去年年底，我们团队在一个汽车零部件产线上部署AI视觉检测，差点把项目经理逼疯。事情是这样的——

产线速度不慢，每秒要过5个件。传统算法写死阈值，某些微小缺陷根本抓不住。良率报表好看，但客户投诉不断，说装配后异响。那怎么办？ 用深度学习呗，我们跟领导拍胸脯。结果呢？模型一开始连正负样本都分不清，把合格件判定为NG，停机报警响个不停。 工人烦了，直接把相机电源拔了……

说实话，那时候我满脑子都是“AI就是个骗子”。不过话说回来，后来我们是怎么调过来的，还真值得聊聊。这中间踩的坑，我发现很多同行都在重复。

1. 数据？数据！不是越多越好

工业界最不缺的就是数据——这句话得加个问号。原始生产数据海量，但标注好的缺陷数据？凤毛麟角。你总不能指望天天等着产线出故障来积累吧。我们最初用公开数据集预训练，结果迁移到实际产线，背景稍微变一下，准确率直接腰斩。❗ 教训：一定要用现场真实环境采集的数据去微调，别偷懒。

人工在产线旁标注工业缺陷图像

其实还有个问题，缺陷种类太多，而且类间相似度高。比如划痕和裂纹，在2D图像里有时候光照一换就看岔了。我们后来加了结构光3D相机，才勉强提高。但也发现了新麻烦：3D点云数据量大，推理延迟蹭蹭涨。😂

2. 模型落地，别被“实验室指标”骗了

为什么很多AI公司在工业领域碰壁？因为实验室的mAP和产线的直通率根本就是两码事。你在干净的server上跑得欢，一上工控机就卡成PPT——那机器可能还是十年前的老爷机，连GPU都没有。我们当时用Jetson Xavier NX，量化后精度又掉一截。后来换成Intel的OpenVINO加速CPU推理，才勉强达到产线节拍。😤 就这么折腾，两个月过去了。

问：工业AI真的需要高端GPU吗？
答：不完全是。很多视觉检测模型经过优化，在CPU甚至FPGA上也能跑到百毫秒级。关键是算法和硬件的联合设计，别一上来就上3090，成本受不了。我们后来用剪枝过的YOLOv5n，在i7工控机上能到30fps，够了。

问：模型更新后，要不要重新验证？听起来很麻烦。
答：你说到痛点了。每次迭代，哪怕只改了一个超参，也必须做全流程的回归测试。我们吃过亏——有次只是增加了新缺陷样本重训，结果老缺陷的检出率掉了一大截。后来搭了自动化测试平台，用历史图片批量跑，出报告才敢上线。这是血泪换来的。

深度学习模型在工业产线的部署与验证流程

再说个哭笑不得的事。我们老板有天兴冲冲拿着手机给我看，说“你看人家用大模型做工业质检，自动写缺陷描述！”我一看，是某个ChatGPT的演示……我委婉地解释，那玩意儿生成的分析报告，格式漂亮，但经常把擦伤说成凹坑，在工业里这叫“睁眼说瞎话”。大模型生成能力很强，但幻觉问题在严谨的工业场景里就是致命伤。不过，用大模型来做人机交互倒是不错，比如让工人用自然语言查询设备日志，省去翻手册的时间。

3. 不是我保守，但AI要有“刹车”

3. 不是我保守，但AI要有“刹车”

搞工业的人最看重什么？稳定性。你AI能检出99%的缺陷，但万一把那1%漏过去，客户索赔的时候可不管你是不是深度学习。所以我们设计系统时，一定保留规则兜底。比如在AI输出之后加一道逻辑判断：如果AI判为OK，但特征值落在某个模糊区间，强制转为人工复检。这种人机协同的模式，虽然听起来不够高大上，但切实有效。

另外，AI黑盒化一直是争议点。可解释性非常重要，因为工艺工程师需要知道模型是基于什么特征做的判断，才能改进工艺。否则他们只会说：“你改个参数试试？”——结果参数越调越乱。我们现在用Grad-CAM可视化热力图，把模型关注的区域高亮出来，再和老师傅经验比对，发现吻合度还挺高。老师傅撇撇嘴：“也就那么回事嘛。” 但终于不再把AI当妖术了。

还有一件事。安全。AI驱动的机械臂突然发疯怎么办？真实案例：某厂用强化学习训练机械臂抓取，仿真里好好的，一到现场，机械臂以诡异的角度撞上了流水线。幸好围栏没拆……所以，物理隔离和安全逻辑必须独立于AI系统，这是铁律。

最后抛个观点：人工智能在工业界，与其说是革命，不如说是一味苦药。你说它没用？它真能解决几个以前搞不定的难题。你说它万能？连个稳定的ROI都算不出来。务实一点，从小处着手，先在一个工位上跑顺了，再谈复制推广。别信那些PPT里画的“智慧工厂大脑”，给你看个数字：我们那个质检工位，不算人力成本，光硬件改造成本就花了18万，一年半回本。这还是在良率提升足够显著的前提下。如果没有具体业务痛点，纯粹为了“智能化”上AI，大概率一地鸡毛。

好了，先聊这么多。如果你也在工厂里折腾AI，欢迎留言交流。说不定你的坑我也踩过。