2025制造业AI落地实战：从立项到运维的工程化踩坑指南

1. 制造业AI落地的真实图景从概念狂欢到产线肉搏2025年过半我跑了一圈长三角和珠三角的制造企业从年产值几十亿的汽配龙头到给大厂做二级配套的注塑小厂聊了不下二十个项目。一个最直观的感受是制造业AI落地这件事终于从PPT里的“战略规划”变成了车间里的“今天必须搞定”。前两年大家还在争论“AI到底能不能用在工业场景”现在争论的焦点已经变成了“为什么隔壁那条线良率提了三个点我们这条线还在误报”。这个观察的核心是制造业AI项目落地的真实状态。它解决的不是“有没有AI”的问题而是“AI在粉尘、油污、震动、高温的产线环境里能不能稳定跑满一个班次”的问题。适合谁来参考如果你是制造企业的数字化负责人、工艺工程师、设备主管或者你是做工业AI解决方案的售前售后工程师这篇文章里的踩坑记录和实操细节大概率能帮你省下几个月的试错时间。我先把结论摆在前面2025-2026年这一波制造业AI落地最大的变化不是算法精度又提升了几个点而是工程化能力成了分水岭。算法本身已经高度同质化真正拉开差距的是数据采集方案、现场部署方式、异常处理机制和一线人员的接受度。下面我按项目全生命周期的逻辑把看到的、试过的、踩过的坑一层层拆开讲。2. 项目立项前的灵魂拷问你的场景到底值不值得上AI2.1 先算一笔账AI项目的投入产出到底怎么估很多制造企业上AI项目的冲动来自参观同行工厂时的震撼——大屏上实时跳动着检测数据机械臂精准抓取好像不上AI就落后了一个时代。但我见过太多项目死在“算账”这一步。不是AI没用是账没算对。一个典型的视觉检测AI项目投入侧至少包括工业相机及镜头单工位1-3万、光源系统5千-2万、边缘计算设备1-3万、网络改造视厂区情况5千-5万不等、软件平台授权按年付费3-15万/年、实施服务费通常按人天计2千-4千/人天、以及最容易被低估的产线停机改造时间成本。产出侧呢通常是替代几个质检员、提升多少良率、减少多少客诉。这里有个关键点质检员的工资不是你的直接节省因为人还在只是换了个岗位。真正的节省来自良率提升带来的返工减少和物料浪费降低。我建议的算法很简单把项目总投入除以“每月可量化的现金节省”得出回本周期。如果超过18个月除非有明确的战略卡位需求否则建议先做小范围POC验证。我见过一个做精密五金件的厂老板拍板上了一套AI外观检测结果因为产品表面反光特性复杂误报率居高不下最后产线工人直接把系统关了项目烂尾。后来复盘问题就出在立项时没做场景可AI化评估。2.2 场景可AI化评估的四个硬指标不是所有制造场景都适合上AI。我总结了一个四维评估框架每个维度打分1-5分总分低于12分的场景建议先放一放。评估维度核心问题高分特征4-5分低分特征1-2分数据可获得性能否稳定采集到高质量数据有历史数据积累采集环境可控数据全靠现场临时采环境恶劣判定标准明确性好与坏的边界是否清晰有明确国标/行标/企标老师傅能说清依赖主观经验不同人判定不一致容错空间误判的代价有多大误判可返工不影响安全误判导致停线或安全事故频次与规模这个场景每天发生多少次高频重复人工易疲劳低频偶发人工完全能应付拿“产品表面缺陷检测”举例如果缺陷类型固定、有标准样本库、误判后可以人工复检那这个场景得分会很高。但如果是“设备故障预测”数据采集本身就困难故障样本极少判定标准模糊那就要谨慎。我见过一个做轴承的厂非要上AI预测性维护结果采集了半年的振动数据故障样本只有三例模型根本训不出来。后来改成规则引擎阈值报警成本降了八成效果反而更稳。注意不要被算法供应商的“小样本学习”“迁移学习”话术带偏。工业场景的样本稀缺是物理现实不是算法能完全绕过去的。样本少的时候传统信号处理专家规则往往比硬上深度学习更靠谱。2.3 立项阶段必须拉齐的三方预期制造业AI项目最怕什么最怕IT部门觉得是工艺部门的事工艺部门觉得是设备部门的事设备部门觉得是供应商的事。我参与过的一个成功项目立项时老板直接指定了一个跨部门三人小组一个懂工艺的老师傅、一个懂数据的IT工程师、一个懂设备的现场主管。三个人每周碰一次所有决策当场拍板。这个机制解决了一个核心问题预期对齐。工艺老师傅关心的是“别给我增加额外操作”IT工程师关心的是“数据接口要标准”设备主管关心的是“别影响我产线节拍”。三方诉求不同如果不提前拉齐项目推进到一半必然扯皮。我的经验是立项阶段至少要开三次会第一次对齐目标到底解决什么问题第二次对齐边界AI做什么人做什么第三次对齐验收标准什么样算成功。这三次会开完项目成功率至少提升一半。3. 数据采集与标注最脏最累但最不能省的环节3.1 工业现场数据采集的五个隐形坑数据采集是AI项目里最不起眼但最要命的环节。我见过太多团队算法模型调得飞起结果数据质量一塌糊涂最后模型在测试集上表现很好一到产线就崩。下面这五个坑每一个我都亲眼见过。第一个坑光照变化。实验室里打光均匀产线上窗户透进来的自然光、旁边工位的焊接弧光、甚至工人衣服的反光都会让图像分布发生偏移。解决方案不是买更贵的相机而是做遮光罩固定光源把环境变量控制住。我见过一个项目就因为没做遮光模型在下午三点到五点之间误报率飙升后来查了半天才发现是西晒的阳光角度变了。第二个坑相机震动。产线设备一启动地面都在抖相机跟着抖图像就糊。这个问题在高速产线上尤其明显。解决办法要么是加固相机支架要么是用全局快门相机替代卷帘快门。全局快门贵不少但在震动环境下是刚需。第三个坑镜头污染。粉尘、油雾、水汽在镜头前待几个小时就一层灰。我见过最离谱的一个打磨车间的相机一个班次下来镜头糊得跟毛玻璃一样。后来加了正压吹气装置用压缩空气持续吹镜头表面才解决。这个细节很多方案商在POC阶段根本不会提因为POC通常只跑几个小时。第四个坑数据存储带宽。高分辨率工业相机一张图几十兆产线节拍一秒好几张一天下来数据量惊人。如果全部存原图存储成本和传输带宽都扛不住。我的建议是边缘端做预处理只存有缺陷的图和少量正常样本正常图直接丢弃。但这里有个平衡丢弃太多正常样本模型会缺乏负样本导致误报率上升。通常建议正常样本和缺陷样本比例控制在5:1到10:1之间。第五个坑时间同步。多相机、多传感器融合的场景时间戳不同步数据对不上。这个问题在POC阶段往往被忽略因为POC通常只用一路相机。但到了产线部署往往需要和PLC信号、MES系统联动时间同步就成了大问题。建议从一开始就用PTP精密时间协议或至少NTP做时钟同步。3.2 数据标注为什么你的标注团队总在返工数据标注是另一个重灾区。很多企业觉得标注就是找人画框随便找几个实习生就能干。结果标注质量参差不齐模型训练出来效果忽好忽坏。我总结下来标注环节有三个核心问题需要解决。问题一标注标准不统一。同一个缺陷张三觉得是“划痕”李四觉得是“擦伤”王五觉得是“异物压痕”。这种不一致在标注团队规模超过三个人之后必然出现。解决办法是制定标注手册定期校准。标注手册要包含每个缺陷类别的正例和负例边界案例要特别说明。校准就是每周抽一批标注结果让所有人一起看讨论分歧点统一认识。问题二标注工具不好用。很多团队用开源标注工具功能简陋标注效率低。工业场景的标注往往需要多边形分割、关键点标注、多图层叠加通用工具根本不够用。我建议要么用成熟的商业标注平台要么基于开源工具做二次开发把常用操作快捷键化。一个熟练的标注员用顺手的工具效率能差出三倍。问题三标注数据管理混乱。标注完的数据版本混乱今天用这个版本训模型明天用那个版本结果无法复现。必须建立数据版本管理机制每次标注完成打一个版本号记录标注时间、标注人、标注标准版本。这个习惯在项目初期看起来麻烦但到了模型迭代阶段能救命。实操心得标注团队最好包含至少一名懂工艺的老师傅。他不需要亲自标但要负责审核和仲裁。遇到边界案例他一句话就能定调比标注团队自己争论半天效率高得多。3.3 数据增强在样本不足时如何“造”数据工业场景的缺陷样本往往很少尤其是新产线或新产品导入阶段。这时候数据增强就是必备手段。但工业图像的数据增强和自然图像不一样不能随便旋转、翻转、裁剪因为缺陷的形态和方向是有物理意义的。我常用的工业数据增强策略包括亮度对比度扰动模拟光照变化、高斯噪声模拟传感器噪声、局部遮挡模拟镜头污染或遮挡、轻微几何变换模拟产品位置偏移。但要注意几何变换的幅度要控制一个划痕旋转90度和旋转5度物理意义完全不同。更高级的做法是基于物理模型的合成数据生成。比如用渲染引擎模拟不同光照条件下的缺陷外观或者用GAN生成逼真的缺陷图像。但这条路门槛高需要算法团队和工艺团队深度配合。我见过一个做金属表面检测的团队用渲染引擎生成了上万张合成缺陷图配合少量真实样本模型效果提升明显。但前提是他们对缺陷的物理成因理解得非常透彻。4. 模型选型与训练别被“大模型”带偏了节奏4.1 工业场景下模型选型的三个务实原则2025年大模型、基础模型的概念满天飞。但在制造业AI落地场景我的建议非常明确务实优先别追热点。工业检测场景90%以上的需求用经典的CNN卷积神经网络就能解决YOLO系列、ResNet系列、U-Net系列这些成熟架构在工业数据集上表现稳定部署方便推理速度快。大模型不是不能用但你要想清楚你的产线节拍允许几百毫秒甚至几秒的推理延迟吗你的边缘设备算力够吗我总结的模型选型三原则第一推理速度优先于精度。产线节拍是硬约束一个模型精度再高推理时间超过节拍就是废的。通常工业检测要求单帧推理时间在50毫秒以内高端场景甚至要求10毫秒以内。第二模型大小要匹配部署环境。边缘设备内存有限模型太大跑不起来。第三可解释性很重要。产线出问题时工程师需要知道模型为什么判废而不是一个黑盒输出。CAM热力图、注意力可视化这些工具在工业场景比在学术场景更有价值。4.2 训练集、验证集、测试集的划分陷阱工业数据的划分和学术数据集完全不同。学术数据集是随机划分工业数据必须按时间、按批次、按产线划分。为什么因为工业数据存在分布偏移。今天产线的光照条件和明天不一样这批原料和上批原料有差异A产线和B产线的设备状态不同。如果随机划分训练集和测试集分布相似模型表现虚高一到新批次就崩。我的做法是训练集用历史数据验证集用近期数据测试集用最新数据。比如用1-3月的数据训练4月的数据验证5月的数据测试。这样能真实反映模型在新数据上的泛化能力。如果条件允许最好留一条产线的数据完全不参与训练专门做跨产线测试。还有一个坑缺陷样本的时间聚集性。很多缺陷是批量出现的比如某批原料有问题连续几百个产品都有缺陷。如果随机划分训练集和测试集里都有这批缺陷模型学到的可能是“这批原料的特征”而不是“缺陷本身的特征”。所以划分时要确保同一批次的缺陷样本不跨集。4.3 模型评估准确率是最没用的指标在工业场景准确率Accuracy是最没用的指标。为什么因为缺陷样本通常只占1%甚至更低一个全部判合格的模型准确率也有99%。所以要看召回率Recall和精确率Precision以及它们的权衡。召回率是“所有真实缺陷中模型找出了多少”精确率是“模型判为缺陷的样本中有多少是真的缺陷”。这两个指标是矛盾的提高召回率精确率往往下降提高精确率召回率往往下降。怎么权衡看误判代价。如果漏判一个缺陷导致客诉代价是几千块误判一个合格品导致返工代价是几十块。那就要优先保证召回率宁可误判不可漏判。但这里有个陷阱过杀率Overkill Rate。如果模型太敏感把大量合格品判为缺陷产线工人天天复检很快就会对系统失去信任最后直接关掉。我见过一个项目模型召回率99%但过杀率30%产线每天多出几百个复检任务工人怨声载道项目三个月后就名存实亡了。所以我的建议是过杀率控制在5%以内在这个约束下尽量提高召回率。指标定义工业场景目标值备注召回率真实缺陷被找出的比例95%安全相关场景要求99%精确率判为缺陷中真实缺陷的比例80%与过杀率互补过杀率合格品被误判为缺陷的比例5%超过10%产线会抵触推理延迟单帧推理时间50ms高速产线要求10ms模型大小模型文件体积100MB边缘设备部署约束5. 部署与集成从实验室到产线的最后一公里5.1 边缘部署 vs 云端部署怎么选制造业AI部署边缘部署是主流。原因很简单产线对延迟敏感网络不稳定数据安全要求高。但边缘部署也有代价算力有限运维麻烦模型更新不方便。我的建议是混合架构推理在边缘训练和模型管理在云端或厂内服务器。边缘设备选型要考虑算力GPU还是NPUTOPS指标、功耗产线柜内散热条件、接口网口、串口、GPIO、防护等级IP等级防尘防水、工作温度宽温还是常温。我见过一个项目边缘盒子放在产线电柜里夏天柜内温度50度盒子过热降频推理延迟翻倍。后来换了宽温工业级设备才解决。云端或厂内服务器负责数据存储、模型训练、模型版本管理、远程监控。这里的关键是模型下发机制。新模型训练好后怎么安全地推送到几十个边缘节点我的做法是灰度发布先推一台观察24小时没问题再推10%最后全量。同时保留回滚机制一旦新模型表现异常一键切回旧版本。5.2 与PLC、MES、SCADA的集成实操AI系统不是孤岛必须和现有工业系统集成。最常见的集成需求是AI检测结果触发PLC动作比如剔除不良品、检测数据上传MES用于质量追溯、设备状态上传SCADA用于监控。和PLC集成通常用IO信号或工业协议如Modbus TCP、Profinet、EtherCAT。IO信号最简单可靠但传输信息量有限通常只传“合格/不合格”一个bit。工业协议能传更多信息但配置复杂不同品牌PLC协议不同。我的经验是关键动作走IO辅助信息走协议。比如剔除动作走IO保证实时性检测结果和图像路径走Modbus TCP用于追溯。和MES集成通常用RESTful API或消息队列。这里有个坑MES系统的接口往往很老旧文档不全字段定义模糊。我建议在集成前先用Postman或curl把MES接口全部测一遍确认请求格式、响应格式、错误码。不要相信文档要相信实测。注意集成测试一定要在产线停机窗口做。我见过一个团队在产线运行时调试集成结果AI系统误发了一个剔除信号把一批合格品全打掉了。这种事故一次就足以让项目被叫停。5.3 产线现场部署的五个细节部署那天才是真正见真章的时候。下面这五个细节每一个都来自真实踩坑。细节一相机安装角度。理论计算的角度和实际安装往往有偏差。建议用激光水平仪辅助定位确保相机光轴垂直于检测面。角度偏差一度图像畸变就可能影响检测效果。细节二线缆走线。产线环境复杂线缆要走线槽或拖链避免被运动部件扯断。网线要用工业级屏蔽网线避免电磁干扰。我见过一个项目网线没屏蔽旁边变频器一启动图像就出现横纹。细节三接地。工业现场电磁干扰严重设备接地不好图像噪声大。相机、光源、边缘设备都要单独接地接地电阻小于4欧姆。细节四防尘防水。根据产线环境选择合适防护等级的机柜。打磨、抛光车间要IP65以上普通装配车间IP54可能就够。但要注意防护等级不是越高越好高防护等级意味着散热差要平衡。细节五操作界面。产线工人不会用复杂的软件。操作界面要极简一个大绿按钮“开始检测”一个大红按钮“停止”一个状态灯“正常/异常”。参数配置界面可以藏深一点给工程师用。我见过一个项目操作界面有二十几个参数工人直接懵了最后拿胶带把屏幕贴住只留一个开始按钮。6. 运维与迭代项目上线才是真正的开始6.1 模型衰退为什么你的模型越用越不准模型上线后效果往往会逐渐下降。这不是模型坏了是数据分布漂移了。产线换了新原料、调整了工艺参数、更换了设备部件都会导致图像分布变化模型在新数据上表现下降。这个问题在工业场景非常普遍但很多团队没有预案。我的做法是建立模型健康度监控。每天统计模型的置信度分布、判废率、过杀率。如果判废率突然升高或降低或者置信度分布发生明显偏移就触发预警。同时定期比如每周抽一批产线数据做人工复核评估模型实际表现。模型更新策略有两种定期更新和触发式更新。定期更新是每月或每季度用新数据重新训练一次。触发式更新是监控到模型衰退时立即更新。我倾向于触发式为主定期为辅。但触发式更新需要自动化训练流水线从数据采集、标注、训练到部署全流程自动化。这个投入不小但对于多产线、多场景的企业长期看是值得的。6.2 产线人员培训让AI成为帮手而不是负担再好的AI系统如果产线人员不配合也是白搭。我见过太多项目技术团队觉得系统很牛产线工人觉得“又给我加活”。核心问题是没有把AI定位成帮手的角色。培训要分三层操作层怎么用怎么处理报警、维护层日常点检简单故障处理、决策层怎么看报表怎么用数据改进工艺。操作层培训要在产线上做不要在会议室放PPT。让工人亲手操作一遍比讲一小时都管用。维护层培训要编手册图文并茂步骤清晰。决策层培训要讲案例用实际数据说明AI发现了什么问题帮产线避免了什么损失。还有一个技巧让产线班长参与项目。班长是一线意见领袖他认可了其他人就容易接受。我见过一个项目专门请班长做“AI协管员”负责收集工人反馈每周和技术团队碰一次。这个机制让项目迭代速度翻倍因为问题反馈非常及时。6.3 常见问题速查表现象可能原因排查步骤解决方案误报率突然升高光照变化、镜头污染、原料批次变化检查光源、清洁镜头、对比历史图像清洁/更换光源、重新标定、更新模型漏报率升高模型衰退、缺陷形态变化复核漏报样本、检查数据分布补充新样本、重新训练推理延迟增大边缘设备过热、内存不足、网络拥堵检查设备温度、内存占用、网络延迟改善散热、优化模型、升级设备系统频繁重启电源不稳、软件bug、看门狗触发检查电源、查看日志、复现问题加装UPS、修复bug、调整看门狗与PLC通信中断网线松动、协议配置错误、IP冲突检查物理连接、ping测试、查看配置紧固网线、核对协议、解决IP冲突操作界面卡顿软件资源占用高、数据库膨胀检查CPU/内存占用、清理历史数据优化软件、定期归档数据实操心得建议在产线部署一套远程运维通道。不是让你去远程控制产线而是让技术团队能远程查看设备状态、日志和图像。这样大部分问题不用跑现场就能定位。但要注意安全远程通道要独立组网、严格权限、操作审计。7. 成本控制与ROI兑现让老板看到真金白银7.1 硬件成本控制的三个替代方案AI项目硬件成本弹性很大。同样一个视觉检测工位用进口品牌相机镜头光源可能五六万用国产品牌可能一两万就搞定。我的建议是核心部件不省辅助部件可替代。相机是核心建议用主流工业品牌稳定性和一致性有保障。镜头也重要但国产镜头这几年进步很快中低端场景完全够用。光源是容易被低估的部件但恰恰是影响图像质量的关键。我的经验是光源可以定制找专门做工业光源的厂家根据你的产品特性定制光源方案往往比买通用光源效果好价格也不贵。边缘计算设备是另一个成本大头。如果场景简单用工控机入门级GPU就行不一定非要买昂贵的工业AI盒子。但要注意散热和防护工控机要选宽温、防尘的型号。网络改造成本容易被低估。如果厂区网络老旧为了AI项目单独拉光纤、换交换机成本可能比AI设备本身还高。建议在立项时就评估网络现状把网络改造费用算进去。7.2 如何量化AI项目的实际收益AI项目的收益量化是很多企业的痛点。因为收益往往是隐性的减少了客诉、提升了品牌形象、避免了停线损失。这些怎么算我的做法是分层量化。第一层直接替代人工原来这个工位需要3个质检员现在需要1个复检员节省2个人力成本。第二层良率提升AI检测比人工更稳定漏判率降低客诉减少。客诉减少带来的收益可以用历史客诉平均处理成本乘以减少的客诉次数来估算。第三层避免停线AI提前发现设备异常避免了一次非计划停线。停线损失可以用每小时产值乘以避免的停线小时数来估算。但要注意不要过度承诺。我见过一个项目立项时承诺一年回本结果实际收益只有预期的一半老板觉得被忽悠了后续项目就很难批。我的建议是保守估算超额交付。立项时按最保守的场景算实际运行中再挖掘额外收益。7.3 从单点项目到规模化推广的路径一个AI项目成功了老板自然会想推广到其他产线、其他工厂。但单点成功不等于规模化成功。我见过太多“样板间很美复制就崩”的案例。规模化的核心是标准化。把第一个项目的硬件选型、安装规范、数据采集方案、模型架构、部署流程、运维机制全部文档化形成标准包。然后在新产线复制时根据现场差异做适配而不是重新设计。但标准化不是一刀切。不同产线的产品、工艺、环境不同AI方案必须可配置。我的做法是把系统拆成平台层和应用层。平台层负责数据采集、模型管理、部署运维是通用的应用层负责具体检测逻辑、参数配置是定制的。这样新场景上线时平台层复用应用层快速配置上线周期能从几个月缩短到几周。注意规模化推广时运维团队要先行。不要等所有产线都上线了才建运维团队那样问题会堆积如山。建议每上线3-5条产线就配一个专职运维工程师负责日常巡检、问题处理、模型更新。8. 2026年制造业AI落地的几个趋势判断8.1 从“AI检测”到“AI工艺优化”的延伸2025年之前的制造业AI主要集中在检测环节——外观检测、尺寸测量、缺陷识别。但检测是事后把关发现缺陷时不良品已经产生了。2026年我看到的一个明显趋势是AI开始向工艺优化延伸。比如注塑工艺中AI根据模具温度、注射压力、保压时间等参数实时预测产品质量并反向调整工艺参数。再比如焊接工艺中AI根据电流、电压、焊接速度预测焊缝质量并动态调整焊接参数。这种闭环控制的价值比单纯检测大得多因为它从源头减少了不良品的产生。但闭环控制的难度也大得多。检测是开环的AI只负责判断不负责执行。闭环控制是闭环的AI的判断直接影响产线动作一旦出错后果严重。所以闭环控制对模型可靠性、响应速度、安全机制的要求都高一个数量级。我的建议是先从辅助决策做起AI给出参数调整建议由工程师确认后执行。积累足够数据和信任后再逐步过渡到自动闭环。8.2 多模态融合视觉振动声音温度单一模态的AI检测信息量有限。比如外观检测只能看表面内部缺陷看不到。2026年的另一个趋势是多模态融合视觉振动声音温度电流多维度数据融合判断。举个例子轴承缺陷检测。视觉能看到表面裂纹但内部磨损看不到。振动传感器能捕捉到异常振动频率但定位不准。声音传感器能听到异响但受环境噪声干扰大。如果把视觉、振动、声音数据融合起来就能更全面、更准确地判断轴承状态。多模态融合的技术难点在于数据对齐和特征融合。不同传感器的采样频率不同时间戳要对齐。不同模态的数据分布不同特征要融合。目前主流做法是特征级融合每个模态单独提取特征然后在特征层拼接或加权。更高级的是决策级融合每个模态单独做判断然后投票或加权决策。我的经验是特征级融合效果更好但实现难度更大。建议先从决策级融合做起快速验证多模态的价值再逐步深入。8.3 边缘AI芯片的国产化替代机会2025年边缘AI芯片市场发生了明显变化。国产AI芯片在推理性能、功耗、工具链成熟度上进步很快在工业场景的适用性越来越强。我实测过几款国产边缘AI芯片在典型工业检测模型上推理速度已经能达到主流进口芯片的70%-90%但价格只有一半甚至更低。国产芯片的工具链是最大的短板。模型转换、量化、部署的易用性和进口芯片还有差距。但这个问题正在快速改善。我建议对于新项目可以尝试国产芯片方案尤其是对成本敏感的场景。但要做好技术储备安排工程师学习国产芯片的工具链遇到问题能自己解决。选择国产芯片时要关注几个点算力是否满足需求留30%余量、功耗是否匹配产线柜内散热条件、工具链是否完善模型转换是否顺畅、生态是否活跃遇到问题能否找到支持。不要只看参数要实测。我见过一个项目芯片标称算力很高但实际跑模型时因为内存带宽瓶颈推理速度远低于预期。9. 一些零散但重要的经验碎片9.1 关于供应商选择的几点建议制造业AI项目的供应商大致分三类算法公司强在算法弱在工业理解、自动化集成商强在工业理解弱在算法、设备厂商强在设备弱在AI。我的建议是不要指望一家供应商搞定所有事。最好是算法公司集成商联合算法公司负责模型集成商负责现场部署和系统集成。选供应商时不要只看案例。案例可以包装但现场演示骗不了人。要求供应商在你的产线上做现场POC用你的数据、你的环境、你的节拍跑至少一个班次。POC通过了再谈合同。合同里要明确验收标准和售后条款。验收标准要量化召回率、过杀率、推理延迟、系统可用率。售后条款要明确响应时间、现场支持次数、模型更新频率。我见过一个项目合同里没写模型更新条款结果模型衰退后供应商要额外收费才给更新企业很被动。9.2 关于团队建设的几点体会制造业AI项目团队比算法重要。一个懂工业场景的普通算法工程师比一个不懂场景的顶尖算法专家更能把项目做成。团队里最好有懂工艺的人他不需要会写代码但要能说清楚工艺原理、缺陷成因、判定标准。团队规模上一个项目初期3-5人就够了一个项目经理、一个算法工程师、一个现场实施工程师、一个工艺专家可兼职。项目上线后运维阶段1-2人即可。不要一开始就铺大摊子人多了沟通成本高反而慢。团队激励上要把项目收益和团队挂钩。我见过一个企业AI项目节省的成本按比例奖励给项目团队团队积极性非常高主动优化模型、主动巡检产线。这个机制比任何管理手段都管用。9.3 关于项目节奏的几点提醒制造业AI项目节奏很重要。不要追求一步到位要小步快跑。第一个项目选最简单的场景用最成熟的方案快速上线快速见效。哪怕效果只有70分也比憋大招憋半年最后憋不出来强。项目周期上POC控制在1个月内正式项目控制在3个月内。超过3个月还没上线的项目大概率会烂尾。因为产线等不起老板等不起团队士气也等不起。上线后前三个月是危险期。这三个月里模型可能衰退产线可能抵触系统可能出bug。要安排专人盯守每天看数据每周做复盘。熬过这三个月项目才算真正站稳。最后分享一个小技巧在产线部署AI系统时先装一个“影子模式”。AI系统正常运行但不控制产线只记录检测结果。同时人工正常检测对比AI和人工的结果。跑一周看看AI和人工的一致率。一致率高再切换到正式模式。这个做法能极大降低产线人员的抵触心理因为他们看到AI确实靠谱才愿意让AI接管。这个内容后续还可以这样扩展如果你对某个具体场景比如注塑、焊接、装配的AI落地细节感兴趣可以针对那个场景做更深入的拆解。不同场景的工艺特点、数据特性、部署约束差异很大值得单独展开。