那嗡嗡的震声顺着铁架子往脚底板钻。
以前这活全靠老师傅的手感。听震的频率变了，就知道轴承是不是要换。现在？哦，现在机器也会听了。
先别扯算法，先讲老周的耳朵
老周干了27年轧钢设备维护。他的耳朵判断轴承好坏，从来不是对着光滑的曲线发呆。他换过的轴承攒了半间工具柜，每次换之前的振动频率、轴承温度、当时的轧制速度、钢坯的材质，这些零散的数他记了三个硬皮本。
以前带徒弟，要教个三五年才能练出这耳朵——得摸过几十根状态完好的轴承，摸过几十根磨到间隙超标的故障件，记住那层麻在指腹上的震感差。
现在不一样了。我们把他攒了半辈子的记录，还有近十年三号机组所有的轴承更换台账，全部导进系统里。你说这是机器学习？对，说白了就是这个。
不是有人拍着脑袋给机器写死规则“振动超过多少分贝就报警”。是机器自己从一堆零散的、没条理的老数据里，刨出来藏在细节里的规律：当振动频率落在120-140Hz区间，同时润滑油温比日常均值高8度，而且最近三天轧的都是含镍量偏高的特种钢，那这根轴承大概率在72小时内要出问题。
别信那些卖课的扯什么通用人工智能。就这一个小活，机器学的东西跟老周的耳朵本质上没差。老周刚入厂的时候，师傅也是拿着他的手，让他在好轴承和坏轴承上反复摸，把那个触感刻进肌肉记忆里。机器学东西也一样，你得给它“喂”够足够多的好的、坏的真实样本，它才能分出来哪个是正常状态，哪个是藏着隐患的异常。
最难的不是写代码，是擦干净手里的脏数据
去年有个刚毕业的小孩，抱着笔记本在机房坐了一周，说要给轴承故障做个高精度模型。结果跑出来的准确率低到离谱。
我当时看着他的结果，差点气笑了。
他把数据库里的数全导出来就直接用了啊。你想想，车间的数哪有那么干净：上个月设备校准的时候，测头偏了两度，那半个月的振动记录全是飘的；班组交接班的时候，忙着换班吃饭，忘了录当时的轧制速度，那栏空了小半；甚至有次打扫卫生的阿姨擦机器，不小心把测头碰歪了，那一下冲上天的振动尖峰，被他当成典型故障样本塞进了训练集。
老周听说这事后，拎着个掉了瓷的搪瓷缸子去机房，蹲在电脑前面翻了一下午的原始记录，把那些飘的、空的、被碰歪测头弄出来的离谱数据全标出来划掉。重新导了一遍干净的数据集，再跑模型，准确率直接提上来了。
说白了，机器学习里80%的活，根本不是调什么复杂的网络结构，是把那些藏在车间犄角旮旯的脏数据挑出来擦干净。那些飘在PPT里的“算法突破”，在车间的油污、错漏的记录面前，屁用没有。
别神化，机器永远学不会老周的“那点直觉”
现在模型跑顺了，报警也准了。有人说，这下老周可以彻底歇着了？
哪能啊。
上个月系统弹了个报警，说主传动轴的轴承磨损超标，得赶紧停机换件。老周拎着测头过去，凑在护罩边听了两分钟，又伸手摸了摸测头的固定螺丝，摆摆手说不用换。
为啥？因为当天早上刚换了个新的振动测头，灵敏度比旧的高了30%，数值看着比平时高一大截，但实际轴承的磨损量根本没到需要停机的程度。这时候要是全信机器的报警，就得白拆一次轴承，耽误俩小时生产，损失小十万。
机器能从过去的历史数据里挖规律，但它不知道今天的测头是新换的，不知道刚才班组为了抢交货期，临时把轧制速度提了5%，甚至不知道前两天下雨，车间空气湿度比平时高了不少，润滑油的粘度变了。这些藏在数据背后的、从来没被系统记下来的小变量，是老周天天在车间泡着才能摸出来的直觉。
有人说以后机器学习要把车间的老师傅都替代了？拉倒吧。就像你给个刚毕业的小孩配再贵的测振仪，他也得在车间泡个三五年，才能从一堆跳动的波形里闻出来哪块不对。机器能把那些重复的、耗时间的找规律的活干了，省得老师傅天天熬夜翻台账找记录，但它永远接不住那句飘在脑子里的“不对，今天哪有点怪”。
上周老周下班的时候，揣着他那本记了27年的硬皮本，跟我说，现在模型学的那些东西，一半是从他的本子里扒的。等他退休了，这本子就给模型当补充教材用。
也挺好。以后新徒弟不用再冻得手僵，站在传动轴旁边摸一整个冬天的轴承了。