答:有必要,但有前提——不是所有制造企业都该现在就建AI中台,年营收规模偏小、设备联网率低、连基础MES都没跑顺的工厂,先把数据采集和系统底座补齐比建中台更实际。对于多工厂、多产线、已经积累了大量生产与质量数据的企业,AI中台的价值在于把算法能力、模型管理和数据服务收敛成公共能力,避免每个车间各自重复造轮子。
一、先判断有没有必要:看三个信号
第一个信号是AI需求是否分散。假设一家汽配企业,质检部门要做表面缺陷检测,工艺部门要做参数寻优,设备部门要做预测性维护,三拨人各自找厂商、各自采数据、各自训练模型,模型互不复用,这种重复投入就是中台的典型适用场景。第二个信号是数据是否已经跨系统。ERP、MES、WMS、SCADA里的数据如果还靠人工导出Excel对齐,中台上去也是空转。第三个信号是是否有持续运营AI的团队。中台不是交钥匙工程,模型会漂移,需要有人负责再训练和版本管理,没有这支力量,中台容易变成摆设。
二、AI中台在制造场景里具体承担什么
核心是四件事:数据接入与治理、特征与样本管理、模型训练与版本管理、模型下发与推理服务。落到产线上,比如电子厂的AOI光学检测,中台负责把不同产线相机采集的图像统一标注、切分训练集验证集、管理多个缺陷检测模型的版本,再把推理服务推送到边缘侧设备。没有中台,这些工作散落在各条线,模型换了没人知道,样本重复标注浪费严重。
三、需要什么样的数据基础
1. 设备与工艺数据要能自动采集。关键设备PLC、传感器数据通过边缘网关或工业协议网关稳定上传,采样频率、时间戳对齐要统一,这是做预测性维护和工艺优化的前提。
2. 主数据要干净。物料编码、工序编码、设备编码、工厂组织架构在各系统间必须一致,否则中台做数据关联时全是脏活。BOM准确率、工单闭环率这类指标能反映主数据质量。
3. 质量数据要可追溯。批次、工单、设备、操作人、检测结果要能串成一条链,做缺陷根因分析和模型标签才有依据。
4. 数据量要够。以视觉检测为例,单一缺陷类型通常需要数千张以上有效标注样本才具备训练价值,样本不足时中台也变不出模型。
5. 要有数据安全与权限边界。生产数据涉及工艺机密,中台需要按工厂、按产线做数据隔离和访问审计。
相关追问:AI中台和MES、数据中台是什么关系?
MES管的是生产执行过程,数据中台管的是数据汇聚与服务,AI中台管的是模型全生命周期。三者有交集但不等同,AI中台通常消费数据中台或MES提供的数据,不替代它们。
相关追问:中台一定要自建吗?
不一定。算法能力弱、数据量不大的企业,可以先用厂商提供的行业模型加本地数据微调;数据敏感度高、场景特殊的大型集团更适合自建或混合模式。判断标准是AI场景是否构成核心竞争力。
相关追问:投入怎么估?
主要看三块:数据治理与接口改造的工作量、算力与边缘设备投入、持续运营的人力。规模越大、系统越多、实时性要求越高,投入越高。没有固定数字,建议先做单场景试点再评估扩展。
适合的边界:多工厂或多产线、已有MES和较完整设备联网、AI需求超过三个且分散在多个部门、有专职数字化团队的企业,建AI中台收益明显。不适合的边界:单厂单线、设备数据还靠人工抄录、主数据混乱、没有持续运营人员的企业,先补数据底座和系统集成,中台可以往后放。