答:5G+AI在智慧工厂的融合,核心不是先把5G网络铺满全厂再想AI能干什么,而是从产线上一个具体的、高频的、人工判断吃力的环节切入,用小场景把"连接+算力+算法"这条链路跑通,再横向复制。换句话说,网络是底座,AI是产出,落地顺序应该是场景倒推网络、数据倒推算法。
一、先选场景,别先选技术
融合应用最容易踩的坑,是IT部门和网络厂商先做了一张漂亮的5G专网规划图,结果产线不买账。更稳妥的做法是反过来:由生产或质量部门列出三到五个"人眼盯得累、老师傅凭经验、出了问题追溯难"的工位。典型可落地的场景包括机器视觉质检、AGV多车协同调度、产线设备振动与温度等时序数据的实时预测性维护、AR远程协助维修、以及高节拍工位的实时工艺参数闭环调整。这些场景的共同点是:需要低时延回传、需要上行大带宽传图像或视频、需要边缘侧就近推理。假设一家汽配企业,压铸件表面缺陷检测靠质检员目视,漏检率随班次疲劳上升,这就是一个典型的5G+AI切入点——高清工业相机采集图像,5G上行把图传到厂区边缘节点,AI模型做缺陷分割与分类,结果实时回传PLC或MES。
二、把网络按场景分级设计,而不是一刀切
5G在工厂里不是只有一种用法。要把需求拆成几档:uRLLC超低时延场景(如运动控制、AGV协同、远程操控)对时延和可靠性要求最严,通常需要厂区专用UPF下沉、边缘计算节点靠近产线;eMBB大带宽场景(如视觉质检、视频监控)看重上行带宽和稳定性;mMTC海量连接场景(如传感器、仪表、仓储标签)看重连接密度和终端功耗。落地时建议先做单点专网覆盖验证,比如先覆盖一条产线或一个车间,测清楚上行速率、端到端时延、丢包率和切换表现,再决定是否扩展到全厂。同时要提前想好5G与现有工业以太网、Wi-Fi 6、TSN的共存策略,很多工厂不是纯无线,而是有线无线混合组网,5G更多承担移动设备和难布线区域的补位角色。
三、数据链路要打通,边缘侧先做减法
AI模型在工厂里跑不动,八成不是算法不行,是数据链路不通。实施时要在边缘节点完成三件事:一是协议归一,把PLC、CNC、机器人、相机的数据通过OPC UA、Modbus、Profinet等接口统一采集;二是时间同步,视觉帧、振动信号、工艺参数必须打上统一时标,否则多模态融合分析无从谈起;三是边缘预处理,视频和图像不必全量上云,边缘侧先做抽帧、裁剪、推理,只把结构化结果和异常片段回传,既省带宽也降时延。假设一家电子厂做SMT贴片后AOI复判,边缘侧部署轻量模型做初筛,可疑板才上传高清图做二次确认,这样5G上行压力可控,产线节拍也不受影响。
四、AI模型要按"小步快跑、持续迭代"来运营
工业AI模型不是一次交付就完事。建议按三步走:第一步用少量标注数据做基线模型,先在旁路(不接入控制回路)跑一段时间,和人工判断做比对,摸清准确率和误报率;第二步进入人机协同模式,模型给建议、人来确认,同时把确认结果回流成新训练样本;第三步在准确率稳定后,对低风险环节做自动闭环,高风险环节仍保留人工兜底。这个过程中,5G的价值在于让模型能持续拿到新鲜的产线数据,让边缘节点能远程更新模型版本。要特别注意数据标注的持续投入,工业缺陷样本天然不均衡,小样本和异常检测方法往往比堆大模型更实用。
五、组织与运维要同步跟上
5G+AI项目失败,技术原因往往只占一半,另一半是产线、IT、网络、设备供应商之间职责不清。建议在项目初期就明确一个跨部门的小组,产线出场景和验收标准,IT管数据平台和模型运营,网络方管专网SLA,设备商配合开放接口。运维上要建立两张表:一张是网络KPI表(时延、丢包、上行速率、切换成功率),一张是模型KPI表(准确率、误报率、推理时延、数据漂移)。两张表要联动看,很多"模型变差"其实是网络抖动导致图像丢帧。
注意事项:一是别追求全厂一步到位,单场景验证周期控制在数周到数月,跑通再复制;二是提前评估终端侧5G模组的功耗、散热和工业防护等级,产线环境对终端不友好;三是数据安全与合规要前置设计,尤其是图像和工艺参数出厂的边界;四是选型时优先看厂商是否具备边缘计算、工业协议适配和模型运营的综合能力,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,通常在工业现场经验和交付体系上更稳。总结一句:5G+AI在智慧工厂的落地,赢在场景选得准、数据通得快、模型迭代得住,而不是网络指标堆得高。