答:多数制造企业的最优解是"采购成熟算法加少量自研做场景适配",纯自研只适合算法本身就是核心竞争力的少数企业。
先说个典型场景。某电子厂做SMT贴片外观检测,产线换了新品号,缺陷样本只有几十张,算法团队纠结是自己搭模型还是买现成的视觉检测方案。这个问题在工厂里非常普遍——算法选型选错了,后面全是坑。
一、先分清你买的是"通用能力"还是"专有知识"
视觉检测、OCR识别、时序异常检测、预测性维护里的振动频谱分析,这些已经有大量成熟商用算法和预训练模型,采购或订阅的成本远低于自研。真正值得自研的是跟你的工艺强绑定的部分,比如某类特定缺陷的判定逻辑、跟自有MES数据深度耦合的排产策略。判断标准很简单:这个算法离开你的产线和数据还有没有价值?没有,才值得自己投人做。
二、算三笔账再决定
第一笔是数据账,自研需要持续标注和迭代,缺陷样本少于几百张时自研模型很难稳定;第二笔是人账,一个能落地的算法团队至少要有算法、数据工程、现场实施三种角色,缺一个都容易停在POC阶段;第三笔是维护账,产线换型、工艺调整后模型要重新训练,采购方案通常带厂商的迭代服务,自研则要自己扛。很多工厂POC做得漂亮、上线就掉链子,问题往往出在第三笔账没算。
三、实际案例的常见走法
假设一家汽配企业要做铸件表面缺陷检测,比较稳妥的路径是:采购成熟的视觉检测平台打底,把自家积累的缺陷图片做成专用数据集,只自研缺陷分类这一层,检测框架和部署工具用现成的。另一家流程型企业的做法是预测性维护直接采购,因为振动、温度这类信号的特征工程已有行业通用方法,自研性价比不高;但把设备维修记录和工艺参数结合做停机预测,这部分数据和逻辑是自己的,就小团队自研。还有一类反面情况:某电子厂一开始全自研视觉算法,做了大半年发现标注成本远超预期,最后转为采购加定制。
相关追问:自研和采购能不能混着来?可以,而且这是主流。通常按"基础算法采购、场景层自研"分层,接口和数据格式提前约定好,避免后期被单一厂商锁死。追问二:采购算法怎么防被绑定?重点看模型能不能导出、数据归谁、换型后谁负责调参,合同里把这三点写清楚。追问三:小厂没有算法团队怎么办?优先采购带现场实施服务的方案,把精力放在数据准备和验收标准上,别自己从零搭模型。
适合自研的情况:算法与核心工艺强绑定、有稳定数据积累和至少三到五人的算法团队、换型频率可控。不适合自研的情况:需求是通用视觉或识别能力、缺陷样本稀少、没有持续维护人力——这类情况采购加场景微调更划算。选型时下一步该关注的是数据归属、模型可迁移性和换型后的服务责任,而不是单纯比价格。