"我们想在工厂里用 AI"——这话在 2024-2025 年被问得越来越多。

但很多企业把工业 AI 和办公室 AI 混为一谈，结果一头扎进项目才发现：工业现场的约束和办公室完全不是一回事。

这篇文章把工业 AI 的真实边界讲清楚——什么场景适合、什么不适合、部署需要什么基础条件、从试点到量产的真实节奏。

一、工业 AI vs 办公室 AI：5 个本质差异

差异 1：数据源

  • 办公室 AI：文本、表格、PDF、图片——数据源稳定、易解析
  • 工业 AI：传感器信号（振动、温度、电流、压力、声音、视觉）——数据源不稳定，传感器会坏、接线会松、信号会漂

工业 AI 必须从一开始就假设 30%-50% 的数据是脏的或缺失的。这不是模型精度问题，是现场的物理事实。

差异 2：部署环境

  • 办公室 AI：服务器或云——环境可控，网络稳定
  • 工业 AI：产线边缘设备——环境恶劣（温度 -10~60℃、粉尘、震动、电磁干扰）、网络经常断

工业 AI 设备必须能在没有网络的状态下继续工作（哪怕以"降级模式"运行）。云端推理在很多工业场景不可行。

差异 3：响应时间要求

  • 办公室 AI：用户等几秒钟是可以接受的
  • 工业 AI：很多场景要毫秒级响应（视觉质检、控制回路、安全联锁）

毫秒级响应排除了"信号传到云端、云端推理、结果传回"的架构。必须在产线边缘推理。

差异 4：可靠性要求

  • 办公室 AI：宕机 1 小时通常不致命
  • 工业 AI：宕机 1 分钟可能意味着产线停机、数百万损失、安全事故

工业 AI 的可靠性要求比办公室 AI 高 2-3 个数量级。SLA 通常要 99.9% 起步。

差异 5：合规与安全

  • 办公室 AI：主要是数据隐私合规
  • 工业 AI：除了数据，还有功能安全（Functional Safety）要求。AI 的决策不能造成人员伤亡或设备损坏

在一些受监管行业（医药生产、化工、核电），AI 进入生产决策链必须通过功能安全认证——这是一个专业领域，有专门的标准（IEC 61508 / 61511）。

二、适合工业 AI 的 4 类场景

不是所有工业场景都适合现在上 AI。按 ROI 和技术成熟度排序：

场景 1：视觉质检（最成熟、最推荐一期）

描述：摄像头 + 图像 AI 替代人工目检产品外观 / 尺寸 / 缺陷。

适合的产品：

  • 电子产品（PCB 板焊点、贴片、外观）
  • 汽车零部件（焊缝、铸件、冲压件）
  • 包装（标签位置、密封、完整性）
  • 农产品（分级、异物剔除）
  • 纺织品（疵点、颜色差）

典型效果：

  • 漏检率从 0.5-1% 降到 0.1% 以下
  • 检测速度提升 3-10 倍
  • 质检人员节省 50-70%

难点：

  • 样本收集——需要收集几千到几万张缺陷样本（含边缘情况）
  • 环境控制——光照、角度、背景必须相对稳定
  • 漏检和误检的平衡——不同行业对这两者的容忍度不同（医药行业可接受更多误检，不能容忍漏检）

典型预算：一条产线 20-80 万（含摄像头 + 边缘计算设备 + 模型定制 + 部署）。

场景 2：预测性维护（适合有旋转设备的厂）

描述：通过振动、温度、电流等信号预测设备故障，提前维修。

适合的设备：

  • 电机、泵、风机（最经典）
  • 减速机、齿轮箱
  • 压缩机
  • 大型机床主轴

典型效果：

  • 非计划停机减少 30-50%
  • 维修成本降低 20-40%
  • 故障提前 72 小时预警（数据条件好时）

难点：

  • 故障样本稀缺——好的设备一年可能都不会坏一次，积累训练样本慢
  • 需要持续的传感器维护（振动传感器容易受污染影响）
  • 模型需要随设备老化持续校准

典型预算：一个车间 50-150 万。

场景 3：能耗优化（化工 / 冶金等高能耗行业）

描述：AI 根据生产参数实时调整能源使用，降低单位产品能耗。

适合的场景：

  • 水泥厂（回转窑、磨机能耗）
  • 钢铁厂（加热炉、轧机）
  • 化工厂（反应塔、蒸馏塔）
  • 数据中心（制冷、PUE 优化）

典型效果：

  • 单位产品能耗降低 3-8%
  • 在能耗大的行业，绝对金额巨大（每年省百万到千万）

难点：

  • 需要大量历史工艺数据
  • 模型必须与工艺工程师合作开发（AI 不能违反化学 / 物理原理）
  • 在线调整的风险——错误的调整可能影响产品质量

典型预算：100-300 万。

场景 4：生产排产优化（离散制造 / 柔性生产）

描述：根据订单、库存、设备状态、交期约束，AI 生成最优排产方案。

适合的场景：

  • 多品种小批量生产
  • 订单变化频繁
  • 设备、工序、物料约束复杂

典型效果：

  • 设备利用率提升 10-15%
  • 订单交付准时率从 70-80% 升到 90-95%
  • 人工排产员节省 50-70%

难点：

  • 约束条件多，建模复杂
  • 需要业务理解（什么产品可以延期、什么绝对不能延）
  • 边缘情况（急单、设备故障）的处理

典型预算：80-200 万。

三、不适合工业 AI 的 3 类场景

场景 1：纯流程工业且工艺稳定（如成熟的石化炼油）

这类场景已经有几十年的 DCS / APC（先进过程控制）系统，AI 很难在精度上超越现有系统。"AI + 传统控制"的组合可能有 1-3% 的改进，但投入大、回报慢。

场景 2：生产数据完全没有数字化

如果你的工厂关键数据还在纸质记录本上、或者只在 PLC 里但从不导出——先做数据采集和数字化基础，再谈 AI。工业 AI 的数据基础比办公室 AI 高一个量级。

场景 3：极少品种、极大批量（如大宗原材料）

这类生产的工艺已经被优化到物理极限。AI 很难找到有意义的改进空间。

四、工业 AI 部署的 6 个硬约束

在一个工业 AI 项目启动前，下面 6 个硬约束必须评估清楚：

约束 1：网络

  • 工厂内网的稳定性？
  • OT 网络（工控）和 IT 网络（办公）是否物理隔离？
  • 边缘设备到中心服务器的带宽够吗？
  • 断网情况下 AI 能否继续工作？

约束 2：硬件

  • 边缘计算设备的环境适应性（温度、防尘、抗震）？
  • GPU / NPU / FPGA 的选型？（影响推理速度和功耗）
  • 硬件供应周期（国产卡 1-2 月、进口卡 3-6 月）
  • 备机和冗余？（工业场景必须有）

约束 3：数据源

  • 关键信号的传感器是否已经安装？
  • 采样频率够不够？（毫秒级场景需要 1kHz+ 采样）
  • 历史数据的时间跨度和质量？
  • 数据格式、协议、接口是否统一？

约束 4：安全认证

  • 这个场景是否需要功能安全认证？
  • 如果涉及医药 / 核电 / 化工，需要哪些行业特定认证（GMP、GAMP、NRC）？
  • 网络安全（IEC 62443）要求？

约束 5：工艺知识

  • 工艺工程师是否愿意深度参与？（AI 不能脱离工艺原理）
  • 有没有成文的工艺文档？（还是全在老师傅脑子里）
  • 异常工况的处理流程？

约束 6：运维能力

  • 工厂有没有懂 AI 系统运维的人？（至少需要 1 个）
  • 模型老化后的重训练机制？
  • 传感器更换 / 标定的流程？

这 6 个约束中任何 2-3 个严重不满足，项目风险就很高。不满足的项先补齐再启动。

五、从试点到量产的真实路径

一个标准的工业 AI 项目路径：

Stage 1：可行性验证（2-4 周）

  • 现场勘察，评估 6 个硬约束
  • 收集样本数据，做快速原型
  • 评估预期的技术可达精度 / 速度

这一阶段的输出是"可行 / 不可行 / 需要前置改造"。不可行的要及时止损，不要硬上。

Stage 2：试点部署（2-4 个月）

  • 选一条产线（或一台代表性设备）部署
  • 完整打通：传感器 → 边缘推理 → 结果应用 → 反馈
  • 运行 30-90 天收集实战数据
  • 持续调优

试点阶段的数据要接近量产条件，不要搞"精心呵护的试点"。

Stage 3：复制扩展（3-12 个月）

  • 扩展到其他产线 / 车间 / 厂区
  • 每个新扩展点都要单独校准（工业设备的个体差异很大）
  • 建立集中监控 + 分布式运维的机制

Stage 4：持续运营（永久）

  • 模型老化监测 + 定期重训练
  • 传感器健康监控
  • 业务场景变化的适配（新产品、新工艺）

总体时间线：从立项到首条线量产，通常 6-9 个月；全厂扩展到稳定运行，通常 1.5-2 年。不要期待"3 个月完成工业 AI 项目"——那是不现实的。

六、结语

工业 AI 是 AI 落地里门槛最高、周期最长、但价值也最大的方向。

难点不在算法——今天的视觉 AI、时序 AI、优化算法都足够成熟。难点在工业现场的数据、网络、硬件、安全、工艺约束。这些约束只有走进现场才能看清。

我们做的 PLC + AI 工业智能服务线专门针对这个方向——工程师驻场、现场调试、持续运营。如果你的工厂在评估工业 AI 项目，建议从 做一次可行性诊断 开始——我们会告诉你你当前的条件下哪些场景可以立刻做、哪些需要先补基础、哪些短期内不建议做。

工业 AI 不是装一个模型就够了。是一整套现场能力的建设。

想清楚再干。