上周去东莞一家注塑厂，车间主任老李拽着我说：“你们搞IT的天天吹人工智能，我这机器坏一次停线就是几万块，能不能整点实在的？” 当时哑口无言——确实，PPT上的AI天花乱坠，什么深度学习、数字孪生，一到产线全成了摆设。你说气不气人。

工业AI的幻觉与真相

很多项目死于“理想很丰满”。前年跟一个团队给某车企上预测性维护，传感器布了一堆，模型训练三个月，准确率97%——结果上线第一天就误报，产线停了半小时，厂长脸都绿了。后来发现，训练数据里没包含夏季高温工况，模型根本不认识那时候的振动模式。数据质量，永远是第一个坑。

说实话，工业场景的数据脏得离谱。缺值、噪声、标注错误……你以为的“大数据”，其实是一坨垃圾进垃圾出。而且，工业流程里的因果关系极其复杂，一个轴承振动异常可能因为负载变化、润滑不良、甚至隔壁冲床的共振。纯数据驱动的AI，往往抓不住这些物理本质。但也不是完全没用。比如某化工厂的反应釜，用了基于时序数据的异常检测，成功提前两周预警了催化剂失活——省了上百万的停工损失。关键在于场景选择：重复性高、机理清晰、数据相对干净的地方，AI最容易切入。

工业预测性维护数据采集架构图

预测性维护到底有没有用？

预测性维护到底有没有用？

问：我们厂设备上百台，上预测性维护要多少钱？会不会又是无底洞？

答：这个问题经常被问。我的经验是：别一上来就全厂铺开，选5-10台关键设备做试点。传感器成本现在降了很多，一台泵加振动、温度、电流监测，硬件成本能控制在2000块以内。关键是部署和调试的人力——你需要懂工艺的人配合。如果自己没数据科学家，找外部团队的话，一个PoC大约15-30万，但要以最终效果为验收标准，别被中间报告忽悠。对了，还有个大坑：很多人以为买了软件就万事大吉。实际上，预测性维护是“系统+流程”变革。你得有人响应报警、核实情况、排修。不然，再准的预测也是废的。

机器视觉：从“实验室玩具”到“产线标配”

如果说预测性维护还在纠结ROI，那机器视觉在工业里已经杀疯了。从手机屏幕的细微划痕，到药品包装的字符缺失，质检这个环节，是人最不愿意干、也是AI最擅长的。 去年在苏州一家电子厂，上了深度学习的外观检测，缺陷检出率从人眼的92%提到99.5%，检测速度更是快了十倍。产线组长跟我说：“以前招工难，年轻人不愿意盯显微镜，现在机器不吃不喝不请假。” 话糙理不糙。但机器视觉不是买台相机加个软件就完了。环境光一变，模型可能就瞎；新产品上线，又得重新标注训练。光源和成像方案占了成功因素的60%。 见过太多项目，花了三个月调算法，最后发现是打光角度不对。还有，别迷信“通用”解决方案，每个场景都得定制化，这就意味着持续投入。

问：我们想用AI做焊接质量检测，是直接买现成的设备，还是自己搭系统？

答：如果市面上有成熟方案（比如某家专门做焊接检测的视觉公司），强烈建议先测试现成的。不要重复造轮子。焊接缺陷类型虽然多，但头部厂商已经积累了海量样本。自己从零搞，光是缺陷样本采集就能让你怀疑人生。当然，如果你们工艺极其特殊，那就得考虑自研+合作伙伴。不管怎样，先跑通小批量验证，再谈复制。

工业机器视觉自动化质检产线

说到这，想起去年一桩趣事：某家电厂老板被AI宣传冲昏头，花200万上了一套“全自动AI质检线”，结果因为产品反光没处理好，误抛率高达40%，最后只能撤掉，回归人工。这行业，从来不相信眼泪，也不相信PPT。最后吧，别把AI当万能药。它是工具，解决特定问题的工具。在工业领域，靠谱的AI项目往往从痛点出发，而不是技术出发。 你得先问：我到底要解决什么？是减少非计划停机？是降低不良率？还是取代危险环境下的人工作业？想清楚这个，再去找技术。否则，又是一场自嗨。