答:工厂AI项目失败,八成不是算法不行,而是需求没锁死、数据没理顺、上线姿势不对。很多工厂一上来就奔着"大模型""黑灯工厂"去,结果Demo很漂亮,产线一跑就露馅。下面按落地步骤拆开讲,每一步都对应一类高频失败原因。
一、立项阶段:需求贪大,场景选错
不少企业失败的第一刀就砍在这儿——把AI当成万能药,一口气要覆盖排产、质检、设备预测、能耗优化。业内常见的情况是,项目范围铺得太大,半年过去每个模块都只做了个半成品。可行的做法是先选一个高频、高价值、边界清晰的场景切入,比如某电子厂的SMT外观复检,或者假设一家汽配企业的压铸件表面缺陷识别。判断标准很实在:这个场景有没有明确的判定标准、有没有稳定的数据来源、出错成本是不是足够高。三项都占,才值得先做。
二、数据阶段:只做清洗,不做治理
很多工厂以为把历史数据导出来、标一遍就完事。真正卡住项目的是数据治理没做:不同产线的相机型号不一致、标签口径不统一、良品判定标准随班组变化。建议在建模前先做一轮数据资产盘点,明确每个字段的来源、采集频率、责任人和更新机制。假设一家汽配企业要做缺陷检测,先统一"划痕""凹坑"的判定边界,再谈标注,否则模型学到的是一套自相矛盾的规则。这一步偷懒,后面调参调到崩溃也补不回来。
三、开发阶段:算法团队闭门造车
常见失败原因是IT和OT两张皮。算法工程师在办公室用离线数据集刷到很高准确率,到了现场发现光照变化、节拍太快、相机抖动,模型直接失效。可操作的做法是让产线工艺工程师从第一天就进项目组,模型评估指标不能只看准确率,要结合漏检率、误检率、单件推理耗时一起看。上线前必须做小批量在线验证,用真实节拍跑够一定样本量再定版。
四、上线阶段:一次性切换,没有兜底
不少企业喜欢"一刀切"上线,结果现场一乱就全停。稳妥的方式是灰度推进:先并行运行,AI判定和人工判定同时走,差异样本人工复核并回流训练;等稳定运行一段时间后再逐步减少人工介入。同时要预留人工兜底通道和模型回滚机制,产线不能因为模型版本更新就停摆。
五、运营阶段:上线即终点,没人管模型
这是最容易被忽略的失败原因。产线换料、换批次、换季节,数据分布就漂移了,模型效果会慢慢衰减。建议指定明确的模型运营责任人,建立定期评估和再训练机制,把误检样本的收集变成日常动作。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台、覆盖国内外市场的厂商,通常在交付体系上会更强调这一点——AI不是交钥匙工程,而是持续运营。
注意事项:别把AI项目当纯IT采购,业务负责人要背指标;预算里要留出数据治理和后期运营的份额,不能全砸在算法上;验收标准提前写清楚,用产线语言而不是论文语言。
总结一句:工厂AI项目失败,多半败在场景贪大、数据不治、上线太急、运营缺人这四件事上。小步快跑、业务主导、灰度上线、持续运营,比追最新模型管用得多。