干制造业AI落地这行十几年，我参加过不下百场项目对接会，听过无数顶着各种头衔的"AI专家"在台上讲"智能工厂""数字化转型"。讲得是真漂亮，但一聊到具体的产线数据、工艺节拍、设备接口，就开始打太极。我不是反对AI进制造业，恰恰相反，我太希望制造业能用好AI了。烦的是那些没在车间待过一天、连PLC和MES都分不清的"专家"，上来就敢跟厂长说"上个大模型，包你什么都能解决"。这篇东西，就是写给制造业的同行看的，帮你们少踩几个坑、少交几笔学费，也顺便给那些想真正入行的AI从业者提个醒：制造业的水，比你们想象的要深得多。
1. 这些"AI专家"的三个典型翻车现场
1.1 没下过车间，就敢指导老师傅干活
我参加过的一个项目评审会，某"AI专家"站在一条汽车零部件装配线前，指着一个人工工位说："这个工位完全可以用六轴机器人替代，现在人工成本这么高，你们怎么还在用人？"厂长当场没说话，负责工艺的老师傅接了一句："这个工位一天换型四次，每种产品的夹具、力矩、检测方式都不一样，你那个机器人换一次夹具要多久？"
专家愣了一下，说"大概一两个小时吧"。老师傅笑了："老师傅换型十分钟，机器人换型两小时，你说我上它干嘛？"
这个场景我后来遇到过很多次。所谓"AI专家"最大的问题，是习惯把制造业当成一道可以用AI无限优化的数学题，却忘了制造业本质上是一堆约束条件下的优化问题——换型时间、订单波动、设备折旧、人员技能、安全规范、客户审核，每一个都是硬约束。你说你的算法能提升30%效率，但你有没有算过，为了那30%要付出的换型成本、停机损失、培训成本是多少？
我在实际项目中见过太多这样的案子了。专家方案做得漂亮，动画演示也逼真，但一到现场就被老师傅一个实际问题问住。所以我后来跟客户交流时总是先说一句话：在制造业，方案不是拿来做演示的，是拿来扛住三班倒的。
1.2 把制造当互联网，开口就是"小步快跑"
互联网行业的思维核心是快速试错、灰度发布、AB测试，今天上线一个功能不行明天就回滚。这套逻辑在APP上没问题，放到制造业就是灾难。
有个真实案例。某专家团队给一家电子代工厂做AI质检方案，建议"先在主力产线上试点，跑一个月看效果"。听起来很合理对吧？但那条主力产线一天产出几千件产品，停线一小时损失以万计。客户工厂的IT经理直接回了一句："你要灰度，去仓库那条线灰度，主力线不可能给你当试验田。"
这就是两类行业的底层逻辑差异。互联网试错，试错成本接近零；制造业试错，试错成本是真实的真金白银和交付违约风险。你AI模型误检一次，把良品判成次品，产线就得停机排查；漏检一次，次品流到客户端，轻则客诉，重则索赔。这些后果，写PPT的专家不用承担，但工厂要承担。
所以那些一上来就让你"全面上马""快速迭代"的专家，基本可以判断为不懂制造。真正靠谱的AI落地，一定是单点验证、离线测试、在线小流量、逐步放开的节奏，每一步都要有明确的停机和回退预案。这不是保守，这是对产线负责。
1.3 连数据从哪来都不知道，就敢上大模型
这两年大模型火，制造业也跟着挨了一轮"大模型赋能"。但很多专家连一个最基本的问题都答不上来：你要做的这个AI系统，生产数据从哪个系统来？采集频率是多少？数据格式什么样？
制造业的数据，跟互联网的数据完全是两码事。互联网的数据是天生的、结构化的、量大管饱的；制造业的数据是后天凑的——一部分在PLC里，一部分在SCADA里，一部分在MES工单里，还有相当一部分在老师傅的笔记本上。这些数据时间戳对不上、格式不统一、缺测漏测是常态。
我遇到过最典型的场景：某专家团队做设备预测性维护，张口就要"半年的历史运行数据"。客户打开系统一看，PLC里只有最近两个月的趋势记录，采样间隔还不固定，中间停机的时间段没有标注。专家当场傻眼。
大模型在制造业有没有用？有，但边界很清楚。用在设备知识问答、工艺文档检索、售后维修辅助这些文本场景，效果确实好；用在直接推理和控制产线，目前还早得很。那些把大模型吹成"什么都能干"的专家，要么是真不懂，要么是真坏。
2. 制造业上AI，先算明白这三笔账
2.1 痛点排序：降本、提质、增效，顺序不能反
我接触过大量制造企业，老板真正关心的事，排序几乎永远是：降本、提质、增效。三件事看着差不多，但优先级差别很大。
降本是第一位的。原材料成本、人力成本、能耗成本、废品损失，每一项都是直接跟利润挂钩的。AI能在这里面找到机会，老板才会真的掏钱。
提质量是第二位的。制造业的质量问题不光是品牌问题，更是直接的赔偿和返工成本。一条装配线每天产出几百个不合格品返工，一年损失就是几十万。AI视觉检测、过程参数监控，解决的就是这类问题。
增效排在最后。不是说增效不重要，而是增效的效果往往不像降本和提质那么"肉眼可见"。排程优化省了几个小时，反映在财务报表上是间接的，老板感知不强烈。
所以你看，真正懂制造业的AI顾问，跟老板聊的第一句话一定不是"我能帮你数字化"，而是"我能帮你把废品率降一个点，把返工成本省下来多少"。讲不清这个账，后面都白谈。
2.2 场景选择：哪些项目值得上，哪些别碰
以我这十几年的经验，制造业AI项目的成功率，跟场景选择高度相关。我把常见场景分了三类。
第一类是成熟场景，ROI清晰、技术路线明确、落地概率高。典型就是质量视觉检测和预测性维护。这类场景有明确的数据来源、明确的判断标准、明确的收益计算方式，最适合作切入点。
第二类是潜力场景，收益大但难度也大。典型就是生产排程优化和工艺参数优化。这类场景涉及多个系统、多个约束、大量历史数据，做得好价值极高，但前提是你的信息化基础得够硬。ERP和MES都还没用明白的工厂，贸然上这类项目，大概率翻车。
第三类是不建议碰的场景。比如"全自动无人车间"——除非你是新建工厂，否则在老产线上硬改，光停机改造的成本就够你受的。再比如"通用AI聊天机器人"，制造业用不上这个，你的客户也不关心你客服机器人多聪明。
我个人的建议始终是：从成熟场景切入，把第一个项目做成功、做出样板，再逐渐往复杂场景扩展。别一上来就憋大招，制造业不吃这一套。
2.3 一张表算清AI项目的真实经济账
我每次给客户做方案，都会强制自己做一张投资回报表。这既是说服客户的手段，也是检验自己方案是否靠谱的照妖镜。
以质量视觉检测为例，算一笔实在账。假设一条装配线有三个质检工位，每班三人工，三班倒就是九个质检工，人均年成本按8万算，一年人力成本72万。上AI视觉检测系统，三套工业相机加光源加工控加部署，硬件加实施大约25万，以后每年维护、算法迭代费用约5万。按三年算，传统人工质检三年成本216万，AI方案三年成本40万，节省176万。即使考虑到误检漏检需要保留一个复核人工位，每年仍然省下来50万以上。
但这个账里最容易被人忽略的是隐形成本。模型上线后需要持续标注、持续训练、持续优化，这些都是要钱的；质检标准变了要重新采集样本，产线改造了要重新标定，这些也都是要钱的。很多专家给的ROI表里从来不写这些，等客户做完发现预算超了，就已经晚了。
所以我做方案时有一条铁律：所有成本必须写全，所有收益必须打折算。宁可让客户觉得"收益也不过如此"，也不能让客户验收的时候发现"账对不上"。信任这东西，在制造业建立起来难，摧毁起来太容易了。
3. 真正能落地的三个AI场景怎么做
3.1 质量视觉检测：不是非得上深度学习
现在一说机器视觉，很多"专家"张口就是"深度学习""卷积神经网络"，好像不用深度学习就不高级。但实际上，制造业里大量的检测场景，传统的规则算法就够用了，而且更稳、更快、更好解释。
举个例子，检测一个冲压件有没有毛刺、有没有裂纹、尺寸是否超差，传统算法通过边缘提取、形态学处理、几何测量就能完成，响应时间在毫秒级，部署在普通工控机上就能跑，不需要GPU，不需要推理加速卡。相反，深度学习模型虽然对缺陷的"泛化能力"强，但需要大量标注样本、需要GPU推理、需要面对"换一种缺陷形态就失灵"的风险，维护成本高得多。
我见过太多翻车案例：某专家团队非要给客户上深度学习缺陷检测，结果客户产线上一种罕见缺陷在训练样本里只出现十几张，模型怎么训都不过，最后只能退回传统算法。
那深度学习什么时候用？我的经验是：缺陷形态复杂多变、传统特征无法定义、且能采集到足够多样本的时候。比如铸件表面的气孔、沙眼、缩松，形态千奇百怪，传统算法定义特征会定义到怀疑人生，这时候深度学习才真正有价值。
实操要点供参考：样本采集阶段，正品和缺陷品的数量比例、缺陷形态覆盖度，直接决定模型上线后的表现，这一关绝对不能省。标注阶段，一定要让现场质检老师傅参与，他们知道哪些"缺陷"其实不影响性能，哪些看似无关紧要的痕迹客户一定会退货。我见过不标注项目的团队，按自己的理解乱标一通，模型上线后误判率高得离谱，最后让现场的人对AI彻底失去信任。
3.2 设备预测性维护：数据基础远比模型重要
预测性维护是制造业AI另一个热门场景，但也是"专家"翻车最密集的区域。翻车原因高度一致：过分强调算法，忽视了数据采集这一最基础的事。
做预测性维护的第一步，不是选模型，是选传感器和采集方案。比如监测一台注塑机的液压泵，振动传感器装在泵体哪个位置、加速度量程选多大、采样频率定多少、数据通过什么协议传到服务器，这些才是决定项目成败的关键。一个传感器装错位置，采集到的信号全被设备自身振动干扰，后面算法再牛也白搭。
第二步才是数据积累和特征提取。我做过的一次预测性维护项目，花了三个月积累设备正常运行和故障前的历史数据，然后提取电流、温度、振动幅值、频率分布这些特征，建立健康基线。算法层面根本没有用什么高级模型，就是传统的阈值告警加趋势预测——电流持续上升、温度突破基线、特定频段的振动能量明显增加，三选二触发预警。
结果如何？系统在设备真正故障前七天发出了预警，客户停机检修发现液压泵轴承已经出现了明显磨损。这个项目之后，客户对AI的态度发生了180度转变，从"你们试试看"变成"下一期的预算我们来申请"。
这个项目给我的体会特别深：预测性维护的灵魂不在算法，在于对设备的理解和对数据的敬畏。哪个部件容易坏、坏之前的征兆是什么、哪些信号是有效的、哪些是噪声，这些信息不在论文里，在设备维修师傅的脑子里。做项目时多跟维修师傅聊，比多看几篇论文有用得多。
3.3 生产排程优化：AI做参谋，别做指挥官
生产排程是制造业里公认的"硬骨头"。一条产线几十台设备、几百个订单、每单有交期、每台设备有产能、不同产品之间还有换型时间成本，这个优化问题复杂度极高，传统的人工排程只能凭经验抓大放小。
AI能不能优化？能，但我的建议是：AI做参谋，别做指挥官。
你上来就告诉计划员"AI给你排好了，你照着执行就行"，计划员第一反应一定是抵触——你的模型考虑现场临时插单了吗？考虑设备随机故障了吗？考虑物料到货延迟了吗？这些突发状况，AI模型大概率都没考虑。现实就是，排程不是一次性决策，而是每天每时都在动态调整的决策过程。
我做过一个成功的排程项目，分了三个阶段走。第一阶段，先把现有的排程逻辑可视化，让计划员看到系统里"当前排程"的瓶颈在哪、换型浪费在哪、交期风险在哪。第二阶段，AI在后台给出推荐的排程方案，但只作为参考，计划员可以采纳也可以打回，系统记录打回原因。第三阶段，积累足够多的调整反馈后，AI模型逐步学会计划员的决策偏好，推荐方案的采纳率才真正上去。
这个项目的关键，是我坚持让计划员深度参与系统设计。排程界面上每一个字段的顺序、每一个提醒的颗粒度、每一次推荐的展示方式，都是跟计划员反复打磨出来的。系统上线后，计划员从"被迫用"变成"主动用"，这才是项目能持续走下去的根本。
4. 制造业AI落地的坑，我替你踩过了
4.1 数据陷阱：你以为有的数据，现场根本没有
制造业AI项目最大的坑，不是算法不行，是数据跟你预想的不一样。
我接过一个项目，客户说"我们有完整的历史数据"。到了现场才发现，所谓完整，指的是PLC里存了近一年的趋势曲线，但采样间隔不固定，设备检修期间的数据是乱的，还有一段时间因为系统升级整个数据断档。最要命的是质量数据——跟设备数据对不上的时间戳，根本没法跟设备状态做关联。
这种问题在制造业太普遍了。数据不是没有，而是散落在多个系统里，每个系统的时间基准还不一样。MES里记录的完工时间以秒为单位，PLC里记录的过程时间以毫秒为单位，ERP里的订单时间是另一个标准。做AI分析前，光数据对齐就能耗掉一半项目周期。
所以我现在的建议是：项目启动的第一周，别急着建模，先做数据摸底。列出你需要哪些数据、数据在哪个系统、怎么导出、采样频率多少、时间戳是否对齐、有没有办法补采。这一张清单列完，项目的真实难度就浮出水面了。很多AI项目最后延期，问题就出在前期对数据的乐观估计上。
4.2 现场条件：产线不是机房，别拿机房逻辑来套
做AI的人习惯了干净整洁的数据中心：恒温恒湿、稳定的网络、标准的机架服务器。可是制造业现场是另一番景象：车间里电磁干扰强、灰尘大、温度高，网络交换机的柜子里可能塞满了线头，工业协议五花八门——Modbus、OPC UA、Profibus、EtherNet/IP，还有各种厂家私有协议。
有一次我们去客户现场部署质检系统，算法模型都调好了，结果部署的工控机在车间里频繁死机。排查半天，原因居然是车间温度太高，工控机的风扇散热不行，机箱里还积了一层灰。后来换了带固态散热的工业级工控机，问题才解决。这种细节，在实验室里永远不会遇到。
还有一个被忽略的问题是网络安全和生产安全。产线上的系统不是随便可以动的，很多老设备的PLC没有安全补丁，你给它加一个数据采集网关，万一采集程序有漏洞，被攻击影响了生产，这个责任AI团队担不起。所以工业现场的设备接入方案，一定要经过客户的IT和自动化部门评估，宁可慢一点，也不能乱接。
我的经验是：做制造业AI项目，团队成员里最好有一个人真正懂工业现场——懂协议、懂布线、懂设备安全。这个人不需要是算法专家，但他能帮你避开80%的现场坑。
4.3 人的问题：老师傅不配合，项目必死
在制造业做AI，最难搞定的往往不是技术，是人。
我见过一个失败的质检AI项目。系统上线后，老师傅们集体不配合，明明有自动检测设备，还是要人工再检一遍，AI检测结果直接被无视。后来一了解，问题出在项目启动时：管理层宣布上AI质检，话里话外的意思是"以后可以少用几个质检员"。老师傅们一听，这AI是来砸饭碗的，不抵触才怪。
这个教训太深刻了。后来我做所有项目的第一课，就是跟客户管理层沟通：AI上线的目的，不是裁人，是让人从重复劳动里解放出来，去干更有价值、更需要判断力的事。质检员从"用眼睛看"变成"管设备、判疑难"，职位不变，技能升级，收入不降甚至还能涨一点。把这个事讲透，项目就成功了一半。
具体的操作上，我坚持让一线老师傅参与两个环节：一是数据标注，二是在线验收。数据标注让他们来，因为他们最懂什么算缺陷、什么不算，标注质量直接决定模型效果。在线验收让他们来，因为如果他们不认可，这个系统就永远是个"摆设系统"。老师傅们有个特点：你用他们的经验做出一个让他们服气的东西，他们比谁都积极。
5. 三句话试出AI专家的成色
5.1 问三个具体问题，答不上来就换人
很多制造业的朋友问我，怎么辨别一个AI专家靠不靠谱。我的答案简单粗暴：不管他头衔多响亮，PPT多精美，你就问他三个问题。
第一个问题："你要用我们哪一路数据？怎么采集？采样频率是多少？"这个问题考验的是他有没有真正考虑过数据从哪里来。答不上来的，说明方案只停留在纸面上。
第二个问题："你的模型误检率和漏检率目标定多少？怎么评测？"这个问题考验的是他懂不懂工业质检的评价体系。只字不提误检漏检，只强调"准确率99%"的，多半是把学术指标拿过来忽悠人。
第三个问题："系统上线后如果出问题，是自动停下来还是继续跑？安全边界在哪？"这个问题考验的是他懂不懂制造业的安全红线。真正的工业系统，必须有明确的降级策略和人工接管机制，这是底线。
这三个问题答得越具体、越落地，这个专家就越靠谱；答得越抽象、越宏大，你越要留个心眼。
5.2 考察落地案例的硬指标
除了问问题，还要学会看案例。注意，是"落地案例"，不是"演示案例"。
很多团队展示案例就是一个视频——在干净整洁的实验室里，模型完美识别所有缺陷。真正有落地经验的团队，聊起案例时会主动说"踩过的坑"：哪个项目数据质量太差、哪个项目现场网络不稳定导致断线重连、哪个项目因为误检率降不下去被客户反复催。这些真实的细节，编不出来。
还有一个指标是看合同条款。真正靠谱的团队，敢在合同里写明确的验收标准：核心指标达到多少、验收方式是什么、未达标怎么办。而那些只谈"合作共赢"、一讲到验收标准就含糊其辞的，你基本可以预见他项目做完就消失。
另外一定要问数据归属和算法归属。有些AI团队，做完项目把客户的数据带走，把模型带走，客户想迭代还得再付费。这事在制造业经常发生纠纷。靠谱的做法是合同写明：项目过程中产生的数据归客户所有，基于客户数据训练的模型归客户使用，团队只保留通用算法能力。
5.3 制造业用AI的正确打开方式
最后说说，制造业到底该怎么用AI。我这些年总结下来，就四句话。
第一句：从单点切入，做深做透。别一上来就想搞"全厂智能"，先把一个场景做到稳定运行，让大家都看到实实在在的收益，再往下一个场景扩展。我见过太多全面铺开的项目，最后没有一个场景做成的。
第二句：组建自己的落地团队。制造业企业做AI，不能全部依赖外部团队，至少要有一个懂IT又懂现场的人全程参与项目。这个人以后就是企业自己的AI运维骨干，项目交接后系统才能持续转起来。
第三句：先治理数据，再谈AI。AI不是无米之炊，数据基础不牢，模型再先进也是空中楼阁。ERP、MES这些信息化系统先正常运行，历史数据先攒起来，再把AI嫁上去，顺序不能反。
第四句：建立合理预期。AI是工具，不是神。它能帮你把检测效率提上去、把故障提前发现、把排程优化几个点，但它变不出你没有的数据，也解决不了你根本没梳理清楚的流程。期望值摆正了，合作才能长久。
最后说点掏心窝的话。我见过最靠谱的AI落地项目，往往不是技术最强的团队做的，而是最肯下车间、最愿意跟老师傅蹲在产线边上聊天的团队做的。AI在制造业从来不只是技术问题，更多是信任问题——产线上的人信你，你的模型才有机会真正跑起来。所以啊，别急着证明自己的模型多先进，先下车间待够一百个小时再说。这话，送给所有想在制造业里做AI的人，也包括我自己。
