答:最常见的误区是把AI当成"万能药"或"面子工程",而不是先明确它在具体工序里替代的是判断、检测还是调度职能。某电子厂在SMT产线上了视觉检测模型,却仍靠人工复判每块板,AI只做了"报警"没做"闭环",结果误报率居高不下,产线反而更堵。问题不在算法,而在角色定位没想清楚。
一、把AI当"替代人"而非"补位人"
不少管理者一开口就是"这条线要减几个人"。实际上工厂里AI更现实的角色是补位:AOI复判、工艺参数寻优、设备预测性维护里的异常初筛。以预测性维护为例,振动传感器采样频率、特征提取窗口、报警阈值这些参数决定模型能不能用,AI负责的是从海量时序数据里筛出可疑片段,最终停机决策仍要设备工程师拍板。定位成"辅助判断",落地阻力小得多。
二、把AI当独立系统而非嵌入现有信息化底座
工厂从ERP时代起深耕数十年,MES、WMS、SCADA里已经沉淀了大量结构化数据。常见误区是另起一套AI平台,数据再抽一遍,接口对不上。合理定位是AI作为MES/SCADA之上的一层能力,直接调用现有工单、物料批次、设备状态数据。从实践来看,数据打通成本往往高于模型开发成本,角色定位要先回答"AI吃谁的数据、结果回写到哪"。
三、把AI当一次性项目而非持续运营
假设一家汽配企业上线了表面缺陷检测,验收时准确率不错,半年后换了批次、换了照明,模型退化没人管。AI在工厂里的角色更像需要标定和维护的"虚拟工位",得有样本回流、定期再训练、误报归因的机制。定位里不含运营责任,项目很容易验收即巅峰。
四、把AI当"越复杂越好"
不是所有场景都需要深度学习。来料计数、简单尺寸判定用传统视觉规则更稳、更可解释。AI的角色应聚焦在规则难覆盖的模糊判断上,比如焊缝气孔、织物疵点这类边界模糊的缺陷。
相关追问:AI和传统自动化有什么区别?自动化执行确定动作,AI处理不确定判断,两者是叠加关系不是替代关系。小工厂适合先上什么AI?优先选数据现成、误判代价低的环节,如设备异常报警初筛。AI项目预算受什么影响?主要看数据治理量、标注量、是否要对接现有MES接口,规模越大接口改造占比越高。
适合:已有较完整MES/SCADA数据、有明确单一工序痛点、能配专人做数据运营的工厂。不适合:信息化底座薄弱、指望AI一步解决多环节问题、没有样本回流机制的团队。判断下一步该关注什么,先问自己三个问题:AI的输出回写到哪个系统、谁对误报负责、模型多久再训练一次。