上周去常州一家注塑厂，车间主任老李拉着我看他新装的“AI质检系统”。摄像头对着刚脱模的开关面板，屏幕上跳动着置信度分数，98.2%——这数字看着漂亮，但老李突然吼了一嗓子：“又他妈误报！”果然，一个轻微的水波纹被标成开裂。他扭头跟我说，现在他们还得在AI后面跟两个老质检员二次筛选，每月多花一万六人工费。这事儿让我想聊聊工业AI那些厂商不爱提的真相。 工业场景的“脏活累活”，算法根本扛不住 说实话，这两年我跑过的工厂没有一百也有八十，AI落地最惨烈的就是数据环节。不像互联网公司能买现成的标注数据集，工业产线上的缺陷样本少得可怜。苏州一家轴承厂，为了训练一个内圈裂纹检测模型，他们花了八个月攒了3700张正样本——可缺陷样本只有41张。对，你没看错，41张。老板咬牙让产线故意造废品，烧了60万材料费，才凑到200张。就这，模型还经常把润滑脂的油膜误判成划痕。 注塑件表面缺陷AI检测工业相机部署 更头疼的是环境干扰。嘉定一个汽车零部件车间，夏天顶棚漏雨，冬天车间门大开，温度能从5℃窜到42℃。他们的视觉检测模型一到下午三点就开始抽风，因为阳光斜射进来，工件表面反光完全变了。这种变量，实验室里永远模拟不出来。

预测性维护？别被“预言家”人设骗了

预测性维护？别被“预言家”人设骗了 “AI预测设备故障”这个愿景，五个甲方有三个会提。但真正跑通了的凤毛麟角。去年帮一家风电齿轮箱厂做振动分析，模型在训练集上准确率95%，部署到现场直接掉到62%。为什么？训练用的数据全是匀速工况，可实际设备经常变速、变载，振动频谱全移位了。还有传感器的安装一致性——同一型号的加速度计，老王拧的预紧力比老张大0.5牛·米，数据就飘了。这些坑，不亲自蹲三个月车间根本发现不了。 问：那是不是说预测性维护纯粹是忽悠？
答：倒也不是。关键在于别神话它。我在沈阳见过一套CNC刀具寿命预测，确实把换刀频率从每200件提到了每450件，一年省下40多万刀具费。但前提是那家厂花的代价：1) 装了扭矩、振动、声发射三种传感器，一套采集系统小20万；2) 聘了两位数据工程师驻场三个月调参；3) 人为控制生产节拍稳定。所以你看，这不是买个“AI盒子”就完事儿的买卖，得配套流程改造。

工业机器人怎么“学聪明”的？一步一个砸出来的坑

协作机器人这几年到处开花，但多数还是人兽无害的样子货。真正需要AI的是复杂轨迹规划——比如风电叶片的自动打磨。传统示教？一个曲面叶片几百个点位，编程要花两周，换个型号又得重来。现在有人用3D视觉+强化学习，让机器人自己试错找最优路径。听起来很美吧？ 工业机器人强化学习轨迹规划实验室环境 实际在江阴一家叶片厂，这套系统试运行前三个月撞了七次！算法为了“探索”更短路径，每次都过分逼近安全边界。最后工程师强行在奖励函数里加了惩罚项——一旦末端速度朝急停方向变化就扣分——才稳下来。这让我想起当年AlphaGo那手“尖冲”，在棋盘上叫妙手，在物理世界可就是机毁人亡。 问：那强化学习在工业场景到底值不值得投入？
答：值，但只适合特定场景。如果你的产线换型频繁、工件一致性差（比如铸造件有飞边），或者工艺参数高度非线性（比如激光焊接的熔池动态控制），那强化学习可能有奇效。但要是标准流水线，固定位置拧螺丝，那还是老老实实用传统视觉定位吧，别给自己找不痛快。 见过最务实的案例是青岛一家家电厂，用简单的统计机器学习做空调节能策略，每年省电费8%，没用什么深度学习，就是几百条规则迭代出来的。有时候真不是越复杂越好。

工业AI的人才困局：懂算法的不懂工艺，懂工艺的不信算法

工业AI的人才困局：懂算法的不懂工艺，懂工艺的不信算法 这些年我面试过不少“AI工程师”，简历上都是顶会论文，但一问到PLC通讯协议、振动传感器的频响范围，一脸茫然。反过来，车间里的老师傅一听AI，第一反应就是“这玩意儿能比我这双手准？”隔阂不是一般的大。有家食品包装厂的项目经理跟我说，他们那条视觉分选线，调参的算法博士和设备科长吵了整整两个月，最后不欢而散。博士坚持要改光照系统，科长觉得是摄像头像素不够——其实根源是传送带速度波动导致图像拖影，两个人都没错，但就是没法坐在一起解决。 所以现在行业里闷声发大财的，往往是那种“泥腿子”团队——自己既懂Python又会接线，能在车间蹲一整夜调PID参数。这种人的产出，比那些高高在上的“算法模型”好用十倍。 最后说点实在的。工业AI不是神话，也不是骗局，它是一个极度依赖场景理解、数据脏活、工程化能力的苦差事。下次有供应商跟你吹嘘“我们模型在某某数据集上达到99%准确率”，不妨直接甩一句：“拿到我车间跑三天，误报率低于千分之三，我立马签单。”通常他们就闭嘴了。