AI 来了，光伏技术岗会被取代吗？

本文要点

AI 替代的是任务，不是岗位。本文把材料、设计、工艺、可靠性、失效分析、认证六类岗位逐个拆开，看哪些活在贬值，哪些在升值。全文约 3000 字，阅读约 8 分钟。

这两年，光伏人的焦虑是叠在一起的。

一头是行业周期：产能出清、价格内卷、编制收紧。另一头是 AI：大模型一年上一个台阶，写报告、读标准、看图片，样样都像模像样。

于是技术群里隔三差五冒出同一个问题：再过几年，材料、工艺、可靠性、认证这些岗位，还需要这么多人吗？

我们的看法是：人会少一些，岗位不会消失；真正被重写的，是每个岗位里“人该干什么”。下面把这个判断拆开说。

01先立一个框架：AI 替代的是任务，不是岗位

一个岗位从来不是一件事，而是一包任务。

以可靠性工程师为例，一周里大致在做这些：排测试计划、盯设备和样品、整理数据、画图写报告、查标准、和客户或认证机构沟通，以及在出现异常时判断“这是真失效，还是测试本身的问题”。

这些任务对 AI 的“抵抗力”差别极大。整理数据、画图、写报告初稿、查条款，AI 今天就能做个七八成；判断异常、设计实验、对结果负责，AI 只能当助手。

图1　一个岗位，是一包任务

换个问法

“我的岗位会不会被取代”是个坏问题。好问题是：我手上的任务，哪些正在变得不值钱，哪些正在变得更值钱？

02AI 已经进到哪一步了

不谈概念，看三件已经发生的事。

• 产线质检最早落地。早在大模型出现之前，就有云厂商和电池厂合作，实现了 EL 缺陷的毫秒级自动判定。到了大模型阶段，据公开报道，英利与河北工业大学团队自 2024 年起合作开发光伏质检大模型：模型在 EL 图像上标出“虚焊”等疑似缺陷，人工只做复核判定。请留意这个分工：机器初判，人来复核。它是之后所有岗位的模板。
• 研发端走得比多数人以为的远。2026 年《Nature》刊出的一项工作，把机器学习筛选分子和自动化器件制备连成了闭环，在钙钛矿电池上找到一种新的界面钝化分子（5ANI），并通过贝叶斯优化自主完成了工艺优化：小面积电池效率 27.22%，21.4 cm² 微型组件 23.49%，自动化平台的效率重复性约为手工制备的 5 倍。“设计—制备—测试—分析”这个循环，在光伏器件上已经可以基本不靠人手地转起来。
• 文字类工作变化最快。标准条款检索、文献综述、测试报告初稿、8D 报告框架、英文邮件，通用大模型已经足够好用，门槛只是一个账号。

一句话结论

三件事指向同一个规律：凡是输入输出都是数据、对错有明确标准的环节，AI 进得最快。

03六类岗位，逐个拆

按这个规律，把光伏技术线上最常见的六类岗位过一遍。每一类只回答三个问题：AI 接手什么，人留下什么，结论是什么。

1. 材料研发与导入

• AI 接手：文献和专利梳理、配方与性能的关联建模、DOE 方案初稿、供应商资料比对。
• 人留下：判断一个新材料到了量产会出什么问题：批次波动、与其他辅材的匹配、层压窗口、供应商到底靠不靠谱。导入的本质是风险判断，而风险往往藏在数据之外。
• 判断：研发提速明显，导入环节人的分量反而更重。

2. 组件设计

• AI 接手：版型排布、电学与光学仿真的参数扫描、CTM 损失分解、BOM 成本测算。
• 人留下：在功率、成本、可靠性、可制造性和客户偏好之间做取舍。约束条件说不清的地方，就是设计师的位置。
• 判断：出方案快了几倍，选方案仍然是人。

3. 工艺开发

• AI 接手：参数窗口寻优、SPC 异常预警、设备数据关联分析、虚拟量测。
• 人留下：现场。设备的脾气、换料之后的变化、良率突然掉了半个点该去哪儿找，这些是在产线上“泡”出来的。
• 判断：数据基础好的工厂受益最大，也最挤压“只会调参”的人。

4. 可靠性测试

• AI 接手：测试排程、数据清洗与出图、报告初稿、衰减趋势外推。
• 人留下：测试设计和结果解读。更要紧的是时间无法压缩：DH1000 就是 1000 小时，TC200 就是 200 个循环，AI 不能让环境箱跑得更快。
• 判断：文书工作大幅减少，会设计测试、会读结果的人更稀缺。

5. 失效分析

• AI 接手：EL、红外、外观图像的缺陷识别与分类，历史案例检索，列出可能机理的清单。
• 人留下：因果链。从现象到机理再到根因，要决定下一步切哪里、测什么，并排除似是而非的解释。AI 给得出十个假设，证伪其中九个要靠人和实验。
• 判断：AI 是很好的“第二意见”，定论仍要人来下。

6. 认证

• AI 接手：标准条款检索与比对、不同市场要求的差异梳理、申请资料准备、BOM 变更后重测项目的初步判断。
• 人留下：与认证机构的沟通和争议处理，对标准灰色地带的把握，以及签字背后的责任。
• 判断：资料型工作受冲击最大，懂标准背后道理的人价值上升。

图2　六类岗位 AI 影响一览（作者主观判断）

小结

六类岗位看下来，有一个共同点：AI 拿走的多是“整理”和“初稿”，留给人的多是“取舍”和“定论”。

04AI 绕不过去的三道坎

• 第一道是数据。光伏的数据分散在各家企业手里，高度保密，格式也不统一，失效样本尤其少而杂。模型没见过的东西，它只能猜。谁手里有干净、成体系的数据，谁的 AI 才真正好用。
• 第二道是物理。材料老化和户外实证，要的是真实的时间与环境。AI 能帮我们少做无效实验，却不能替代实验本身。
• 第三道是责任。一份认证报告、一个导入结论、一次批量放行，背后是二三十年的质保和真金白银的索赔。能签字、签了要负责的，只能是人。

图3　AI 绕不过去的三道坎

05值钱的能力在迁移

过去，一个技术人的价值很大一部分来自“知道”：记得住标准条款，报告写得又快又全，某个环节干得久、见得多。

这些能力没有失效，只是不再稀缺。AI 拉平了“知道”的差距，放大了“判断”的差距。以后更值钱的，是问得准问题、判得了真假、设计得出实验、跨得了环节、担得起结论。

图4　能力模型在迁移

受冲击最直接的是初级岗位。过去新人靠整理数据、写报告入门，这些活正被 AI 拿走。新人怎么成长、老人怎么带人，都得跟着变。这是比“裁不裁人”更现实的管理问题。

06给同行的五条建议

1. 把 AI 当同事用起来。先从每天都在做的事开始：读标准、写报告、整理数据。用过才知道它哪里靠谱、哪里不靠谱。
2. 多去现场。现场经验是 AI 最难拿到的数据，也是判断力的来源。
3. 把经验写下来。案例、判据、踩过的坑。成体系的经验才能交给 AI 用，也才会变成自己的资产。
4. 往相邻环节走一步。做材料的懂一点可靠性，做测试的懂一点认证。跨环节的判断最稀缺。
5. 守住严谨。AI 会一本正经地说错。条款号、数值、机理，都要回到标准原文和数据去核对。

07写在最后

光伏是一个靠时间验证的行业：组件要在户外站上二三十年，才知道当初的判断对不对。

AI 会让我们算得更快、看得更多、写得更省力。但“对不对”这件事，最终还是要有人负责。

一句话结论

被替代的不会是光伏技术人，而是不用 AI、也不再精进判断力的那种工作方式。

你所在的岗位，哪项工作已经交给 AI 了？欢迎与我们交流。

数据口径：图 1 中各任务可由 AI 接手的比例、图 2 中六类岗位的影响程度，均为作者基于行业经验的定性判断，非调查统计数据。

参考资料

1. D. Gao, et al. Autonomous closed-loop framework for reproducible perovskite solar cells. Nature 653, 707–714 (2026). DOI: 10.1038/s41586-026-10482-y
2. 《AI赋能千行百业一线故事（二十三）：大模型“质检员”，给光伏产线装上“火眼金睛”》，2026
3. DeepTech：《AI最前线：产线质检揪出光伏、PCB、芯片产品瑕疵》

光伏新材料研究所

光伏新材料研究所
十余年光伏研发与技术团队｜硬核专业知识分享
材料 · 可靠性 · 失效分析 · 标准认证 · 产品 · 工艺
AI+光伏探索交流，欢迎合作

声明：
1. 原创内容仅代表作者个人观点，仅供参考，不构成投资建议。
2. 转载及引用内容均注明出处，尊重原创。
3. 部分内容含AI辅助（图表生成、数据检索、概念说明等），核心框架与重点内容由本技术团队撰写，并经人工审核。
4. 如有不实或侵权，请留言或联系我们处理