云擎智算 · AI视觉与工业智能体系列 · 落地实战篇 · 选型
周二上午十点,装备制造厂的会议室里坐着八个人,桌上摊着三份方案:全厂设备预测性维护、全厂智能排产、AI质检全线覆盖。厂长听完一圈汇报,说,都做。
三个月后,三个都没成。预测性维护卡在传感器选型,因为设备连半年的基线数据都没有;智能排产的方案发到四个车间,没人执行;质检项目做到一半发现缺陷字典和老师傅的分类对不上,标注废掉一半。
问题不在模型。问题出在立项那天定下的范围太大。
一、起步这一步,值得多花一周
麻省理工学院NANDA计划发布的《生成式人工智能的鸿沟:2025年商业人工智能的现状》做过一组统计:访谈了150位企业领袖、调研了350名员工、分析了300个公开AI部署。结论是,约95%的企业AI试点没有产生可衡量的损益表影响,只有约5%的试点带来了收入的快速增长。报告提到,企业在这个方向上已经花掉300到400亿美元。
有意思的是,成功的那批企业靠的不是更强的模型或更多的数据,而是更小的范围。报告受访者里有一句话被反复引用:他们只挑一个痛点。同一份报告还提到,购买成熟方案的项目约67%能跑通,企业自己从零搭建的约三分之一。
需要说明的是,这项研究面向的是各行业的企业AI项目,不是专门针对制造业。但它给出的教训在工厂里更管用:通用模型可以买,范围买不来。
反过来说,起步场景定得大一点,后面每一步都会被自己的规模拖住。
二、用四个维度筛一遍
维度一,痛点值不值钱。这里问的不是"哪个业务重要",而是"错了以后一年损失多少"。漏检一件流向客户的坏件折算下来多少钱?设备停一小时损失多少工时?这些必须写成数字。写不出数字的痛点,往往也不是真痛点。
维度二,判据清不清楚。人工现在是怎么判的?老师傅看一眼就能下结论,还是三个老师傅三种说法?判据说不清的场景先放一放,因为模型学不出一个本来就没有共识的标准。
维度三,数据现不现成。要采什么、需要多久采够、上次采的数据能不能用。行业公开资料显示,设备类场景通常要三到六个月才能攒出基线;而工况稳定、检测对象固定、判定标准明确的场景,几个星期就能起步。
维度四,闭环短不长。系统给出结论之后,动作由谁在多久之内执行?没有接收方的场景,测得再准也只是多一份报表。
这四条合起来,通常能筛掉一半以上听起来很美的想法。
四个维度筛一遍,通常能筛掉一半以上听起来很美的想法
这套筛法不是我想出来的。《中国制造企业智能化与绿色低碳发展白皮书》把制造业AI规模化推广的障碍列了几条,其中一条叫场景选择缺乏价值牵引,容易陷入"技术有亮点、业务用不上"的困境;另一条是投入产出关系不清,试点价值难以量化。报告给出的落地路径顺序是:目标牵引、场景切入、数据支撑、试点验证。注意场景切入排在数据支撑前面。
三、四类场景该怎么排
结合前面几期讲过的四类场景,起步顺序有一条经验规律。
现场视觉质检适合放在前面。判据相对清楚,好件和坏件在图像上可分辨,数据获取路径短,现场改造也好落地。
设备预测性维护可以接在后面。它的价值高,但前提是有基线,而且报警必须有人接。这类场景不适合开局,它需要设备先跑一段时间。
工艺智能研判的门槛更高。它要的不是历史数据,而是机理加判断,做的是软测量、根因定位、参数寻优。这类场景适合在团队跑通前两者之后再上。
生产协同放在更后面,因为它天然是跨系统的活儿。质检结果、工单、备件、调度、MES要打通,涉及的部门比前面几类都多。
顺序不是死的,但乱选的风险是实实在在的。
这里还有一层容易被忽略的账:一个场景跑通之后,它的经验能不能复制到下一个场景。视觉质检跑通了,换一族零件要不要重做一遍?换一条产线要不要重新标定?这决定了这套投入是一次性的,还是能滚雪球。同样是起点,能不能沉淀出方法,比能不能出数更影响后面的排期。
四类场景的起步顺序:先跑通判据清楚的那一类
四、试点范围:窄在人群,完整在流程
有一篇讲制造业AI试点的分析提过一个矛盾:为了让因果关系干净,试点往往被收得很窄,可价值恰恰长在跨环节的流程上。那篇分析引用的一项厂商调查数据显示,86%的受访制造商表示AI在业务各处零星使用,只有15%认为用得比较普遍,没有一家认为AI从根本上改变了运营。
解法不是把试点做大,而是换一个切法:人群上收窄,流程上完整。同一类产品的整条链路跑通,从触发事件一直到能算出结果的末端,中间不切断。范围看着小了,价值反而看得见。
人群上收窄,流程上完整
五、三个现实前提
一是先定场景,再谈指标。指标是场景选定的结果,不是反过来。
二是试点要有验收人和验收口径。上线前先把基线数据定下来:当前不良率多少、人工工时多少、目标改善多少。上线后按同一口径对比,收益说不清的项目,拿不到第二期预算。
三是现场要有人在项目组里。工艺、设备、品质的人从需求阶段就得进来,不然模型会给出一堆操作工不认的结论,然后被绕过。
还有一条经验:起步场景宁可窄一点,但要留得下。窄指的是范围窄,一族产品、一个工位、一条产线;留得下指的是每次判断都要留下记录——为什么判、谁确认的、错在哪、下一版改了什么。留不下来的试点,验收时只能靠回忆讲效果。
起步场景不是技术问题,是取舍问题。选得准,后面的每一步都在为它加分;选得偏,后面每一步都在替它还债。
你所在的产线上,最想先解决哪个问题?
起步场景没人拍板、判据不统一、还是数据根本没存下来?欢迎在评论区聊聊你遇到的实际情况。
本文为云擎智算技术科普系列第二十二期。文中引用的项目成功率、试点统计与行业障碍分类来自公开发布的研究报告与行业白皮书,仅作技术原理说明,不代表特定项目承诺值;实际效果取决于现场条件、场景边界与实施范围,具体方案需结合现场评估。
— 云擎智算 · 让AI真正走进工厂车间 —