1. 从"AI万能论"到"场景拆解"：制造业落地的认知转折
2025年过半，我参与和旁听的制造业AI项目少说也有二十几个，从年产值几十亿的头部工厂到只有三条产线的小型配套企业，几乎都在谈AI。但真正让我觉得值得写这篇长文的，是一个很普遍的现象：大部分项目失败的原因，根本不是算法不行，而是一开始就把问题定义错了。
我见过一家做精密结构件的工厂，老板拍板要上"AI质检"，预算批了七位数，团队招了五个人，折腾了八个月，最后系统上线不到两周就被产线工人关掉了。原因特别朴素——他们的产品有三十多个型号，每个型号的缺陷特征都不一样，而项目立项时只按"表面划痕检测"这一个场景去做的。产线一换型，模型就废了。
这件事让我意识到，制造业AI落地最稀缺的能力，不是调参，不是买卡，而是把一句模糊的业务诉求翻译成可执行的技术边界。这篇文章想做的，就是把2025到2026年这一轮制造业AI落地中，我观察到的真实图景、踩过的坑、跑通的路径，尽可能完整地摊开来讲。不管你是工厂里的数字化负责人、做工业AI的算法工程师，还是正在评估要不要上AI的产线管理者，都能从里面找到能直接对照自己情况的部分。
我不会给你画大饼，也不会堆一堆"赋能""闭环"之类的词。下面全部是我自己跑现场、跟项目、复盘失败案例之后沉淀下来的东西。
2. 制造业AI项目的四种典型形态与各自的真实门槛
2.1 视觉质检：最热，但也是最容易被低估的场景
视觉质检几乎是所有制造业AI项目的"第一站"，原因很简单：需求直观、价值好算、老板容易理解。一条产线配几个质检工，一年人力成本多少，AI替代之后能省多少，这笔账谁都会算。但真正做进去之后你会发现，视觉质检的门槛根本不在模型精度上。
我总结下来，视觉质检项目真正的难点集中在三个地方。第一是成像稳定性。很多工厂的产线光照环境是"能用就行"，今天阴天、明天开窗、后天换了批次的灯管，图像分布就变了。模型在实验室里99%的准确率，到了现场可能连80%都保不住。第二是缺陷样本的极度不均衡。良品成千上万，真正的缺陷可能一个月才出现几次，而且每次形态还不一样。第三是节拍压力。产线不会为了你的模型降速，检测必须在几十毫秒内出结果。
所以我现在评估一个视觉质检项目能不能做，第一件事不是看算法方案，而是去现场看三样东西：光源是不是可控的、相机触发是不是稳定的、缺陷定义是不是清晰的。这三样里只要有一样含糊，项目基本就要打问号。
2.2 工艺参数优化：价值最高，但数据基础最差
如果说视觉质检是"看得见"的AI，那工艺参数优化就是"看不见"的AI，但它的价值往往更大。比如注塑成型里的温度、压力、保压时间组合，焊接里的电流、速度、角度，这些参数的微小调整，直接影响良率和能耗。
这类项目的核心逻辑是：用历史生产数据训练一个模型，输入当前工况，输出推荐参数。听起来很顺，但实际做起来，最大的障碍是数据根本不够用或者不可用。很多工厂的MES系统里记录的是"设定值"，而不是"实际值"；设备日志的时间戳和产品质量数据对不上；不同班次的操作习惯差异巨大，导致同样的参数产出完全不同的结果。
我参与过一个注塑工艺优化的项目，光是做数据对齐就花了将近三个月。最后发现，能用的有效数据只有最初预估的三成。所以这类项目，我现在会先做一个"数据可用性评估"，把数据质量、覆盖度、时间对齐情况摸清楚，再决定要不要往下走。数据基础不过关，算法再先进也是空中楼阁。
2.3 设备预测性维护：听起来很美，落地最考验工程能力
预测性维护是制造业AI里"故事最好讲"的方向，但也是落地最考验综合工程能力的。它的核心不是预测得多准，而是预测之后能不能形成有效的动作闭环。
我见过一个做旋转设备预测性维护的项目，模型对轴承故障的预警准确率做到了85%以上，但最后没产生实际价值。为什么？因为预警发出来之后，产线不知道该不该停机、什么时候停机、备件够不够、维修工排不排得开。预警信息孤零零地躺在系统里，没人响应。
所以这类项目的关键，是把AI预警嵌入到现有的设备管理流程里。预警等级怎么分、对应什么响应动作、谁来确认、备件怎么联动，这些"非AI"的部分，往往比模型本身更决定项目成败。
2.4 排产与调度：约束条件比算法复杂度更致命
排产调度是制造业里最经典的优化问题，AI的介入让很多人看到了"一键排产"的希望。但实际做下来，排产的难点从来不是算法，而是约束条件的完整表达。
一个真实的排产场景，约束可能有几十条：设备产能、模具寿命、人员技能矩阵、物料齐套、交期优先级、换型时间、甚至某个老师傅今天请假。这些约束里，很多是"隐性知识"，藏在调度员的脑子里，不写下来根本不知道。AI排产系统如果只考虑显性约束，排出来的计划在调度员眼里就是"不可执行"的。
我现在的做法是，先不急着上算法，而是花时间把调度员的决策逻辑"访谈"出来，做成一张约束清单，再让算法去满足。这个过程很土，但特别有效。
3. 一个视觉质检项目从立项到上线的完整复盘
3.1 立项阶段：把"我要AI质检"拆成可验证的指标
很多项目死在立项阶段，因为目标定得太虚。"提升质检效率""降低漏检率"这种话，没法验证，也没法验收。我现在要求所有项目在立项时，必须把目标拆成可量化的指标。
以我最近跟进的一个金属表面缺陷检测项目为例，立项时我们把目标拆成了这样几项：检测节拍必须小于200毫秒每件；对划痕、凹坑、脏污三类缺陷的召回率不低于95%；误报率控制在3%以内；系统连续运行72小时无崩溃；换型时间不超过30分钟。这些指标写进合同，后面验收就有据可依。
提示：立项时一定要把"换型时间"写进去。制造业产品型号多，换型能力直接决定系统能不能真正用起来。
3.2 数据采集：现场采数据比想象中难十倍
数据采集这一步，是视觉质检项目里最容易被低估的环节。实验室里采数据，你可以慢慢调光、慢慢摆位；到了现场，产线在跑，你只有有限的窗口期。
我们当时的做法是，先在不影响生产的前提下，加装了一套旁路采集装置，把相机架在产线旁边，同步触发采集。采了整整两周，覆盖了三个班次、五种型号、不同光照条件。最后筛出来真正可用的缺陷样本，其实只有几百张。
这里有个经验：缺陷样本的标注，一定要让真正懂工艺的人来做。我们一开始让标注公司做，结果他们把"氧化色差"标成了"脏污"，把"模具压痕"标成了"划痕"，模型学出来的东西完全是错的。后来改成产线质检组长带着做标注，准确率立刻上来了。
3.3 模型选型：为什么我没有一上来就用最先进的架构
现在工业视觉领域，各种新架构层出不穷，但我做项目时，选型的第一原则是稳定和可维护，而不是先进。
这个项目里，我最终选的是一个相对成熟的检测网络加传统图像处理的混合方案。原因有三：第一，产线环境对推理速度要求高，过于复杂的模型在边缘设备上跑不动；第二，工厂的IT团队维护能力有限，太新的框架他们接不住；第三，混合方案的可解释性更好，出了问题容易定位。
我把这个决策逻辑写进了项目文档，后来客户的技术负责人跟我说，正是因为这个选择，系统上线后他们自己就能做大部分维护，不用事事找我们。
3.4 上线与迭代：真正的挑战从上线那一刻才开始
系统上线那天，我们都很紧张。结果第一天就出了状况：下午三点左右，阳光从车间天窗斜射进来，正好打在检测工位上，模型把一片反光误判成了缺陷，报警响个不停。
这件事让我深刻体会到，实验室和现场之间，隔着一整个真实世界的复杂性。我们后来加了遮光罩，又补采了强光条件下的样本，重新训练了一版模型，才稳定下来。
上线后的前三个月，我要求团队每周去现场一次，收集误报和漏报案例，持续迭代。三个月后，系统的误报率从最初的8%降到了2%左右。这个过程没有捷径，就是靠一次次现场反馈磨出来的。
4. 数据、算力、人才：制造业AI的三道硬门槛
4.1 数据：不是没有数据，而是没有"能用的数据"
制造业其实不缺数据，缺的是结构化、对齐、可追溯的数据。我见过太多工厂，设备日志、MES记录、质检报告各存各的，时间戳对不上，字段定义不一致，想做个关联分析都费劲。
我现在评估一个工厂的AI readiness，会先看三件事：数据有没有统一的采集标准、关键工序的数据有没有闭环、历史数据能不能追溯到具体批次。这三件事里有两件不达标，项目就要慎重。
4.2 算力：边缘和云端的分工要提前想清楚
制造业AI的算力部署，和互联网很不一样。产线现场对延迟敏感、对网络稳定性要求高，所以大量推理必须放在边缘。但训练和模型迭代又需要云端或机房的算力。
我的经验是，边缘侧选型要保守，云端侧要灵活。边缘设备优先选成熟、稳定、功耗低的方案，不要追新；云端训练资源可以按需租用，没必要一开始就自建大集群。很多工厂一上来就买一堆卡，结果利用率不到三成，纯属浪费。
4.3 人才：最缺的不是算法工程师，而是"翻译官"
制造业AI项目里，最稀缺的角色，我认为是能同时听懂业务和技术的人。纯算法工程师不懂工艺，纯工艺工程师不懂模型，中间如果没有一个"翻译官"，项目沟通成本会高得吓人。
我合作过的一个团队，专门设了一个"AI产品经理"岗位，要求既懂产线又懂基本的数据和模型概念。这个人不写代码，但负责把业务需求翻译成技术任务，把技术限制翻译成业务语言。有了这个角色，项目推进效率至少提升了一倍。
5. 2025-2026年值得关注的几个落地趋势
5.1 从"单点AI"走向"产线级AI"
前几年制造业AI大多是单点突破，一个工位一个模型。但从2025年开始，我明显感觉到趋势在变：越来越多的项目开始做产线级的AI协同。比如质检发现缺陷后，自动触发工艺参数调整；设备预警后，自动联动排产系统调整计划。这种跨系统的协同，价值比单点AI大得多，但难度也高得多。
5.2 小样本和自监督学习在工业场景的渗透
工业场景的缺陷样本天然稀缺，这让小样本学习和自监督学习变得特别有吸引力。2025年我看到的几个项目，已经开始用正常样本训练异常检测模型，不再依赖大量缺陷标注。这条路我觉得会越走越宽，尤其适合那些缺陷形态多变、样本难以积累的场景。
5.3 大模型在工业知识管理中的意外价值
大模型在制造业的直接应用，目前还比较有限，但它在工业知识管理上的价值，是我今年最大的意外收获。很多工厂的老师傅经验、维修记录、工艺文档，过去都是散落的，现在可以用大模型做结构化整理和问答。这个方向不涉及产线控制，风险低，见效快，我觉得是很多工厂可以优先尝试的切入点。
6. 给不同角色从业者的实操建议
6.1 如果你是工厂的数字化负责人
我的建议是：先做减法，再做加法。不要一上来就铺大摊子，选一个场景、一条产线、一个明确的指标，把它做透。做出一个成功案例之后，再复制到其他场景。同时，一定要把数据采集和治理的基础工作做在前面，这是所有AI项目的地基。
6.2 如果你是做工业AI的算法工程师
多去现场，多跟产线工人聊天。很多算法的改进方向，不是从论文里来的，而是从现场的一句抱怨里来的。我认识的一个工程师，就是因为天天泡在产线，发现了一个连客户自己都没意识到的检测盲区，最后做出来的方案比原计划好用得多。
6.3 如果你是正在评估AI的产线管理者
不要被"AI"这个词吓到，也不要被它迷惑。回到最朴素的问题：你现在最头疼的是什么？这个问题能不能用数据描述？如果能，AI可能帮上忙；如果不能，先想办法把它变成可描述的问题。AI不是魔法，它只是一个更强大的工具，前提是你得知道你要它干什么。
7. 我踩过的几个坑，希望你别再踩
第一个坑，是过早追求"全自动"。很多项目一开始就想做无人化，结果发现异常处理、换型、维护这些环节根本绕不开人。后来我学乖了，先做"人机协同"，让AI处理大部分常规情况，人处理异常，系统稳定之后再逐步减少人工介入。
第二个坑，是忽视产线工人的接受度。我见过一个项目，技术上很成功，但工人觉得系统是在"监视"他们，故意不配合，甚至偷偷遮挡相机。后来我们调整了沟通方式，把系统定位成"帮工人减负"而不是"替代工人"，情况才好转。技术之外的人心，往往才是项目成败的关键。
第三个坑，是低估了维护成本。AI系统不是上线就完事了，模型会漂移，环境会变化，需要持续维护。我在项目预算里，现在一定会留出至少20%用于上线后的持续迭代，否则系统很快就会"退化"。
8. 关于ROI：怎么算清楚一笔AI投入的账
制造业老板最关心的永远是投入产出比。我算过很多项目的账，总结下来，AI项目的ROI主要来自三块：人力替代、良率提升、能耗或物料节约。
人力替代最好算，但往往被高估，因为AI系统本身也需要维护人员。良率提升的价值最大，但需要足够长的观察周期才能体现。能耗和物料节约最容易被忽视，但在一些高耗能行业，这块的回报可能比人力替代还高。
我的建议是，做ROI测算时，一定要把隐性成本算进去：数据治理、系统集成、人员培训、持续维护。很多项目账面好看，实际一算隐性成本，回报周期就拉长了一倍。把账算清楚，不是为了否定项目，而是为了设定合理的预期。
9. 写在最后的一点个人体会
跑了这么多项目，我越来越觉得，制造业AI落地这件事，技术只占三成，剩下七成是对业务的理解、对现场的敬畏、对细节的耐心。那些真正跑通的项目，往往不是用了最先进的算法，而是把最基础的事情做扎实了：数据采准了、场景定义清楚了、流程理顺了、人沟通到位了。
这个行业没有捷径，但有方法。希望这篇长文里的一些经验和教训，能帮你在自己的项目里少走一点弯路。如果你也在做类似的事情，欢迎一起交流，这个领域还太年轻，需要更多人把真实的经验拿出来分享。
