答:绝大多数制造企业应该优先采购成熟算法方案,只在核心工艺环节且具备持续数据积累和算法团队时才考虑自研。这个判断不是拍脑袋,你只要算一笔账就清楚了:一个能落地的工业视觉或时序预测算法,背后需要数据标注、特征工程、模型训练、边缘部署、持续迭代五个环节,任何一个环节断掉,算法在产线上活不过三个月。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行业积累也说明一件事,工业软件的坑大多不在算法本身,而在场景适配和工程化。
一、先看你的场景是不是"算法即核心资产"
假设一家汽配企业要做表面缺陷检测,缺陷类型固定、样本量能到几千张、节拍要求不高,这种场景采购标准化视觉算法加少量现场调参就够了,自研属于重复造轮子。但如果你的工艺参数优化直接决定良率,比如注塑成型参数寻优、热处理曲线优化,这类知识和你的设备、模具、材料强绑定,供应商给的是通用模型,真正的壁垒在你自己积累的数据上,这才值得自研。判断标准很实在:算法效果能不能被供应商的通用产品覆盖八成以上,能覆盖就买,覆盖不了再谈自研。
二、采购要盯死三件事:数据归属、部署方式、迭代责任
数据归属必须写进合同,产线数据是你的核心资产,供应商拿去做模型训练要有明确边界。部署方式上,工业现场普遍要求边缘侧推理,模型能不能跑在工控机或边缘盒子上、对算力要求多少、断网能不能工作,这些要在POC阶段验证,别只看云端Demo。迭代责任最容易扯皮,产线换型、新增缺陷类别时谁来更新模型、响应周期多长、费用怎么算,提前谈清楚。相关追问:采购AI算法一般怎么验证效果?答案是拿你自己的真实数据做小批量POC,用漏检率、误检率、单件推理耗时三个指标卡,别用供应商的测试集。
三、自研要算清隐性成本
自研不只是养几个算法工程师。数据标注的人力、GPU或边缘算力的投入、模型版本管理和上线后的监控运维,这些隐性成本往往是显性人力成本的两三倍。相关追问:自研算法团队要配多少人?起步阶段至少要有算法、数据工程、部署工程三个角色,人少了根本转不起来,而且要有稳定的数据回流机制,否则模型越用越偏。
四、混合路线往往最现实
通用环节采购,核心环节自研,中间用供应商的算法平台做底座,把自己的数据灌进去做微调。这条路对多数中型制造企业最划算,既不被供应商锁死,也不用从零搭全套能力。
适合自研的情况:核心工艺数据在你手里、有持续数据回流、有稳定算法团队、算法效果直接决定竞争力。不适合自研的情况:通用检测类场景、数据积累不足、没有运维算法的工程能力、追求短期上线。你下一步该关注的是把自己的数据资产盘清楚,再拿真实数据去跑POC,而不是先纠结自研还是采购。