這兩年，科技行業最燒錢的賽道之一非 AI chips莫屬。英偉達坐莊，Google、Amazon、OpenAI排隊做自研晶片，Anthropic最近也被曝出正在組建晶片團隊。
但就在這些 AI晶片正在比拼製程、帶寬和算力時，在波蘭庫特諾的一條品客薯片生產線上，另一種可食用的 chip已經從產能和現金回報中驗證了 AI的價值：產能提升10%，損耗降低13%，公司稱前期投入回報率超過40%。
為了得到這些數字，品客製造商 Kellanova聯合西門子花了約4年時間，投入約400萬至500萬美元。他們先給薯片麵團建立數字孿生，再沿生產線佈置傳感器，採集約200項實時數據，讓 AI在麵團斷裂、粘鍋或者拖慢生產之前發出預警。
你平時吃罐裝薯片還是袋裝薯片更多？對於我們大部分人來說，這兩者之間的差別可能僅限於包裝方式和形狀。但對於品客這些生產商來說，罐裝薯片實際上要就比袋裝的難生產很多。
每片罐裝薯片的弧度、大小和厚度都要儘量一致，才能整齊地疊進圓筒；只要其中一項出現偏差，後面的油炸、輸送和裝罐就可能受到影響。
普通袋裝薯片可以大小不一，邊緣捲曲或調味不均通常不影響銷售。但如果罐裝薯片的形狀、厚度和含水量稍有偏差，問題就會沿着生產線一路放大：麵團可能在壓制時斷開，薯片可能粘在炸鍋里，也可能在裝罐時破碎。生產速度越快，小偏差造成的廢料和停機時間就越多。
但食品原料又很難像工業零件那樣保持穩定。麵粉顆粒大小、馬鈴薯原料的含水量、澱粉和蛋白質水平，都會隨產地、收成和批次變化。昨天運轉順暢的配方，換一批原料後未必還能得到同樣的結果。
過去，工廠主要依賴熟練操作員應對這種變化。他們觀察麵團的顏色和狀態，憑經驗調整水、油和原料比例。經驗依然有效，只是往往要等麵團開始斷裂、薯片粘住或者生產線停下來之後，工人才知道哪裏出了問題。
因此，Kellanova和西門子希望把判斷的時間往前移。雙方先在虛擬環境中重建麵團及其生產過程，讓工程師可以調整原料比例、溫度和機器參數，觀察麵團經過混合、壓制、油炸和裝罐時可能發生的變化。真實生產中的一次試錯可能意味着停線和廢料，在數字孿生里，同樣的測試可以反覆進行。
這種數字孿生也不是建好後便不再變化的三維模型。生產線上的傳感器、攝像頭和檢測設備不斷向它輸入真實數據，模型再根據新的原料和設備狀態更新判斷。工廠採集的信息包括麵團濕度、麵粉顆粒大小、蛋白質水平，以及油和水的比例等約200項指標。
部署在產線附近的邊緣端 AI模型會據此預測當前批次的麵團狀態，並向操作員推薦配方或設備調整。最終決定仍由人作出。AI沒有取代工人的經驗，而是把散落在不同環節里的信號集中起來，讓經驗可以在問題出現之前發揮作用。
原本，操作員看到壞麵團後才會停線檢查；現在，系統可以在異常剛剛形成時提示原料或參數發生了變化。工人不必從整條生產線逐一排查，也不用等到一批薯片報廢后再尋找原因。AI在這裏承擔的工作很具體：縮短判斷時間，減少試錯次數。
西門子公佈的結果顯示，庫特諾工廠的產能提升了10%，損耗降低13%，能源消耗減少7%，而產能增長沒有依賴新建生產線。對於一座已經高度自動化的工廠，這意味着同樣的廠房和主要設備可以生產更多合格薯片，同時少扔掉一些麵團、廢罐和碎片。
約500萬美元的前期投入依然不低，4年開發周期也不算短。Kellanova稱，項目的投入回報率已經超過40%，但沒有公開具體的計算周期和口徑。即使如此，產能、損耗和能耗都是能夠直接進入工廠成本報表的數字，相比起生產式 AI讓「員工更高效」或者「決策更智能」的效果，顯然要容易核算得多。
圖丨在波蘭庫特諾的凱拉諾瓦生產線上，傳感器正在分析品客薯片。（來源：西門子）
這類工業 AI不需要回答開放問題，也不需要掌握人類全部知識。它只需要理解一團麵團如何在特定機器、溫度和濕度下發生變化。預測是否有效，很快就能從斷裂率、停機時間、產量和廢料中得到反饋。
它們也不像大模型，需要在訓練階段投入巨量資源。相比之下，更重要的是工程師需要先理解哪些變量影響麵團，決定在哪裏安裝傳感器，統一不同機器產生的數據，再把操作員多年積累的經驗轉化為可以驗證的規則。AI出現在項目的最後一段，前面是大量工藝建模、設備改造和數據整理。少了這些工作，200個數據點只會變成200組彼此無關的數字。
這一點決定了項目能否複製。Kellanova在波蘭、比利時和美國田納西州的3座工廠每年生產約7.05億磅品客，把庫特諾的改善幅度推廣到更多產線，收益將遠高於一座工廠的節省。不過，不同工廠的設備、原料和工藝條件各不相同，數字孿生無法原樣複製，模型仍需重新校準。目前公開資料主要披露了波蘭項目的結果，跨工廠推廣的成本和成效尚未公佈。
2025年12月，Kellanova被瑪氏收購，品客由此進入後者的全球零食業務。對於一家每年生產數億磅薯片的公司，AI的商業價值無需依靠一個面向消費者的新功能來證明。讓同一條產線少停幾次、多生產一些、少扔掉一批麵團，已經足夠。
