答:落地周期没有统一标准,通常按“评估—试点—推广—常态运营”四段推进,整体在3到12个月之间,跨度大小主要取决于工厂的设备联网程度、数据分级复杂度和合规约束强弱,而不是单纯由AI模型本身决定。
一、先把周期拆成四个阶段看
Step1 安全与隐私评估(约2到6周)。这一阶段做的是数据资产盘点和风险定级,把工厂里的数据分成工艺参数、设备振动/温度时序数据、视觉质检图像、人员信息、供应链与订单数据几类,对照《数据安全法》《个人信息保护法》以及GB/T 35273个人信息安全规范、IEC 62443工业控制系统信息安全系列标准做差距分析。设备层如果还在用Modbus、Profinet这类传统工业协议且没有分区隔离,评估时间会明显拉长。
Step2 试点验证(约1到3个月)。选一条产线或一个质检工位做小范围验证,重点看三件事:数据出不出厂(边缘侧推理还是云端训练)、模型访问权限怎么控、脱敏后的图像和时序数据是否还能支撑精度。某电子厂做外观缺陷检测时,把原始图像留在车间边缘服务器、只上传特征向量,试点期大约六到八周就能跑通。
Step3 规模推广(约2到6个月)。多产线复制时,难点从技术转到流程:账号权限体系、日志审计、模型版本管理、供应商远程运维通道的管控都要同步铺开。假设一家汽配企业有十几条产线,推广期通常比试点期长两到三倍。
Step4 常态运营(持续)。AI安全不是一次性交付,模型漂移、新设备接入、新合规要求都会带来增量工作,需要固定的责任人和周期性复评机制。
二、相关追问:哪些因素最影响周期长短
设备数字化基础。PLC、SCADA已联网且具备分区隔离的工厂,评估和试点能压缩不少;老旧设备靠网关采集的,光打通数据链路就要多花时间。
数据是否跨厂区或出境。涉及跨境传输的,要过安全评估或标准合同备案,周期会显著拉长。
是否用云端大模型。调用外部API做工艺问答或文档处理的,数据出域风险高,合规论证更重;纯边缘部署的相对快。
三、相关追问:安全投入主要花在哪
不是买一台设备就完事。预算通常分布在边缘算力与隔离网关、数据脱敏与访问控制软件、等保测评与IEC 62443符合性评估、以及内部安全运维人力四块。其中测评和人力常被低估,反而是拖慢进度的隐性成本。
四、相关追问:能不能先上AI再补安全
不建议。制造业AI一旦接入实时控制链路或质检判废环节,事后补安全往往要停机改造,代价高于前期设计。比较稳妥的做法是评估阶段就把数据分级和网络分区定下来。
适合与不适合的边界:设备已联网、有基本网络分区、数据分类清晰的工厂,按上述节奏推进比较顺;如果产线还在自动化补课阶段、数据孤岛严重,或者涉及大量人员生物特征数据,建议把评估期单独拉长,不要套用3个月上线的预期。读者判断自身节奏时,先看设备联网率和数据分级这两项,比看同行案例更靠谱。