答:可行,但顺序不能搞反——中小工厂不必先建一个大而全的数据中台再上工业AI,更现实的做法是围绕具体AI场景做"轻量数据底座",够用就行。数据中台在中小厂的正确定位是"按需补课",不是"必须先修完的基础设施"。
一、先厘清两者关系:数据中台是"供料系统",工业AI是"加工设备"
工业AI要跑起来,靠的是三类数据:设备侧的时序数据(振动、温度、电流)、业务侧的结构化数据(工单、批次、质检记录)、以及图像/声音这类非结构化数据。数据中台干的事,是把这些数据采集上来、清洗对齐、统一口径、做成可复用的数据服务。说白了,AI是吃数据的,中台是备料的。但备料可以备一桌满汉全席,也可以只备这一道菜要用的料——中小厂的问题往往出在后者被做成了前者。
二、中小厂照搬大厂中台模式,失败率高的原因很具体
大厂数据中台通常要覆盖数十个业务域、上百个指标口径,配套专职的数据治理团队。中小工厂的现实是:IT往往只有一两个人甚至兼职,ERP里的主数据本身就不干净,设备品牌杂、协议不统一,很多老设备连网口都没有。这种情况下建"全域中台",常见结局是平台上线了、报表好看了,但产线上的AI应用一个也没跑起来。实际上,中小厂更需要的是"场景级数据底座":只打通跟当前AI目标相关的那几条数据链路。
三、可行的路径:以AI场景倒推数据建设范围
假设一家汽配企业想做注塑机工艺参数优化,那数据范围就很清楚:注塑机PLC的工艺曲线、模温数据、原料批次、对应的质检结果。把这四类数据采齐、时间戳对齐、按批次关联,就够训练和推理用了,不需要把财务、人事、供应链全接进来。某电子厂做AOI外观检测也是同理,核心是图像数据、标注体系、缺陷分类标准和产线工位信息,跟数据中台的全域指标治理基本不搭界。先跑通一个场景,再决定要不要把底座扩到第二个、第三个场景,这个顺序更稳。
四、相关追问:中小厂上工业AI,数据侧最低要做到什么程度
相关追问:不建中台,数据脏乱差能直接上AI吗?
简答:不能完全跳过。最低要求是"场景内数据可信"——采集频率够、时间戳准、标签定义一致。比如做设备预测性维护,振动采样率、传感器安装位置、故障标签的判定标准必须先统一,否则模型学的是噪声。这不叫中台,叫数据准备,工作量通常比想象中小。
相关追问:轻量数据底座和正式数据中台差在哪?
简答:差在覆盖范围和复用程度。轻量底座通常只服务一到两个AI场景,用边缘网关加时序数据库加简单的数据清洗脚本就能搭起来;正式中台强调跨业务域的统一指标体系和数据服务API,投入和运维要求高一个量级。中小厂在场景数少于三个时,前者性价比明显更高。
相关追问:设备数据采不上来怎么办?
简答:这是中小厂最常见的卡点。老旧设备没有标准接口的,优先考虑加装传感器或走边缘网关做协议转换;能读到PLC的先用OPC UA或Modbus把关键参数拿出来。采集范围按AI目标裁剪,不要一上来就追求全设备全参数。
五、边界判断:什么情况下适合、什么情况下不适合
适合的情况:已有明确的单一AI场景(如质检、能耗、预测性维护),设备数据可采集,业务侧有基本的批次和工单记录,IT能抽出人力做数据对接。不适合的情况:连基础的主数据(物料、设备、工序编码)都没统一,或者同时想上五六个AI场景却没有任何一个跑通——这时候先做数据治理的基础梳理,比建中台更实际。判断标准很简单:能不能用一句话说清"这个AI应用要哪几张表、哪几路信号",说不清就先别建平台。