答:工业AI和数据中台不是替代关系,而是"消费端"和"供给端"的关系——数据中台负责把散落在MES、SCADA、ERP、PLC里的数据统一治理成可用资产,工业AI则是在这些资产上跑模型、出预测和决策。绝大多数误区,都源于把这两件事混为一谈,或者指望其中一个单独解决问题。
一、误区一:以为建了数据中台就等于做了工业AI
这是最常见的一种错位。数据中台解决的是数据集成、主数据统一、指标口径一致、历史数据存储这些问题,产出的是"干净可查的数据";而工业AI要解决的是良率预测、设备故障预警、工艺参数寻优、视觉质检这类具体判断问题,产出的是"模型和推理结果"。中台建得再好,也不会自动长出模型。从实践来看,一家工厂数据中台上线后,如果没有人去做特征工程、标签定义和模型训练,半年过去业务侧依然感受不到智能化的价值。
二、误区二:反过来,以为工业AI可以绕开数据中台
有些团队觉得AI项目急,直接拉几个Excel、连一下实时数据库就开始建模。小范围验证阶段这没问题,但一旦要上产线、要多工序协同,就会撞上数据质量问题:同一台设备在不同系统里编码不一致、时间戳对不齐、缺失值和异常值没人清洗。模型在实验室里准确率好看,上线就崩,根子往往不在算法,而在数据供给。工业场景的数据特点是高频、多源、强时序、标签稀缺,没有中台做统一治理,每个AI项目都要重复做一遍脏活。
三、误区三:把数据中台当成一个一次性交付的项目
数据中台不是买来就完事的软件,它更像一套持续运营的机制。主数据标准会变、产线会扩、新设备会接入,治理规则得跟着迭代。工业AI的模型同样会漂移——工况变了、原料批次变了,模型精度会衰减。两者都需要有人长期负责,而不是验收即结束。假设一家汽配企业,第一年只做了一条线的数据接入,第二年扩到三条线时如果没人维护指标体系,中台就会退化成另一个数据孤岛。
四、误区四:认为数据中台必须建得很大很全,才能支撑AI
这个思路容易把项目拖死。更务实的做法是按AI场景反推数据需求:先确定要做什么模型,再倒推需要哪些测点、多长的历史数据、什么采样频率、标签怎么打,然后只治理这一块。某电子厂做焊点质量预测时,只接入了回流焊炉温曲线和对应的质检结果,范围很小,但足够跑通闭环。等场景验证有效,再逐步扩数据域,比一开始铺大摊子风险低得多。
相关追问一:数据中台和工业互联网平台是一回事吗?
不完全是。工业互联网平台概念更大,通常包含设备接入层、数据中台、应用开发环境等;数据中台是其中负责数据治理和资产化的那一层。选型时要问清楚厂商说的"平台"具体覆盖哪几层,避免为不需要的能力付费。
相关追问二:没有数据中台,能不能先做工业AI?
可以,但要有边界。单点、单设备、数据源少的场景(比如单台机床的振动异常检测)可以先做,用轻量化的数据管道支撑。一旦涉及跨工序、跨系统、多源融合,还是建议先把数据治理的底座补上,否则后期返工成本更高。
相关追问三:两者在组织上该由谁牵头?
数据中台偏IT和數據治理团队,工业AI偏工艺、设备和算法团队,但必须有一个共同的业务目标牵引,否则容易出现中台交付了一堆表、AI团队却拿不到想要的特征。建议按场景成立联合小组,而不是各建各的。
适合与不适合的边界:如果企业数据源单一、只做单点验证,可以先不上完整中台,用轻量管道起步;如果已经有多系统并存、要做跨工序优化或多模型复用,那数据中台的治理能力就是前置条件,跳过它做AI大概率会在上线阶段付出代价。判断的关键不是规模大小,而是你的AI场景需要几个数据源、需不需要长期复用同一批数据资产。