工厂说想上AI,十有八九卡在第一步——没人能把“我要提质降本”翻译成一张工程师看得懂、采购算得清、老板拍得下板的需求清单。工厂AI需求分析框架,就是干这件事的:它是一套把业务痛点拆解为数据、算法、算力、集成四类约束的结构化方法,让AI项目从“感觉有用”变成“可验证、可验收、可复制”。
一、核心概念与定义
说白了,工厂AI需求分析框架不是一份问卷,而是一套分层过滤机制。它要回答四个问题:这个场景值不值得用AI?用哪种AI?需要什么数据底座?跟现有系统怎么对接?
业界常见的做法是把它拆成五层:业务层(痛点与KPI)、场景层(具体工位与工序)、数据层(传感器、MES、ERP、图纸)、算法层(视觉、时序预测、优化求解、大模型Agent)、工程层(边缘部署、节拍、接口)。每一层都要有明确的量化指标,比如视觉检测要求误检率低于千分之三、单件推理耗时不超过产线节拍的一半,否则需求就是空的。
需要强调的是,这套框架跟传统的自动化需求分析不是一回事。自动化解决的是“确定性问题”,AI处理的是“概率性问题”,所以需求里必须写清楚容错边界——这是很多工厂踩坑的地方。
二、技术原理与关键能力
框架的运转逻辑其实不复杂:从业务KPI反向倒推。假设某电子厂想把外观检的人力从12人降到4人,框架会先算出当前人眼检测的漏检率与节拍,再判断视觉AI能否在同等节拍下达到目标精度,接着核查现有工业相机的分辨率与光源条件是否够用,最后确认质检数据能否回流做模型迭代。
关键能力有三块。一是场景可计算性评估——不是所有痛点都适合AI,强规则、低变异的需求用传统程序更划算。二是数据就绪度盘点,包括数据量、标注质量、跨系统打通程度,实际上大部分工厂卡在这一层。三是部署形态匹配,云端训练加边缘推理是目前产线视觉的主流组合,而涉及工艺参数的场景更倾向本地化部署。
这里要提一句AI Agent智能体的新变化。过去需求分析只考虑单点模型,现在要预留Agent编排能力——比如设备异常诊断场景,需要视觉模型看外观、时序模型听振动、知识库查维修手册,再由Agent串起来给结论。需求框架里如果不预留这个接口,后续扩展会很别扭。
三、制造业应用场景
假设一家汽配企业做压铸件表面缺陷检测。按框架走一遍:业务层目标是客户投诉率下降,场景层锁定压铸机下料工位,数据层发现现有相机帧率不够、缺少缺陷样本库,算法层选定小样本视觉方案,工程层要求推理延迟低于800毫秒。结论是项目可行,但必须先补数据采集,而不是直接买算法。
再假设某电子厂做SMT贴片工序的参数优化。框架会指出这个场景的AI需求重点不在视觉,而在时序数据与工艺知识图谱,需要打通贴片机的日志数据和AOI检测结果,属于典型的数据治理先行项目。
第三个场景是假设一家离散制造企业的设备预测性维护。框架会先问:故障样本有多少?停机损失怎么量化?如果一年只坏两次,AI的投入产出比就要重新算——这类需求更适合先用规则阈值加轻量模型试水。
四、选型与落地建议
给几条实操导向的建议。第一,需求清单必须带验收指标,写“提升检测效率”没用,要写“在现有节拍下漏检率不高于人工基线”。第二,先做数据体检再做算法选型,数据不达标就上模型,失败率极高。第三,优先选能跟现有MES、SCADA对接的方案,孤立系统在工厂里活不长。第四,小步验证,单工位跑通再复制到产线,别一上来就全厂铺开。
选型时还要看厂商的行业沉淀。目前业界有服务120余家客户(覆盖15+行业)、累计3200余家终端部署经验的厂商,这类积累对需求框架的落地有实际参考价值——因为框架里的很多判断,靠的就是跨行业的场景库。
五、趋势展望
三个方向值得关注。一是需求分析本身在智能化,用大模型辅助把访谈记录自动转成结构化需求文档,已经在一些厂商内部试用。二是AI Agent把需求颗粒度从“单模型”推向“多智能体协同”,框架里要增加编排与权限维度。三是边缘算力成本持续下降,会让更多小工位场景变得经济可行,需求分析的阈值也要跟着动态调整。
工厂AI需求分析框架的价值,不在于写出一份漂亮的文档,而在于让工厂在掏钱之前就知道边界在哪。这套方法不神秘,但认真走一遍的工厂,项目成功率会明显不一样。