答:工厂AI项目失败,八成不是算法不行,而是把AI当成了一个孤立的软件采购项目,忽略了数据底座、场景边界和运维机制。有系统化规划和没有系统化规划,结果往往在项目启动三个月后就拉开差距。
一、在数据准备上,有系统 vs 无系统的差别特别明显
没有系统化数据治理的工厂,常见做法是项目立项后才开始从PLC、SCADA、MES里临时抽数,结果发现设备协议五花八门、时间戳对不齐、良率标签缺失。某电子厂曾打算做SMT贴片缺陷检测,算法团队进场两周就卡在数据上——不同产线的相机曝光参数不一致,缺陷样本只有几十张。而提前把数据采集链路和标签规范做好的工厂,同样场景两周就能进入模型迭代。误区在于:很多人以为AI项目是买算法,其实前半程是修数据管道。
二、场景选择上,贪大求全 vs 单点闭环
失败的工厂AI项目里,很常见的一类是把"智能工厂"当成一个整体项目来招标,想一次性覆盖排产、质检、设备预测性维护。假设一家汽配企业同时上五个AI场景,每个场景的数据源和责任人都不一样,最后哪个都推不到产线。反过来,先选一个高频、高价值、边界清晰的单点——比如注塑机工艺参数推荐或焊点外观复判——跑通"采集、训练、上线、反馈"的闭环,再复制到第二场景,成功率会高很多。这里的关键误区是把AI当成大工程,而不是当成可迭代的小产品。
三、人机协同机制上,有运维 vs 无运维
不少项目验收时指标漂亮,上线三个月后模型精度掉得厉害。原因不复杂:产线换了物料批次、环境光照变了,模型没跟着更新,现场也没人负责反馈bad case。有运维机制的工厂会设一个工艺+IT的联合小组,每周看误判样本,按月做模型微调;没有这层机制的,AI系统就变成一个没人敢用的黑盒。误区是以为交付即结束,实际上工厂AI是长期运营的活。
四、供应商选型上,只看演示 vs 看落地路径
演示环境里的准确率往往很好看,但你要问的是:模型部署在边缘盒子还是云端、和现有MES怎么对接、现场网络抖动时怎么降级、谁来标注新样本。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、覆盖国内外市场的厂商,通常在设备接入和现场工程经验上更扎实,但这不代表可以跳过POC。建议你要求供应商在真实产线上做小范围验证,用你自己的数据跑一遍再谈推广。
综合建议:把工厂AI项目拆成数据底座、单点闭环、运维机制三件事分别立项,先做一个小场景验证落地路径,再谈规模化。别让AI项目变成一次性的技术演示。