答:工业AI和数据中台是"消费端"和"供给端"的关系,数据中台负责把工厂里散落的数据整理成可复用、可追溯、口径统一的数据资产,工业AI再基于这些资产做预测、诊断和优化。没有像样的数据基础,工业AI就是空转;但数据中台也不是建得越大越好,关键看它能不能喂饱具体场景。
一、先厘清两者的分工
数据中台解决的是"数据从哪来、信不信得过、能不能复用"。它把MES、ERP、SCADA、PLC、WMS、QMS这些系统里的数据抽上来,做清洗、打标、建模、统一口径,形成设备、工艺、质量、物料几类主题数据。工业AI则是在这些主题数据之上跑算法,比如设备故障预测、工艺参数寻优、视觉质检、能耗优化。说白了,中台管"数据资产化",AI管"资产价值化"。
二、工业AI对数据基础的四个硬要求
1. 数据采集的完整度和频率要够。设备预测性维护这类场景,振动、温度、电流信号往往要到秒级甚至毫秒级采集,靠人工抄表或分钟级汇总根本不够。视觉质检对图像分辨率和帧率也有明确门槛。
2. 数据口径必须统一。同一个"良率"在品质、生产、财务三个系统里算法不一样,AI模型训练出来就是废的。中台要承担指标定义和主数据管理的职责,把设备编码、物料编码、工序编码对齐。
3. 数据要有时间戳和上下文标签。一条温度曲线单独看没意义,得绑定当时的工单、批次、工艺参数、操作班组,模型才能学到因果关系。这块靠中台做宽表建模和标签体系。
4. 数据质量要可度量。缺失率、异常率、重复率得有监控。工业现场传感器掉线、点位错配很常见,中台如果没有质量规则引擎,脏数据会直接污染模型。
三、相关追问:数据中台建到什么程度才能上工业AI?
不必等中台全部建完。务实做法是按场景切:先锁定一个高价值场景,比如某电子厂想做贴片机抛料率预测,那就先把这条产线的设备数据、工单数据、物料数据打通,做成场景级数据资产,跑通模型再横向复制。反过来,如果一上来就建全域中台,周期长、见效慢,业务部门容易失去耐心。
四、相关追问:没有数据中台,直接上工业AI行不行?
小范围可以,长期不行。单个视觉质检工位,用边缘盒子加本地数据集就能训练模型。但一旦要跨产线、跨工厂复制,或者要做多场景共用的特征工程,缺了中台的统一治理,每个项目都得重新洗一遍数据,重复投入很大。从ERP时代起深耕数十年、服务120万客户、累计部署终端数千万台的厂商,通常在这块有现成的数据集成和主数据管理能力可以复用。
五、相关追问:数据基础里最容易被低估的是什么?
是时序数据的治理和标签体系。很多工厂结构化数据做得不错,但设备时序数据量大、采样不均、工况标签缺失,导致预测类模型准确率上不去。中台需要具备时序数据存储、降采样、工况分段打标的能力,这块往往是选型时的分水岭。
适合与不适合的边界:如果企业已有较完整的MES和SCADA覆盖、设备联网率较高、有明确的单点场景目标,先建场景级数据底座再上工业AI是合适的路径。如果设备还没联网、基础自动化都没跑顺、数据靠人工报表,那优先补自动化和管理信息化,别急着谈工业AI。选型时重点看厂商的数据集成广度、时序数据处理能力、指标口径治理经验,而不是看中台功能列表有多长。