 | — | 极低 | 大幅上升 |
三、会被替代的 vs 更值钱的
3.1 会被显著替代的工作
| 工作类型 | 为什么会被替代 | 时间尺度 |
|---|---|---|
| 数据整理与报表生成 | 自动化脚本 + AI 助手能直接完成 | 已在发生 |
| 标准的数据分析（描述性统计、常规图表） | AI 能自动生成 | 已在发生 |
| 人工目检 | 视觉 AI 已超过人类 | 已在发生 |
| 常规排产与调度（约束清晰、稳定的场景） | 求解器 + 启发式已能处理 | 5—10 年 |
| 文档与 SOP 撰写 | 大模型擅长 | 已在发生 |
| 简单的数据可视化 | AI 自动生成图表 | 已在发生 |
| 基础的代码编写（数据处理脚本） | AI 辅助编程成熟 | 已在发生 |
一个必须正视的事实：如果一个 IE 从业者的主要工作是"取数、做表、画图、写报告"，那么他的岗位正在被快速侵蚀。
这不是危言耸听。现在很多企业里，一个会用 AI 工具的运营人员，能完成过去一个初级分析师团队的工作。
3.2 反而更值钱的能力
| 能力 | 为什么更值钱 |
|---|---|
| 问题定义能力 | AI 需要人告诉它优化什么。定义错了，AI 算得再准也没用 |
| 约束识别能力 | 真实系统的约束（尤其是隐性的组织约束）不在数据里 |
| 因果推断能力 | AI 找相关，人找因果 |
| 领域知识 | 判断 AI 输出是否合理，需要深厚的行业理解 |
| 跨部门推动与变革管理 | AI 不能说服一个不配合的班组长 |
| 价值权衡判断 | 效率 vs 韧性、成本 vs 体验，需要人的价值判断 |
| 数据体系设计 | "采集什么数据"这个决策，决定了 AI 能做什么 |
| AI 素养（知道什么时候该用、什么时候不该用） | 避免"拿着锤子找钉子" |
3.3 一个对比框架
高价值
▲
│ 问题定义 约束识别
│ 因果分析 **权衡判断**
│ **跨部门推动**
│
数据分析 ────────┼──────── 建模与优化
报表生成 │ （部分被替代）
（被替代） │
│ 数据整理 简单可视化
│ （强替代） （强替代）
▼
低价值
低 ←── AI 可替代程度 ──→ 高
看这张图的正确方式：左下角的工作正在消失，右上角的工作正在升值。你的职业发展方向，是从左下角往右上角走。
四、AI 时代 IE 的三个新角色
AI 不会让 IE 消失，但会改变 IE 的工作形态。我认为会出现三个新的核心角色。
4.1 角色一："问题架构师"（Problem Architect）
做什么：把模糊的业务诉求，转化为 AI 可以求解的明确问题。
为什么重要：AI 项目的失败，绝大多数不是因为算法不行，而是因为问题定义错了。
一个具体的例子：
业务诉求："我们想用 AI 优化排产。"
不好的问题定义："让 AI 排产。"（目标不清、约束不清、成功标准不清）
好的问题定义："在满足交期承诺（≥95% 准时交付）的前提下，最小化换型次数与在制品库存之和（加权）。约束包括：设备产能、模具数量、人员班次、原料齐套时间、换型时间矩阵。决策变量是每台设备在每个时段的任务分配。"
第二种表述才能交给算法团队。 而能把第一种翻译成第二种的人，就是"问题架构师"。
这个角色的能力要求：
- 深刻理解业务（知道真正的约束是什么）；
- 懂优化建模（能写出目标函数和约束）；
- 懂数据（知道哪些数据可得、质量如何）。
这几乎就是 IE 的能力定义。
4.2 角色二："AI 结果的守门人"（AI Gatekeeper）
做什么：判断 AI 的输出是否可信、是否合理、是否可执行。
为什么重要：AI 会 confidently wrong（自信地给出错误答案）。在制造业，一个错误的排产方案或工艺参数，代价可能是几十万。
守门人要做三件事：
| 检查 | 内容 |
|---|---|
| 合理性检查 | 这个结果在物理上说得通吗？（比如 AI 建议的切削参数会不会烧刀） |
| 约束检查 | 有没有违反我不知道的隐性约束？（比如某台设备下周要检修） |
| 稳健性检查 | 输入稍微变化时，结果会不会剧烈波动？（稳健性差的解不能用于生产） |
这个角色需要深厚的领域知识——你不知道正常是什么样，就判断不了异常。
4.3 角色三："人机协作流程的设计者"
做什么：设计"AI 做一部分、人做一部分"的工作流程。
为什么重要：短期内最有效的形态不是"AI 全自动"，而是"人机协作"。而协作流程需要有人设计。
一个典型的人机协作流程设计（以排产为例）：
1. AI 生成 3—5 个候选排产方案（各有不同的侧重点：最短交期/最少换型/最低库存）
2. AI 标注每个方案的风险点（如"方案 C 在第 3 天有原料短缺风险"）
3. 调度员选择一个方案，并做人工调整
4. 系统反馈调整结果，用于改进下次的方案生成
5. 保留人工完全介入的通道（紧急情况）
关键设计原则：
| 原则 | 说明 |
|---|---|
| AI 提供选项，人做决策 | 而不是 AI 直接下指令 |
| AI 必须给出理由 | 可解释性是信任的基础 |
| 人必须能覆盖（override） | 保留人的最终控制权 |
| 记录人的调整，用于改进 | 形成反馈闭环 |
设计这种流程，需要同时懂 AI 的能力边界和人的工作方式——这正是 IE 的专长。
五、四条准备路径
5.1 路径一：成为"懂 AI 的 IE"，而不是"转行做 AI"
核心判断：IE 学生不应该试图成为 AI 工程师（你会和计算机专业的人正面竞争，且处于劣势），而应该成为"能用 AI 解决业务问题的 IE"。
能力配比建议：
| 能力 | 投入 | 具体 |
|---|---|---|
| IE 系统与方法 | 40%（主力） | 这是你的身份 |
| 业务/行业知识 | 25%（主力） | AI 时代，领域知识更值钱 |
| 数据分析（SQL + Python） | 20% | 必须熟练，用于取数和验证 |
| AI 素养 | 15% | 知道什么场景用什么模型、能调库、能判断结果 |
"AI 素养"的具体含义（不需要会推导算法）：
- 知道监督学习、无监督学习、强化学习各自适合什么问题；
- 能调用成熟的库（scikit-learn、XGBoost、statsmodels）解决实际问题；
- 知道模型的局限（过拟合、数据泄漏、样本偏差、可解释性）；
- 能使用 AI 工具（如大模型辅助编程、分析）提升效率。
5.2 路径二：把"数据体系设计"作为核心能力
一个被严重低估的能力：决定"采集什么数据、颗粒度多细、怎么存、怎么关联"。
为什么重要：AI 的能力上限，由数据决定。如果当初没采集某个关键变量，后面所有 AI 项目都做不了。
而这个决策，通常在系统建设阶段（MES/ERP/WMS 上线时）做出，且不可逆（事后补采成本极高）。
IE 在这个环节的独特价值：你知道分析需要什么数据。一个纯 IT 背景的人设计的数据采集方案，往往"技术上完备、分析上无用"。
具体行动：
- 学习数据建模基础（维度建模、事实表与维度表）；
- 参与一次 MES/数据平台的规划或改造项目；
- 建立"分析需求 → 数据采集需求"的反推能力。
5.3 路径三：深耕一个行业，成为"AI + 行业"的复合人才
核心逻辑：AI 的通用能力会越来越容易被获取（模型开源、工具平民化），但行业知识不会。
一个懂电池制造工艺、又懂数据分析和 AI 的 IE，价值远高于一个只会调参的算法工程师。
具体行动：
- 选定一个行业深耕（新能源、半导体、生物医药、物流……）；
- 建立该行业的完整知识结构（工艺、成本结构、竞争格局、法规）；
- 积累该行业的真实数据和项目经验。
5.4 路径四：强化 AI 无法替代的"软能力"
三个最值得投入的：
| 能力 | 为什么 | 怎么练 |
|---|---|---|
| 问题定义 | AI 的起点 | 每次接到任务，先写下来"到底要优化什么、约束是什么、怎么算成功" |
| 跨部门推动 | AI 不能说服人 | 主动争取跨部门项目的机会；复盘失败案例 |
| 价值权衡 | AI 不做价值判断 | 每次做方案，都列出"它牺牲了什么"并说明为什么可以接受 |
六、几个具体问题的直白回答
问：我应该去学机器学习吗？
学，但要控制深度。 目标不是"会推导反向传播"，而是：
- 会用成熟的库解决实际的预测/分类问题；
- 知道什么场景该用什么模型；
- 知道模型的局限和陷阱（这比会调库更重要）。
投入 100—150 小时即可达到这个水平。不要花两年去转行做算法，那是另一种职业。
问：我会被 AI 取代吗？
取决于你现在做什么。做一个简单的自检：
| 如果你的大部分时间是…… | 风险 |
|---|---|
| 取数、做表、画图、写报告 | 高风险 |
| 跑标准分析、做常规预测 | 中高风险 |
| 设计方案、推动落地、解决争议 | 低风险 |
| 定义问题、识别约束、做权衡决策 | 极低风险 |
如果你的工作集中在前两类，现在就该开始转型。
问：AI 会让 IE 这个专业消失吗？
不会。但会改变它的形态。
一个历史类比：计算机和求解器的出现，没有让运筹学消失，反而让运筹学从"手算两三变量的玩具问题"变成了"能求解百万变量的工业工具"。求解器替代的是"计算"，不是"建模"。
AI 对 IE 的影响是同构的：它替代的是"分析和计算"，不是"定义问题和推动改变"。
问：现在学 IE 还来得及吗？
这个问题隐含一个假设：好像 AI 会"抢先"把 IE 的位置占掉。
实际情况是：AI 的普及是一个持续数十年的过程，而它会先替代那些"最容易替代"的工作。 你现在要做的不是逃离 IE，而是在 IE 内部，往"AI 难以替代"的方向走。
问：那我该不该转专业去学 AI？
如果你对算法研究有强烈兴趣，且数学能力强，转 AI/CS 是合理选择。
如果你只是"担心 IE 没前途"，那不建议转。因为：
- AI 领域的竞争会比 IE 激烈得多（你在和大量 CS、数学、统计专业的人竞争）；
- "AI + 行业"的复合人才，长期看比纯 AI 人才更稀缺。
七、一个可执行的年度计划
给在校生和在职者的具体行动清单。
7.1 在校生版（12 个月）
| 阶段 | 行动 | 产出 |
|---|---|---|
| 第 1—3 月 | 学 SQL + Python（pandas） | 能独立完成一次数据分析 |
| 第 4—6 月 | 学机器学习基础（scikit-learn 实战） | 完成一个预测或分类项目 |
| 第 7—9 月 | 学优化建模（OR-Tools） | 完成一个排产/路径优化项目 |
| 第 10—12 月 | 找一个真实场景，做端到端项目 | 一份可展示的作品集 |
关键：这四个项目要围绕同一个行业/场景，这样你会形成"行业 + 数据 + AI"的复合作品集，而不是零散的技能堆砌。
7.2 在职者版（12 个月）
| 阶段 | 行动 |
|---|---|
| 第 1—3 月 | 把自己日常工作中最重复的一件事自动化（用脚本或 AI 工具） |
| 第 4—6 月 | 在你负责的业务里，尝试引入一个 AI/数据方法，做一个小试点 |
| 第 7—9 月 | 主动参与公司的数据平台/数字化项目（哪怕只是需求提出方） |
| 第 10—12 月 | 复盘：你今年的工作里，有多少是"AI 做不了的"？如何增加这个比例？ |
最后一条最关键：每年问自己一次"我过去一年的工作，有多少是可以被自动化的"，然后主动往上走。
小结
AI 时代的工业工程，六句话：
AI 擅长在"给定的问题定义"下找最优解，不擅长"定义问题本身"。而改善项目的成败，八成取决于问题定义。这是 IE 最深的护城河。
成熟度差异巨大：视觉质检已成熟普及，需求预测和预测性维护已商用，智能排产仍主要在试点阶段（因为真实约束太多、需要人机协作）。不要被宣传误导。
正在消失的是"取数、做表、画图、写报告"这类执行性工作；正在升值的是"问题定义、约束识别、因果分析、权衡判断、跨部门推动"。
三个新角色：问题架构师（把模糊诉求转为可求解的问题）、AI 结果的守门人（判断输出是否合理可执行）、人机协作流程的设计者。
能力配比应该是：IE 系统方法 40% + 行业知识 25% + 数据分析 20% + AI 素养 15%。不要试图转行做算法工程师。
AI 对 IE 的影响，与当年求解器对运筹学的影响同构：替代的是计算，不是建模。工具会进化，问题不会消失。
最后一句：每一次技术变革，被淘汰的都不是某个职业，而是"用旧方法解决旧问题"的人。泰勒时代被淘汰的是凭经验下指令的工头，不是 IE；AI 时代被淘汰的会是"只会做报表和算指标"的 IE，不是 IE 本身。
相关阅读
- 咨询业中的工业工程：精益顾问、运营咨询与 IE 的方法论变现：咨询公司卖的很多东西，本质上就是工业工程。本文拆解两条赛道：战略咨询看重学校品牌与商业敏感度…
- 汽车与新能源汽车行业的工业工程：从节拍平衡到产能爬坡：一辆车由上万个零件组成，总装节拍只有 60—90 秒。本文拆解汽车制造四大工艺（冲压/焊装/…
- 医疗器械制造的工业工程：在法规的笼子里做精益：在医疗器械行业，改一个工艺参数要重新验证，换一台设备要走变更控制。本文拆解这个行业的 IE …
- 光伏与储能制造的工业工程：良率瀑布、产能过剩与技术迭代的三重博弈：光伏组件价格十年下降约一个数量级，制造端每瓦只赚几分钱。本文拆解产业链四环节（硅料/硅片/电…
- 灯塔工厂里的工业工程师在做什么：高度自动化的工厂还需要 IE 吗？本文拆解 IE 在灯塔工厂中的五个新角色、技能升级清单，以…
