答:选工厂AI试点方案,核心就一句话——先锁定一个"高频、有数据、容错高"的单点场景,用最小闭环验证价值,再谈复制。别一上来就追求大而全的智能工厂蓝图,试点阶段选错方案,后面全是沉没成本。下面按步骤说清楚怎么挑。
一、先把试点场景框死,别让方案牵着走
很多企业是反过来的:先看厂商演示,觉得哪个炫就选哪个。正确顺序是先内部盘场景。你可以拉上生产、质量、设备三个部门,列出近半年最耗人、最重复、最靠老师傅经验的环节。典型可试点的方向有:电子厂的AOI复判、汽配企业的表面缺陷检测、注塑车间的工艺参数推荐、设备振动异常预警、排产调度辅助。判断标准三条:数据能不能拿到(有历史记录或能加装传感器)、失败代价可不可控(错了能人工兜底)、效果能不能量化(良率、工时、停机时长)。场景框死了,再去比对方案,才不会被厂商的通用话术带偏。
二、看方案是不是"贴着你的产线"长出来的
工厂AI和通用大模型不一样,它高度依赖现场数据分布。选方案时重点问三件事:一是模型能不能用你自己的历史数据做微调或再训练,而不是只给一个通用预训练模型;二是部署形态是云端、边缘盒子还是产线工控机旁挂,产线节拍快的场景边缘侧推理延迟必须问清楚;三是和现有MES、SCADA、PLC怎么对接,有没有标准协议(OPC UA、Modbus这类)支持。假设一家汽配企业要做铸件毛刺检测,方案商如果连你的相机型号、光源条件、节拍要求都不问就报方案,基本可以排除。
三、要求做小样本POC,别信PPT准确率
试点方案必须带POC(概念验证)。让对方用你现场采集的几百到上千张真实样本跑一轮,看漏检率、误检率、单件推理耗时。注意两点:样本要包含难例(反光、遮挡、边界模糊),不能只挑好图;指标要按你的业务口径算,比如"漏检率控制在千分之几"而不是笼统的99%准确率。POC周期一般控制在四到八周,跑不通就换,别拖。
四、算清楚总账,不只看软件报价
工厂AI的成本藏在后面:数据标注人力、相机光源等硬件改造、边缘算力设备、和现有系统的接口开发、上线后的模型维护和再训练。选方案时让对方把这几块拆开列,你才能比出真实投入。另外问清楚模型漂移了谁负责迭代、响应周期多长,这决定你上线半年后是省心还是被套牢。
五、看厂商的行业沉淀和交付方式
工业AI很吃行业经验积累。可以了解对方在你这类场景做过多少落地,服务过120余家客户(覆盖15+行业)这类量级的厂商通常有一定跨场景经验,但更关键的是有没有和你同工艺环节的积累。交付方式上,优先选愿意驻场、陪你一起标注数据、一起调参的团队,纯远程交付在工厂场景几乎走不通。
注意事项:试点别铺太大,一条产线、一个工位、一个指标就够;提前定好验收标准和退出机制;内部要有一个懂工艺又懂点数据的对接人,否则厂商走了系统就荒了。试点跑出可量化收益后,再按同样方法横向复制,比一次性上大平台稳得多。