2026年开头我把过去三年亲手跟过、以及同行反复讨论过的工业AI项目从头到尾捋了一遍。先说结论真正称得上“跑起来”的比各类白皮书里写的渗透率数字要少得多但跑起来的那一批也比两年前扎实得多。这个领域从来不缺热闹缺的是能签掉验收单、把钱挣回来、让车间老师傅愿意天天开机的项目。前两年大家喜欢谈“灯塔工厂”“黑灯工厂”聚光灯亮得晃眼。到了2026年行业内部更愿意讨论的其实是另一类问题某条产线的AI质检模型连续跑了多少个月没掉线某个泵组的振动预警模型真正提前几次拦住了故障某个排产算法给工厂省了多少换线时间。这些问题全是“往下走”的问题是落地层面的问题。所以这篇东西就围绕这些聊一聊——工业AI到底有多少真的跑起来了跑起来的是什么没跑起来的又死在了哪以及2026年想入局的人该怎么避坑。1. 先给“跑起来”画个标尺1.1 三种运行状态别混为一谈“跑起来了”这四个字放在不同人嘴里含义差着十万八千里。我见过的工业AI项目大致分三种状态这三者绝不能混为一谈。第一种叫全时在线型。系统7x24小时跟着产线一起转不用专人盯着出现异常有日志、有报警记录、有对应的处理闭环。这种项目通常已经稳定运行了大半年甚至一年以上能拿出实实在在的运行数据和收益报表。我可以说这类项目在过去几年里逐渐变多了但在整个“已上马”的项目池子里比例仍然不高。第二种叫半在线型。白天开机、夜班关机或者只在生产特定型号产品时才启用又或者是系统在跑但报警了没人处理过了半天运行日志里攒了一堆未确认消息等于变成了高级摆设。这类项目最可惜——它说明技术验证基本通了但业务流程没有真正接住这个系统。第三种叫演示型。领导来视察、客户来参观、行业展会开幕时开机跑一段漂亮界面平时处于“暂停服务”状态。这类项目在2023年前后特别多这两年少了一些但绝对数量依然可观。1.2 按行业看落地分布差异很大如果按行业拆开看分布其实很不均匀。离散制造领域尤其是3C电子、汽车零部件、光伏组件这类标准化程度高的行业视觉质检的落地率明显更高。原因不难理解产品形状规则、缺陷类型相对清楚、质量损失可以直接折算成钱而且质检岗位本身招人难、流动大老板有强烈动力用自动化工具替代。流程行业比如化工、钢铁、水泥、电力预测性维护和工艺优化这两年出现了不少真落地的案例但整体节奏更慢。因为涉及安全边际出了问题是大事验收链条长责任认定复杂一个项目从试点到被生产部门真正接受经常要磨一年以上。半导体和面板行业很有意思视觉检测技术已经用了很多年但以前大家都习惯叫它“机器视觉”而不是“AI”。本质上是一回事换个名字之后突然就站在风口上了。这说明一个现象很多所谓“工业AI新项目”其实是老技术换新包装但包装并不改变它的成熟度。1.3 为什么公开数据看起来要乐观得多跟公开报告里动辄百分之四五十的渗透率相比我按项目数估算的全时在线落地率大概只有15%到20%按投资额算可能还要更低。这个差距是怎么来的主要就差在统计口径上。不少调研报告把“已启动试点”“已完成POC验证”“已在某条示范线上运行”都算成了“落地应用”可试点离真正跑起来还有很长的路。另外设备厂商和解决方案商出于市场宣传需要天然倾向于报喜不报忧。“已上线”三个字背后可能只是在一个会议室里给客户跑了一次演示。还有一类情况是咨询公司也很少写悲观结论——报告说“行业落地率不足两成”谁还愿意花钱买下一份报告所以我的建议是看这类统计数据先看他们对“落地”的定义再看样本是谁最后才看数字本身。2. 确实跑起来的方向三个我亲手验证过的场景2.1 机器视觉质检工业AI的第一块根据地如果只选一个“真的跑起来”的方向那一定是视觉质检。逻辑链条短活得也明白摄像头对着产品拍照模型判定缺陷结果直接反馈到质检流程。它不像预测性维护那样要等几个月才验证一次效果也不像排产优化那样受制于其他环节的配合。图像数据相对好采标注可以由质检员顺手完成部署在质检工位前也不影响原有生产流程。技术路线上现在的成熟打法通常是传统算法加深度学习双轨并行。传统机器视觉处理尺寸、面积、位置这类规则明确的缺陷稳定可靠深度学习则负责纹理、划痕、脏污、形态不规则的缺陷泛化能力和抗干扰能力都更胜一筹。模型选型上目标检测用YOLO系列落地最快能在画面里框出缺陷位置像素级精度要求高的场景用分割网络比如U-Net、Mask R-CNN逐像素标出缺陷区域粗筛场景用分类网络就够了逻辑简单、算力占用小。我印象很深的一个案例是某汽车零部件厂做刹车盘表面缺陷检测。项目组把打光方案做了好几轮暗场照明配合高角度环光把细小划痕和砂眼照得清清楚楚工业相机配套线扫方案边缘计算盒子跑推理直接从人工抽检2%变成全检100%。我评估过这个项目的账两名质检员的年人力成本就覆盖了整套系统投入良率损失的减少部分还能再省一笔。这里有个关键细节必须说样本极度不均衡是常态。良品占了99%以上缺陷样本可能只有几百张。所以数据增强、合成缺陷、迁移学习这些手段几乎是标配。更重要的是误检和漏检的取舍——在项目初期误检太多比漏检更伤人因为操作工天天处理假报警很快就会失去对系统的信任后面就算模型调准了他们也懒得理了。2.2 预测性维护从“坏了再修”到“提前知道”第二个真正跑起来的方向是预测性维护。逻辑链条也很清楚在设备上装传感器采集振动、温度、电流、声音等信号提取特征以后判断设备健康状态异常了提前发预警工单让维修人员赶在故障之前处理。为什么它能跑起来因为收益可以精确量化。设备台账是现成的故障模式可以从历史维修记录里扒一次非计划停机造成的损失——停产、产品报废、恢复成本——能算出一笔明明白白的账。只要预警一次重大故障项目投资就回本了。技术路线上我见过太多人一上来就堆深度学习模型其实先把特征工程做好才是正道。振动数据的均方根值、峰值因子、频谱重心、频带能量这些特征背后是设备机理和振动理论比直接扔给一个黑盒模型可靠得多。实测下来XGBoost配合精心构造的时频特征在很多场景里比LSTM甚至Transformer表现更稳定也更方便向设备工程师解释结果。有一次印象特别深的经历某化工厂的循环水泵组加装了振动传感器系统上线两个月后给出一次轴承磨损预警提示“预计一到两周内劣化加速”。维修班组半信半疑地拆检果然发现保持架已经出现裂纹。那次预警避免的非计划停机损失直接把整个项目的成本收回来了。但我也得说这类项目在大多数工厂里的最大障碍不是模型精度而是传感器加装需要设备改造要等停产窗口数据要穿过IT和OT隔离的防火墙验收还需要设备部门签字——这绝不是一个纯IT项目能搞定的。误报率是个需要格外小心的指标。漏报一次顶多被人骂你一次误报太频繁操作工会把报警器直接静音。所以在初期部署时我宁可让阈值调得保守一点少报几次都不要紧关键是每一条报警都要经得起复盘。2.3 智能排产与工艺优化看得见的账本第三个方向是智能排产和工艺优化这两年跑起来的项目也多了。排产这块传统的做法是APS高级计划排程规则逻辑写得再细面对插单频繁、模具约束多的工厂还是头疼。加入AI之后用遗传算法、模拟退火、强化学习这类方法去解多目标约束优化问题能在几分钟之内给出一套权衡交期、产能、物料、换线时间的方案比老师傅拿Excel手动排快太多了。一个注塑厂的案例让我印象很深几十台注塑机、上百套模具、订单一天变好几次以前老师傅排产排一次要小半天新方案上线后插单场景下几分钟就能出新的排产结果机台利用率提升了几个点而且老师傅终于不用加班做表了。项目不算大但车间用得很顺手。工艺优化则更深一层。化工装置的参数调优、钢铁高炉的炉况预测、水泥窑的热工优化属于工艺知识与AI深度耦合的场景落地周期长但一旦验证成功收益是几何级别的。我接触过的案例里能耗优化是最容易算清收益的方向——原料配比、燃料用量、反应温度、反应时间这些参数找对了几个点的能耗降幅放在钢铁厂一年就是千万级。这三个方向的共同点很明确都是直接跟钱挂钩的。省人力、省停机、省能耗、提良率、提产能每一笔账都能落到利润表上。这也许才是它们能“跑起来”的根本原因。3. 跑起来的前提条件差一个都转不动3.1 数据基建OT与IT之间的“最后一公里”说句实在话很多工厂不缺AI模型缺的是把设备数据稳定搬出来的那条路。车间设备的数据都藏在PLC、DCS、传感器里头协议五花八门——Modbus TCP、OPC UA、PROFINET、EtherNet/IP老一点的设备可能只有串口。OT网络和IT网络之间通常还隔着防火墙数据要安全地出来又不能把控制系统暴露出去这中间的数据采集网关和隔离方案就是第一道坎。工业数据还“脏”得惊人。缺失值、跳变、重复采集、时间戳不同步几乎是常态。我做过一个项目现场号称有三年历史数据结果一检查中间有半年因为硬盘满了根本没归档剩下的数据里时间戳格式还换了三版。光清洗对齐这些数据就花了项目组将近一半的时间。更要命的是数据标注。互联网场景的数据标注鼠标点点框就行工业场景得知道缺陷类型对应哪个工艺阶段、故障前后发生了什么必须工艺工程师深度参与。这一环是成本大头也最容易在预算里被低估。我给所有新项目都要强调一个原则先做数据体检再谈建模不然模型再花哨也是空中楼阁。3.2 部署形态边缘才算落地工业AI跟互联网AI最大的不同在于部署。工业现场对延迟敏感视觉质检要求在产线运行的节拍内出结果毫秒级延迟影响巨大数据也不能全都传到云端产线数据涉及商业机密和合规要求网络抖动更是不能忍。所以边缘计算才是工业AI落地的主战场。硬件选型上工控机加GPU卡是视觉检测的主流方案稳定可靠扩展性好轻量级场景用边缘计算盒子比如NVIDIA Jetson系列功耗低、体积小装在机柜里不占地方再轻的场景干脆用工业PC加量化模型。这类方案我实测下来很稳定风扇、震动、粉尘环境都能扛。模型要真正跑在边缘上优化这步绕不开。剪枝把不重要的参数去掉量化把浮点模型转成INT8整数推理再用TensorRT这类推理引擎加速。我见过不少项目做完量化之后推理速度提升两到三倍精度损失完全在可接受范围内。但这里有个坑量化后的模型必须回到现场重新做一轮验证不能只看模拟数据的结果。部署这件事我现在坚持一个原则先在盒子里把模型跑通数据从传感器一路走到界面显示整个链条没断点再谈什么云边协同和大平台。一上来就画云端大平台的饼最后往往死在现场故障没人能处理。3.3 组织协同AI得“住”进车间一个工业AI项目真正转起来光靠算法工程师远远不够。至少要三类人拧成一股绳懂工艺的工程师知道缺陷长什么样、故障是怎么发生的懂数据的工程师会洗数据、会建模、会做特征工程懂现场的实施人员知道传感器怎么装、网络怎么走更重要的是知道怎么跟车间师傅打交道、不挨骂。车间操作工的信任问题是决定项目生死的软性因素。我一个朋友的项目做得很有意思他给系统加了一块大屏幕每次报警都附上原因分析和历史类似案例操作工看得到“为什么报这个警”信任度明显提升。相反我见过另一个工厂报警器响得太频繁操作工干脆贴了张纸条在按钮上“已静音勿动”。系统就此沦为摆设。还有责任问题必须提前说清楚AI判断出错了谁来负责是工艺工程师签字还是算法工程师担责还是设备部门兜底这个问题不清楚项目上线前就会卡死。KPI设置也别只盯着模型准确率要考核系统的在线率、报警确认及时率、实际减少的损失金额这些业务指标。只有把AI当成一个车间里的“新员工”来考核和管理它才能真正“住”进车间。4. 没跑起来的项目死因分析实录4.1 数据陷阱看起来很多用起来很少钱花了、设备装了、数据也采了模型却做不出来这是最常见的死法。核心原因就是数据陷阱存量数据看起来庞大一天几百万条记录但有效样本其实少得可怜。设备一年也就出几次故障缺陷样本翻来覆去就那几百张传感器的关键测点还可能刚好没采到。解决方案说穿了也简单建模之前先回答三个问题。数据覆盖了几种工况故障样本够不够代表所有故障模式关键测点有没有遗漏这些问题答不上来项目就该暂停。我见过太多团队拿一个不完整的数据集硬凑模型凑出来的指标在测试集上好看一到现场就原形毕露。4.2 模型泛化失效实验室艳阳天现场梅雨天这是死法排行榜的第二名。在实验室里数据是固定照明、固定角度、固定工况下采集的模型跑得飞起到了现场日光照进来、灰尘落在镜头上、产品批次换了、设备状态漂了准确率断崖式下跌。解决办法也没有捷径训练数据要尽量覆盖多样性不同光照、不同角度、不同产品批次的数据都要有现场要定期做模型重标定就像仪器校准一样养成习惯还要做漂移检测监控模型输入的数据分布跟训练集差了多少超过阈值就自动告警提醒重新训练。很多做项目的人不做这层监控直到现场出问题才手忙脚乱那时候信任已经消耗得差不多了。4.3 期望错配老板要魔法车间要稳定这个死因最隐蔽也最致命。高层领导眼里AI是能点石成金的魔法棒一个项目上马就想“黑灯工厂”车间基层眼里AI就是个工具稳定、省事、不添乱比什么都强。这中间的期望鸿沟往往在项目启动之前就已经埋下了。有的项目在投标阶段就承诺了根本做不到的东西。比如跟客户说“全面替代质检员”结果上线之后发现只能省掉一个工位的人工。于是验收成了一个漫长的扯皮过程。我的经验是从第一天起就把预期管理当成项目管理的一部分做能做什么、不能做什么、上线后哪些指标先改善、哪些要等优化迭代全都白纸黑字写清楚。4.4 试点陷阱POC做完就散场第四种死法在2024年之后尤其常见POC做了一堆每一个“看起来都行”但没有一个进入正式生产流程。原因也清楚试点项目往往没有设计规模化路径验收标准模糊做出来一个“能跑”的demo就算交差试点成功的项目没有后续预算因为当初立项时就只批了POC的钱更麻烦的是试点时的数据、逻辑、参数都绑定在单一场景上换一条产线就得重新来一遍复制成本高到让人放弃。破这个局的思路我后面细讲核心就是一句话做一个场景就做透让它产生可核算的收益再拿这个收益去换下一个场景。贪多嚼不烂在工业AI领域是铁律。5. 2026年的实操避坑指南5.1 场景选择三个判断标准选择场景是所有工作的起点也是最容易忽悠人的环节。我建议按三个标准来判断缺一个都要慎入数据可得性现有设备能不能稳定产出数据历史数据够不够支撑建模数据里的关键测点有没有覆盖到你要预测的问题收益可量化能不能用钱把收益说清楚是省了人力、省了停机损失、省了能耗还是提升了良率说不清楚钱的场景最后一定说不清楚价值。边界可界定问题域是不是封闭的“这条产线这个工位的表面缺陷检测”就是好边界“优化全厂生产效率”就是坏边界。边界越清楚越容易落地、越容易验收。满足这三个标准的典型场景比如单一型号产品的视觉全检、关键设备的轴承劣化预警、注塑机的换模排产优化都是入门级的好项目。如果三个标准都满足不了别硬上先做数据摸底把钱花在看得见的地方。5.2 技术选型别一上来就堆大模型工业场景数据量小、要求确定性动不动就上大模型是2023年的风气2026年再这么干就有点不专业了。我的建议很直白经典机器学习优先。XGBoost、随机森林在大量工业预测和分类问题上表现稳定训练快、部署轻、可解释性强车间领导看得懂。视觉类场景YOLO系列依然是落地最快的选择小目标检测有需求再上高分辨率网络或分割模型注意在项目初期就要用小目标样本验证。时序类场景先做特征工程再配合机器学习模型需要捕捉长程依赖时再考虑LSTM、Transformer之类。用LSTM之前先确认你的数据量足够支撑它吃饱。部署以边缘优先选型时重点看推理生态是否成熟NVIDIA系配TensorRT最省心如果地方面临海外供应链风险就提前调研国产替代方案。再强调一下模型生命周期管理。版本要可控算法更新要能回滚上线前要做新旧模型的A/B对比验证。工业环境可没有互联网行业那种“先上线再说出问题紧急回滚秒级搞定”的条件错了可能就是一整批产品报废。5.3 项目节奏三段式推进把一个大项目拆成三个阶段每一段都有明确的决策门是我做过最值得推广的经验。第一阶段数据摸底加可行性验证一般两到四周产出《数据体检报告》和《可行性结论》。这个阶段不做大投入不写大方案核心就是回答“数据够不够、问题可解不可解、ROI算不算得过来”这三个问题。结论不行果断停掉省下的钱远大于沉没成本。第二阶段单点试点一到三个月。选一条产线、一台设备、一个工位做透。目标是让系统在实际生产环境里连续跑起来指标达到约定值车间操作工愿意用它。这一步慢一点没关系关键是建立信任和磨合流程。我发现很多项目在这一步犯了“追求指标完美”的毛病要知道试点阶段最重要的不是模型精度而是整个链条从数据到报警到处理闭环走通。第三阶段规模化复制三到六个月。把试点阶段的部署模板固定下来算法模块化数据接口标准化运维流程化然后复制到其他产线。复制阶段最大的坑是忽略不同产线的差异所以在模板里必须预留配置入口每条产线只换参数不改逻辑。同时把知识转移给客户内部团队培训他们自己会运维、会重标定。项目团队撤场之后系统能自己跑才算是真正“跑起来了”。5.4 常见问题排查速查表最后我整理一张速查表都是这些年现场排查问题的经验汇总希望各位照着就能定位问题问题可能原因排查思路模型上线后准确率持续下降数据漂移、现场环境变化、产品批次更新记录模型输入的分布定期与训练集对比发现漂移就重新标注、重训、重标定系统频繁误报阈值过于激进、特征选择不当、训练样本不具代表性调阈值、增加规则过滤层、复核历史误报样本把误报样本加入训练集边缘设备推理速度慢模型过大、算力不足、推理引擎没有开启优化做剪枝和量化换成TensorRT/OpenVINO加速必要时升级硬件数据采集断档网关掉线、协议握手失败、存储满了给采集链路加监控告警检查缓存和数据断点续传机制操作工不信任、不愿使用系统报警太频繁、结果不可解释、没有处理闭环加结果解释界面完善人工复核闭环削减无效报警跨产线复制失败单一场景过拟合、复制时没有重新标定多产线数据一起参与训练复制上线前用新产线数据做JIT标定验证这张表可以打印出来贴在项目室里效果比几百页的SOP文档实在得多。我个人在实际操作中最深的一条体会是工业AI的“工业”两个字分量比“AI”重得多。做得好的项目往往不是模型多先进而是把流程理顺了——数据能稳定进来结果能稳定出去车间的人愿意用出了问题有人管。2026年再回头看真正跑起来的那批项目没有一个是靠PPT吹出来的都是一行一行数据、一次一次现场调试、一遍一遍跟老师傅确认细节磨出来的。最后再分享一个小技巧做项目实施的时候千万别只盯着显示屏上的准确率曲线多花时间观察操作工怎么用你的系统——他什么时候会点确认、什么时候会直接忽略报警、什么时候会骂骂咧咧地重启盒子。这些细节比任何算法指标都更能决定一个工业AI项目的生死。想入局的朋友先找一个小而清晰的场景把它做到“老师傅愿意天天开机”比什么都强。
2026年开头我把过去三年亲手跟过、以及同行反复讨论过的工业AI项目从头到尾捋了一遍。先说结论真正称得上“跑起来”的比各类白皮书里写的渗透率数字要少得多但跑起来的那一批也比两年前扎实得多。这个领域从来不缺热闹缺的是能签掉验收单、把钱挣回来、让车间老师傅愿意天天开机的项目。前两年大家喜欢谈“灯塔工厂”“黑灯工厂”聚光灯亮得晃眼。到了2026年行业内部更愿意讨论的其实是另一类问题某条产线的AI质检模型连续跑了多少个月没掉线某个泵组的振动预警模型真正提前几次拦住了故障某个排产算法给工厂省了多少换线时间。这些问题全是“往下走”的问题是落地层面的问题。所以这篇东西就围绕这些聊一聊——工业AI到底有多少真的跑起来了跑起来的是什么没跑起来的又死在了哪以及2026年想入局的人该怎么避坑。1. 先给“跑起来”画个标尺1.1 三种运行状态别混为一谈“跑起来了”这四个字放在不同人嘴里含义差着十万八千里。我见过的工业AI项目大致分三种状态这三者绝不能混为一谈。第一种叫全时在线型。系统7x24小时跟着产线一起转不用专人盯着出现异常有日志、有报警记录、有对应的处理闭环。这种项目通常已经稳定运行了大半年甚至一年以上能拿出实实在在的运行数据和收益报表。我可以说这类项目在过去几年里逐渐变多了但在整个“已上马”的项目池子里比例仍然不高。第二种叫半在线型。白天开机、夜班关机或者只在生产特定型号产品时才启用又或者是系统在跑但报警了没人处理过了半天运行日志里攒了一堆未确认消息等于变成了高级摆设。这类项目最可惜——它说明技术验证基本通了但业务流程没有真正接住这个系统。第三种叫演示型。领导来视察、客户来参观、行业展会开幕时开机跑一段漂亮界面平时处于“暂停服务”状态。这类项目在2023年前后特别多这两年少了一些但绝对数量依然可观。1.2 按行业看落地分布差异很大如果按行业拆开看分布其实很不均匀。离散制造领域尤其是3C电子、汽车零部件、光伏组件这类标准化程度高的行业视觉质检的落地率明显更高。原因不难理解产品形状规则、缺陷类型相对清楚、质量损失可以直接折算成钱而且质检岗位本身招人难、流动大老板有强烈动力用自动化工具替代。流程行业比如化工、钢铁、水泥、电力预测性维护和工艺优化这两年出现了不少真落地的案例但整体节奏更慢。因为涉及安全边际出了问题是大事验收链条长责任认定复杂一个项目从试点到被生产部门真正接受经常要磨一年以上。半导体和面板行业很有意思视觉检测技术已经用了很多年但以前大家都习惯叫它“机器视觉”而不是“AI”。本质上是一回事换个名字之后突然就站在风口上了。这说明一个现象很多所谓“工业AI新项目”其实是老技术换新包装但包装并不改变它的成熟度。1.3 为什么公开数据看起来要乐观得多跟公开报告里动辄百分之四五十的渗透率相比我按项目数估算的全时在线落地率大概只有15%到20%按投资额算可能还要更低。这个差距是怎么来的主要就差在统计口径上。不少调研报告把“已启动试点”“已完成POC验证”“已在某条示范线上运行”都算成了“落地应用”可试点离真正跑起来还有很长的路。另外设备厂商和解决方案商出于市场宣传需要天然倾向于报喜不报忧。“已上线”三个字背后可能只是在一个会议室里给客户跑了一次演示。还有一类情况是咨询公司也很少写悲观结论——报告说“行业落地率不足两成”谁还愿意花钱买下一份报告所以我的建议是看这类统计数据先看他们对“落地”的定义再看样本是谁最后才看数字本身。2. 确实跑起来的方向三个我亲手验证过的场景2.1 机器视觉质检工业AI的第一块根据地如果只选一个“真的跑起来”的方向那一定是视觉质检。逻辑链条短活得也明白摄像头对着产品拍照模型判定缺陷结果直接反馈到质检流程。它不像预测性维护那样要等几个月才验证一次效果也不像排产优化那样受制于其他环节的配合。图像数据相对好采标注可以由质检员顺手完成部署在质检工位前也不影响原有生产流程。技术路线上现在的成熟打法通常是传统算法加深度学习双轨并行。传统机器视觉处理尺寸、面积、位置这类规则明确的缺陷稳定可靠深度学习则负责纹理、划痕、脏污、形态不规则的缺陷泛化能力和抗干扰能力都更胜一筹。模型选型上目标检测用YOLO系列落地最快能在画面里框出缺陷位置像素级精度要求高的场景用分割网络比如U-Net、Mask R-CNN逐像素标出缺陷区域粗筛场景用分类网络就够了逻辑简单、算力占用小。我印象很深的一个案例是某汽车零部件厂做刹车盘表面缺陷检测。项目组把打光方案做了好几轮暗场照明配合高角度环光把细小划痕和砂眼照得清清楚楚工业相机配套线扫方案边缘计算盒子跑推理直接从人工抽检2%变成全检100%。我评估过这个项目的账两名质检员的年人力成本就覆盖了整套系统投入良率损失的减少部分还能再省一笔。这里有个关键细节必须说样本极度不均衡是常态。良品占了99%以上缺陷样本可能只有几百张。所以数据增强、合成缺陷、迁移学习这些手段几乎是标配。更重要的是误检和漏检的取舍——在项目初期误检太多比漏检更伤人因为操作工天天处理假报警很快就会失去对系统的信任后面就算模型调准了他们也懒得理了。2.2 预测性维护从“坏了再修”到“提前知道”第二个真正跑起来的方向是预测性维护。逻辑链条也很清楚在设备上装传感器采集振动、温度、电流、声音等信号提取特征以后判断设备健康状态异常了提前发预警工单让维修人员赶在故障之前处理。为什么它能跑起来因为收益可以精确量化。设备台账是现成的故障模式可以从历史维修记录里扒一次非计划停机造成的损失——停产、产品报废、恢复成本——能算出一笔明明白白的账。只要预警一次重大故障项目投资就回本了。技术路线上我见过太多人一上来就堆深度学习模型其实先把特征工程做好才是正道。振动数据的均方根值、峰值因子、频谱重心、频带能量这些特征背后是设备机理和振动理论比直接扔给一个黑盒模型可靠得多。实测下来XGBoost配合精心构造的时频特征在很多场景里比LSTM甚至Transformer表现更稳定也更方便向设备工程师解释结果。有一次印象特别深的经历某化工厂的循环水泵组加装了振动传感器系统上线两个月后给出一次轴承磨损预警提示“预计一到两周内劣化加速”。维修班组半信半疑地拆检果然发现保持架已经出现裂纹。那次预警避免的非计划停机损失直接把整个项目的成本收回来了。但我也得说这类项目在大多数工厂里的最大障碍不是模型精度而是传感器加装需要设备改造要等停产窗口数据要穿过IT和OT隔离的防火墙验收还需要设备部门签字——这绝不是一个纯IT项目能搞定的。误报率是个需要格外小心的指标。漏报一次顶多被人骂你一次误报太频繁操作工会把报警器直接静音。所以在初期部署时我宁可让阈值调得保守一点少报几次都不要紧关键是每一条报警都要经得起复盘。2.3 智能排产与工艺优化看得见的账本第三个方向是智能排产和工艺优化这两年跑起来的项目也多了。排产这块传统的做法是APS高级计划排程规则逻辑写得再细面对插单频繁、模具约束多的工厂还是头疼。加入AI之后用遗传算法、模拟退火、强化学习这类方法去解多目标约束优化问题能在几分钟之内给出一套权衡交期、产能、物料、换线时间的方案比老师傅拿Excel手动排快太多了。一个注塑厂的案例让我印象很深几十台注塑机、上百套模具、订单一天变好几次以前老师傅排产排一次要小半天新方案上线后插单场景下几分钟就能出新的排产结果机台利用率提升了几个点而且老师傅终于不用加班做表了。项目不算大但车间用得很顺手。工艺优化则更深一层。化工装置的参数调优、钢铁高炉的炉况预测、水泥窑的热工优化属于工艺知识与AI深度耦合的场景落地周期长但一旦验证成功收益是几何级别的。我接触过的案例里能耗优化是最容易算清收益的方向——原料配比、燃料用量、反应温度、反应时间这些参数找对了几个点的能耗降幅放在钢铁厂一年就是千万级。这三个方向的共同点很明确都是直接跟钱挂钩的。省人力、省停机、省能耗、提良率、提产能每一笔账都能落到利润表上。这也许才是它们能“跑起来”的根本原因。3. 跑起来的前提条件差一个都转不动3.1 数据基建OT与IT之间的“最后一公里”说句实在话很多工厂不缺AI模型缺的是把设备数据稳定搬出来的那条路。车间设备的数据都藏在PLC、DCS、传感器里头协议五花八门——Modbus TCP、OPC UA、PROFINET、EtherNet/IP老一点的设备可能只有串口。OT网络和IT网络之间通常还隔着防火墙数据要安全地出来又不能把控制系统暴露出去这中间的数据采集网关和隔离方案就是第一道坎。工业数据还“脏”得惊人。缺失值、跳变、重复采集、时间戳不同步几乎是常态。我做过一个项目现场号称有三年历史数据结果一检查中间有半年因为硬盘满了根本没归档剩下的数据里时间戳格式还换了三版。光清洗对齐这些数据就花了项目组将近一半的时间。更要命的是数据标注。互联网场景的数据标注鼠标点点框就行工业场景得知道缺陷类型对应哪个工艺阶段、故障前后发生了什么必须工艺工程师深度参与。这一环是成本大头也最容易在预算里被低估。我给所有新项目都要强调一个原则先做数据体检再谈建模不然模型再花哨也是空中楼阁。3.2 部署形态边缘才算落地工业AI跟互联网AI最大的不同在于部署。工业现场对延迟敏感视觉质检要求在产线运行的节拍内出结果毫秒级延迟影响巨大数据也不能全都传到云端产线数据涉及商业机密和合规要求网络抖动更是不能忍。所以边缘计算才是工业AI落地的主战场。硬件选型上工控机加GPU卡是视觉检测的主流方案稳定可靠扩展性好轻量级场景用边缘计算盒子比如NVIDIA Jetson系列功耗低、体积小装在机柜里不占地方再轻的场景干脆用工业PC加量化模型。这类方案我实测下来很稳定风扇、震动、粉尘环境都能扛。模型要真正跑在边缘上优化这步绕不开。剪枝把不重要的参数去掉量化把浮点模型转成INT8整数推理再用TensorRT这类推理引擎加速。我见过不少项目做完量化之后推理速度提升两到三倍精度损失完全在可接受范围内。但这里有个坑量化后的模型必须回到现场重新做一轮验证不能只看模拟数据的结果。部署这件事我现在坚持一个原则先在盒子里把模型跑通数据从传感器一路走到界面显示整个链条没断点再谈什么云边协同和大平台。一上来就画云端大平台的饼最后往往死在现场故障没人能处理。3.3 组织协同AI得“住”进车间一个工业AI项目真正转起来光靠算法工程师远远不够。至少要三类人拧成一股绳懂工艺的工程师知道缺陷长什么样、故障是怎么发生的懂数据的工程师会洗数据、会建模、会做特征工程懂现场的实施人员知道传感器怎么装、网络怎么走更重要的是知道怎么跟车间师傅打交道、不挨骂。车间操作工的信任问题是决定项目生死的软性因素。我一个朋友的项目做得很有意思他给系统加了一块大屏幕每次报警都附上原因分析和历史类似案例操作工看得到“为什么报这个警”信任度明显提升。相反我见过另一个工厂报警器响得太频繁操作工干脆贴了张纸条在按钮上“已静音勿动”。系统就此沦为摆设。还有责任问题必须提前说清楚AI判断出错了谁来负责是工艺工程师签字还是算法工程师担责还是设备部门兜底这个问题不清楚项目上线前就会卡死。KPI设置也别只盯着模型准确率要考核系统的在线率、报警确认及时率、实际减少的损失金额这些业务指标。只有把AI当成一个车间里的“新员工”来考核和管理它才能真正“住”进车间。4. 没跑起来的项目死因分析实录4.1 数据陷阱看起来很多用起来很少钱花了、设备装了、数据也采了模型却做不出来这是最常见的死法。核心原因就是数据陷阱存量数据看起来庞大一天几百万条记录但有效样本其实少得可怜。设备一年也就出几次故障缺陷样本翻来覆去就那几百张传感器的关键测点还可能刚好没采到。解决方案说穿了也简单建模之前先回答三个问题。数据覆盖了几种工况故障样本够不够代表所有故障模式关键测点有没有遗漏这些问题答不上来项目就该暂停。我见过太多团队拿一个不完整的数据集硬凑模型凑出来的指标在测试集上好看一到现场就原形毕露。4.2 模型泛化失效实验室艳阳天现场梅雨天这是死法排行榜的第二名。在实验室里数据是固定照明、固定角度、固定工况下采集的模型跑得飞起到了现场日光照进来、灰尘落在镜头上、产品批次换了、设备状态漂了准确率断崖式下跌。解决办法也没有捷径训练数据要尽量覆盖多样性不同光照、不同角度、不同产品批次的数据都要有现场要定期做模型重标定就像仪器校准一样养成习惯还要做漂移检测监控模型输入的数据分布跟训练集差了多少超过阈值就自动告警提醒重新训练。很多做项目的人不做这层监控直到现场出问题才手忙脚乱那时候信任已经消耗得差不多了。4.3 期望错配老板要魔法车间要稳定这个死因最隐蔽也最致命。高层领导眼里AI是能点石成金的魔法棒一个项目上马就想“黑灯工厂”车间基层眼里AI就是个工具稳定、省事、不添乱比什么都强。这中间的期望鸿沟往往在项目启动之前就已经埋下了。有的项目在投标阶段就承诺了根本做不到的东西。比如跟客户说“全面替代质检员”结果上线之后发现只能省掉一个工位的人工。于是验收成了一个漫长的扯皮过程。我的经验是从第一天起就把预期管理当成项目管理的一部分做能做什么、不能做什么、上线后哪些指标先改善、哪些要等优化迭代全都白纸黑字写清楚。4.4 试点陷阱POC做完就散场第四种死法在2024年之后尤其常见POC做了一堆每一个“看起来都行”但没有一个进入正式生产流程。原因也清楚试点项目往往没有设计规模化路径验收标准模糊做出来一个“能跑”的demo就算交差试点成功的项目没有后续预算因为当初立项时就只批了POC的钱更麻烦的是试点时的数据、逻辑、参数都绑定在单一场景上换一条产线就得重新来一遍复制成本高到让人放弃。破这个局的思路我后面细讲核心就是一句话做一个场景就做透让它产生可核算的收益再拿这个收益去换下一个场景。贪多嚼不烂在工业AI领域是铁律。5. 2026年的实操避坑指南5.1 场景选择三个判断标准选择场景是所有工作的起点也是最容易忽悠人的环节。我建议按三个标准来判断缺一个都要慎入数据可得性现有设备能不能稳定产出数据历史数据够不够支撑建模数据里的关键测点有没有覆盖到你要预测的问题收益可量化能不能用钱把收益说清楚是省了人力、省了停机损失、省了能耗还是提升了良率说不清楚钱的场景最后一定说不清楚价值。边界可界定问题域是不是封闭的“这条产线这个工位的表面缺陷检测”就是好边界“优化全厂生产效率”就是坏边界。边界越清楚越容易落地、越容易验收。满足这三个标准的典型场景比如单一型号产品的视觉全检、关键设备的轴承劣化预警、注塑机的换模排产优化都是入门级的好项目。如果三个标准都满足不了别硬上先做数据摸底把钱花在看得见的地方。5.2 技术选型别一上来就堆大模型工业场景数据量小、要求确定性动不动就上大模型是2023年的风气2026年再这么干就有点不专业了。我的建议很直白经典机器学习优先。XGBoost、随机森林在大量工业预测和分类问题上表现稳定训练快、部署轻、可解释性强车间领导看得懂。视觉类场景YOLO系列依然是落地最快的选择小目标检测有需求再上高分辨率网络或分割模型注意在项目初期就要用小目标样本验证。时序类场景先做特征工程再配合机器学习模型需要捕捉长程依赖时再考虑LSTM、Transformer之类。用LSTM之前先确认你的数据量足够支撑它吃饱。部署以边缘优先选型时重点看推理生态是否成熟NVIDIA系配TensorRT最省心如果地方面临海外供应链风险就提前调研国产替代方案。再强调一下模型生命周期管理。版本要可控算法更新要能回滚上线前要做新旧模型的A/B对比验证。工业环境可没有互联网行业那种“先上线再说出问题紧急回滚秒级搞定”的条件错了可能就是一整批产品报废。5.3 项目节奏三段式推进把一个大项目拆成三个阶段每一段都有明确的决策门是我做过最值得推广的经验。第一阶段数据摸底加可行性验证一般两到四周产出《数据体检报告》和《可行性结论》。这个阶段不做大投入不写大方案核心就是回答“数据够不够、问题可解不可解、ROI算不算得过来”这三个问题。结论不行果断停掉省下的钱远大于沉没成本。第二阶段单点试点一到三个月。选一条产线、一台设备、一个工位做透。目标是让系统在实际生产环境里连续跑起来指标达到约定值车间操作工愿意用它。这一步慢一点没关系关键是建立信任和磨合流程。我发现很多项目在这一步犯了“追求指标完美”的毛病要知道试点阶段最重要的不是模型精度而是整个链条从数据到报警到处理闭环走通。第三阶段规模化复制三到六个月。把试点阶段的部署模板固定下来算法模块化数据接口标准化运维流程化然后复制到其他产线。复制阶段最大的坑是忽略不同产线的差异所以在模板里必须预留配置入口每条产线只换参数不改逻辑。同时把知识转移给客户内部团队培训他们自己会运维、会重标定。项目团队撤场之后系统能自己跑才算是真正“跑起来了”。5.4 常见问题排查速查表最后我整理一张速查表都是这些年现场排查问题的经验汇总希望各位照着就能定位问题问题可能原因排查思路模型上线后准确率持续下降数据漂移、现场环境变化、产品批次更新记录模型输入的分布定期与训练集对比发现漂移就重新标注、重训、重标定系统频繁误报阈值过于激进、特征选择不当、训练样本不具代表性调阈值、增加规则过滤层、复核历史误报样本把误报样本加入训练集边缘设备推理速度慢模型过大、算力不足、推理引擎没有开启优化做剪枝和量化换成TensorRT/OpenVINO加速必要时升级硬件数据采集断档网关掉线、协议握手失败、存储满了给采集链路加监控告警检查缓存和数据断点续传机制操作工不信任、不愿使用系统报警太频繁、结果不可解释、没有处理闭环加结果解释界面完善人工复核闭环削减无效报警跨产线复制失败单一场景过拟合、复制时没有重新标定多产线数据一起参与训练复制上线前用新产线数据做JIT标定验证这张表可以打印出来贴在项目室里效果比几百页的SOP文档实在得多。我个人在实际操作中最深的一条体会是工业AI的“工业”两个字分量比“AI”重得多。做得好的项目往往不是模型多先进而是把流程理顺了——数据能稳定进来结果能稳定出去车间的人愿意用出了问题有人管。2026年再回头看真正跑起来的那批项目没有一个是靠PPT吹出来的都是一行一行数据、一次一次现场调试、一遍一遍跟老师傅确认细节磨出来的。最后再分享一个小技巧做项目实施的时候千万别只盯着显示屏上的准确率曲线多花时间观察操作工怎么用你的系统——他什么时候会点确认、什么时候会直接忽略报警、什么时候会骂骂咧咧地重启盒子。这些细节比任何算法指标都更能决定一个工业AI项目的生死。想入局的朋友先找一个小而清晰的场景把它做到“老师傅愿意天天开机”比什么都强。
