1. 从“演示很惊艳”到“产线真在跑”中间隔着什么2026年工业AI这个词已经被喊了好几年。各种行业展会上机械臂配合视觉系统做缺陷检测的演示视频满天飞大模型写报告、做排产、辅助工艺优化的案例也层出不穷。但如果你真的走进工厂车间和产线主管、设备工程师、IT负责人聊一圈会发现一个很割裂的现实演示环境里跑得飞起的AI真正在产线上7×24小时稳定运行的比例远比宣传的低。我自己从2023年开始跟进几个制造业的AI落地项目涉及视觉质检、设备预测性维护、工艺参数优化三个方向。到2026年回头看有的项目确实跑起来了有的做完POC就没了下文还有的上了线又被退回人工。这篇文章不打算讲趋势、不讲概念就聊一件事那些真正跑起来的工业AI项目到底做对了什么那些没跑起来的卡在了哪里。如果你是在制造业做数字化、自动化、工艺或者质量的工程师或者你是负责评估AI项目要不要上的技术管理者这篇内容应该能帮你少走一些弯路。我会尽量把每个环节的“为什么”讲清楚而不是只给结论。2. 视觉质检跑起来的和没跑起来的差距在数据之外2.1 一个真实跑起来的视觉质检项目长什么样先说一个我深度参与过的案例。这是一家做精密结构件的工厂产品表面缺陷检测原来靠20多个质检员三班倒目检。2024年底开始上AI视觉质检2025年中正式替换掉两条产线的人工目检岗位。到2026年这套系统已经稳定运行超过一年半。这个项目能跑起来有几个关键点值得拆开说。第一缺陷定义在项目启动前就被“钉死”了。很多视觉质检项目死在这一步。工厂说“我要检测表面缺陷”但什么叫缺陷划痕多长算缺陷0.1mm和0.15mm的划痕在客户那里是不是同一个判定标准这些问题不解决算法工程师根本没法标注数据。这个项目在启动前质量部门、客户代表、产线主管坐在一起花了整整两周时间把缺陷类型分成6大类23小类每一类都给出了明确的判定边界和边界样本。这份文档后来成了整个项目的“宪法”算法标注、模型评估、产线验收全部以它为准。第二光学方案比算法更早确定。我见过太多团队一上来就调模型结果发现成像质量根本不够。这个项目在算法团队进场之前先花了两个月做光学选型光源角度、相机分辨率、镜头焦距、曝光时间全部在实验室用实际样品验证过。最终方案用了多角度环形光源加高分辨率面阵相机单张图像分辨率达到1200万像素确保最小缺陷在图像上至少占5×5个像素。这个“5×5像素”原则是我个人经验里比较稳妥的下限低于这个值算法再强也容易漏检。第三产线集成阶段留足了“人机并行”时间。系统上线后没有立刻撤掉质检员而是让AI和人工同时判定每天对比差异。这个阶段持续了将近三个月。前一个月AI的误判率明显高于人工第二个月两者基本持平第三个月AI在稳定性和一致性上开始超过人工——人工会疲劳、会走神AI不会。三个月后产线主管主动提出可以撤人了。2.2 为什么很多视觉质检项目做完POC就没有然后了我观察下来POC阶段跑通但无法上产线的项目通常卡在下面几个地方。节拍跟不上。实验室里单张图像推理200ms听起来很快。但产线节拍可能是每件产品3秒一个产品要拍8个角度那就是8张图。如果每张图推理200ms加上图像传输、预处理、后处理、结果判定和信号输出总时间可能超过2秒。再考虑产线偶尔的抖动和异常系统很容易成为瓶颈。算法推理速度必须留出至少50%的余量这是我在多个项目里总结出来的经验值。误判率在产线环境下飙升。实验室环境光照稳定、样品干净、背景单一。产线上有粉尘、有油污、有震动、有环境光变化。同一个模型实验室里误判率1%到了产线可能变成5%甚至更高。解决这个问题一方面要在训练数据里加入产线实际环境的图像另一方面要在光学方案上做防护——加遮光罩、定期清洁镜头、固定光源亮度。这些看起来是“脏活累活”但恰恰是项目能不能跑起来的关键。缺陷样本不均衡。正常品成千上万缺陷品可能只有几十个。有些缺陷类型甚至在整个POC阶段只出现过两三次。这种数据条件下训练出来的模型对罕见缺陷的召回率很难保证。我的做法是对罕见缺陷做定向数据增强同时在产线端设置“低置信度转人工”的兜底机制。模型不确定的时候不要强行判定转给人工复核。这个机制看起来降低了自动化率但实际上大大提高了系统的可信度产线更愿意用。2.3 视觉质检项目启动前必须问清楚的五个问题如果你正准备上视觉质检项目下面这五个问题建议在启动前就问清楚能省掉后面很多扯皮。问题为什么重要谁来回答缺陷判定标准是否已经文档化没有标准就无法标注数据、无法评估模型质量部门产线节拍和允许的检测时间是多少决定算法选型和硬件配置产线主管成像方案是否经过实际样品验证成像不行算法白搭光学/算法团队罕见缺陷的兜底策略是什么决定系统可信度和产线接受度质量算法上线后谁负责日常维护和模型迭代没有owner的系统活不长工厂IT/质量这五个问题里第一个和第五个是最容易被忽略的。很多项目启动时缺陷标准模糊做到一半发现标注数据互相矛盾返工成本极高。而第五个问题——上线后谁维护——往往在项目验收时才被提起结果系统跑了一段时间模型性能下降没人管最后被产线弃用。3. 预测性维护数据很多但能用的很少3.1 设备预测性维护的真实落地状态预测性维护是工业AI里另一个热门方向。理论上通过振动、温度、电流等传感器数据可以提前预测设备故障避免非计划停机。但2026年真正跑起来的预测性维护项目比视觉质检还要少。我参与过的一个项目是做旋转设备的轴承故障预测。这家工厂有几百台关键设备每台设备上装了振动传感器数据采集已经跑了好几年。按理说数据量足够但真正开始做模型的时候发现有标签的故障数据极少。几年下来真正发生故障并记录在案的案例只有十几条而且故障类型分散根本不够训练一个可靠的模型。这个项目最后的做法是放弃“预测具体故障”转向“异常检测”。不追求预测“什么时候坏、坏在哪里”而是检测“当前运行状态是否偏离正常基线”。当异常分数超过阈值时触发预警让维修人员去检查。这个策略虽然不如“精准预测剩余寿命”听起来高级但实际可落地性强得多。系统上线后确实提前发现了几次轴承早期磨损和不对中问题维修人员及时处理避免了两次非计划停机。3.2 预测性维护的数据陷阱做预测性维护数据是最大的坑。我总结了几类常见问题。传感器装了但数据没存。很多工厂在设备上装了传感器但数据只在本地HMI上显示没有集中存储。或者存了但采样率太低、时间戳不准、数据质量差。等到要做AI的时候发现历史数据根本不能用。如果你现在正在规划传感器部署务必同步规划数据存储方案。采样率、存储周期、数据格式、时间同步这些都要提前定好。故障记录不完整。设备坏了维修人员修好就完了很少有人会详细记录故障现象、故障原因、更换部件、维修时间。没有这些标签AI模型根本不知道什么是“故障”。我的建议是在设备管理系统里强制要求填写故障工单字段包括故障时间、故障类型、故障部位、处理方式、停机时长。这件事看起来是管理问题但直接决定了AI项目能不能做。正常数据太多异常数据太少。这是预测性维护的天然难题。一台设备一年可能只坏一次但正常运行数据有几十万条。这种极端不均衡的数据分布对模型训练是很大的挑战。常用的做法是用正常数据训练异常检测模型用少量故障数据做验证和阈值调优。不要试图用故障数据去训练分类模型样本量根本不够。3.3 从“预测”退一步做“异常检测”反而更容易跑起来我现在的观点是对于大多数工厂预测性维护的第一步不是做“预测”而是做“异常检测”。先让系统能稳定地发现“这台设备现在不太对劲”再逐步积累故障样本慢慢过渡到更精细的预测。异常检测的技术路线相对成熟。常用的方法包括基于统计的方法如3σ、EWMA控制图、基于距离的方法如马氏距离、基于重构的方法如自编码器、基于密度的方法如孤立森林。对于工业设备数据我个人比较推荐自编码器马氏距离的组合。自编码器学习正常数据的低维表示马氏距离衡量当前数据与正常分布的偏离程度。这个组合对高维传感器数据比较友好而且不需要故障标签。阈值设定是另一个关键。阈值太高漏报多阈值太低误报多。我的经验是先用历史正常数据跑一段时间统计异常分数的分布取99.5%或99.9%分位数作为初始阈值。然后根据实际预警效果调整。如果误报太多适当提高阈值如果漏报太多适当降低。这个调优过程需要和维修团队紧密配合因为他们才知道哪些预警是“有意义的”。4. 工艺参数优化AI能帮上忙但别指望它“全自动”4.1 工艺优化类项目的特殊性工艺参数优化和视觉质检、预测性维护不太一样。视觉质检是“判定”预测性维护是“预警”工艺优化是“决策”。决策类项目对AI的要求更高因为一旦决策错误可能影响产品质量、设备寿命甚至生产安全。我见过一个注塑工艺优化的项目。目标是找到最优的注塑参数组合温度、压力、速度、时间等使产品不良率最低。项目组一开始的想法是用强化学习让AI自动探索参数空间找到最优解。但实际做起来发现几个问题第一每次试错都有成本。调一组参数要等产品出来、检测、记录一轮下来至少半小时。强化学习需要大量试错时间成本根本承受不起。第二参数之间有强耦合。温度变了压力可能要跟着变速度变了时间可能要跟着变。搜索空间巨大而且有很多约束条件。第三产线不允许“探索”。生产任务排得很满不可能让AI在产线上随意试参数。这个项目最后的做法是用历史数据训练一个“参数-质量”的预测模型然后用优化算法在模型上搜索最优参数最后把推荐参数交给工艺工程师审核由工程师决定是否采纳。这个方案把AI的角色从“决策者”降级为“推荐者”但实际落地效果好得多。工艺工程师反馈AI推荐的参数有时候能给出他们没想到的组合虽然不一定每次都采纳但确实提供了有价值的参考。4.2 工艺优化项目的三个务实原则基于多个项目的经验我总结了工艺优化类项目的三个务实原则。原则一AI做推荐人做决策。不要试图让AI直接控制产线参数除非你对模型有极高的信心而且有完善的安全兜底机制。大多数情况下AI给出推荐参数工程师审核后手动输入或确认是更稳妥的做法。原则二先做“参数-质量”的关联分析再做优化。很多工厂连“哪个参数对质量影响最大”都没搞清楚就想着上AI优化。我的建议是先用历史数据做相关性分析、特征重要性分析搞清楚关键参数是哪些。这个过程本身就能带来价值——也许你会发现某个一直被忽略的参数其实对质量影响很大。原则三优化目标要明确且可量化。“提高质量”不是目标“把不良率从3%降到1.5%”才是目标。“降低能耗”不是目标“把单件能耗降低8%”才是目标。目标越明确模型评估和效果验证越容易做。4.3 一个工艺优化项目的完整落地流程下面这个流程是我在一个实际项目中跑通的供参考。第一步数据准备。从MES、SCADA、PLC等系统抽取历史生产数据包括工艺参数、质量检测结果、设备状态、环境条件等。数据清洗是关键缺失值、异常值、时间对齐都要处理。第二步关联分析。用随机森林、XGBoost等模型做特征重要性分析找出对质量影响最大的Top 10参数。同时做相关性分析识别参数之间的耦合关系。第三步预测模型训练。用历史数据训练“参数-质量”预测模型。模型不需要太复杂XGBoost或LightGBM通常就够用。重点是要做交叉验证确保模型在不同时间段的数据上都有稳定的预测能力。第四步优化搜索。在预测模型上用贝叶斯优化或遗传算法搜索最优参数组合。搜索时要加入约束条件比如参数必须在设备允许范围内、参数变化速率不能太快等。第五步工程师审核。把推荐参数交给工艺工程师附上预测的质量指标和置信区间。工程师根据经验判断是否采纳。第六步小批量验证。采纳的参数先在小批量生产上验证确认效果后再推广。第七步持续迭代。每次验证的结果都反馈回模型不断更新训练数据提升模型精度。这个流程看起来步骤多但每一步都有明确的目的。最容易被跳过的是第二步和第六步。第二步跳过后面模型可能用了一堆无关参数效果差还找不到原因。第六步跳过直接全量推广风险太大。5. 那些“跑起来”的项目在组织层面做对了什么5.1 工业AI项目失败技术原因只占三成我复盘过自己参与和观察过的十几个工业AI项目发现一个规律项目失败技术原因大概只占三成剩下七成是组织和管理问题。技术问题包括数据质量差、算法选型不当、算力不足、集成困难等。这些问题虽然棘手但只要有足够的时间和资源通常都能解决。组织问题包括业务部门不配合、IT和OT团队沟通不畅、项目目标不清晰、上线后无人维护、产线抵触新系统等。这些问题往往更致命而且更难解决。我见过一个视觉质检项目算法团队做出了一个指标很好的模型但产线主管拒绝上线理由是“系统报警太频繁影响生产节奏”。后来深入了解发现真正的原因是产线主管在项目启动阶段没有被充分参与他对系统没有信任感而且担心系统上线后自己要承担额外的管理责任。这个问题不是技术能解决的需要项目管理层面去沟通和协调。5.2 让业务部门成为“共同 owner”跑起来的项目几乎都有一个共同点业务部门不是“配合方”而是“共同 owner”。具体表现是什么业务部门的人会主动参加项目例会会提出需求和反馈会在系统上线后主动使用和推广。而不是“你们IT搞的东西你们自己玩”。怎么做到这一点我的经验是从项目立项开始就让业务部门参与目标设定和方案评审。不要等方案定了再通知他们。目标要由业务部门来定义比如“把漏检率降到0.5%以下”“把非计划停机减少30%”。方案评审时业务部门要有否决权。上线后业务部门要负责日常使用和效果跟踪。这听起来像是项目管理常识但在实际工作中很多AI项目还是IT部门或算法团队主导业务部门只是“被通知”的角色。这种项目即使技术上线了也很难真正跑起来。5.3 上线不是终点而是起点工业AI项目和传统IT项目有一个很大的区别传统IT项目上线后系统相对稳定维护工作量不大。工业AI项目上线后模型性能会随着时间下降需要持续迭代。模型性能下降的原因有很多设备老化、原材料变化、环境变化、产品换型等。这些变化会导致产线数据分布发生偏移原来训练好的模型不再适用。所以工业AI项目必须规划上线后的持续运营机制。包括谁负责监控模型性能多久评估一次性能下降到什么程度需要重新训练重新训练的数据从哪里来这些问题要在项目规划阶段就回答清楚。我见过一个项目上线后前三个月效果很好第四个月开始误判率上升但没人注意到。等到产线反馈问题的时候已经积累了大量误判产线对系统的信任度大幅下降最后系统被停用。这个项目的技术方案没有问题问题出在运营机制缺失。6. 2026年工业AI的真实成熟度分场景看6.1 视觉质检相对成熟但依赖场景视觉质检是目前工业AI里落地最成熟的方向。标准化程度高的场景如电子元器件外观检测、纺织品瑕疵检测、药品包装检测已经有大量成功案例。但非标场景如复杂装配体的缺陷检测、多品种小批量生产的质量判定仍然困难。关键变量是缺陷定义是否清晰、成像方案是否稳定、产线节拍是否匹配。这三个条件满足视觉质检项目成功率很高有一个不满足项目就可能卡住。6.2 预测性维护异常检测先跑预测再跟进预测性维护的整体成熟度低于视觉质检。主要瓶颈是故障数据稀缺。目前比较务实的做法是先做异常检测积累故障样本再逐步过渡到预测。适合先做的设备类型旋转设备电机、泵、风机、往复设备压缩机、传动设备齿轮箱。这些设备的振动信号特征明显异常检测效果较好。6.3 工艺优化推荐系统模式最务实工艺优化类项目目前最务实的模式是“AI推荐人工决策”。全自动闭环控制只在极少数场景下有成功案例而且通常有严格的安全约束。适合先做的场景注塑、压铸、焊接、热处理等工艺参数多、质量影响因素复杂的工序。这些场景下AI推荐能帮工程师快速缩小参数搜索范围提高调优效率。6.4 大模型在工业场景的应用辅助为主决策为辅2025年到2026年大模型在工业场景的应用明显增多。但真正跑起来的主要是辅助类场景设备维修知识问答、工艺文档生成、生产报告自动撰写、操作培训等。直接参与生产决策的大模型应用还很少见。原因很简单大模型的输出不确定性太高工业场景对可靠性的要求又极其严格。在辅助场景下大模型输出错了人工可以纠正在决策场景下大模型输出错了可能造成实际损失。我的判断是未来两三年大模型在工业场景的主要角色仍然是“助手”而不是“决策者”。这个定位虽然不够性感但更符合实际。7. 如果你现在要启动一个工业AI项目我的实操建议7.1 选场景从“小而痛”开始不要一上来就选最复杂、最核心的场景。选一个范围小、痛点明确、效果容易衡量的场景先做。比如一条产线的一个工位、一类设备的异常检测、一个工序的参数优化。小场景的好处是周期短、风险低、容易看到效果。成功了可以复制推广失败了损失可控。我见过太多项目一上来就搞“全厂AI平台”结果做了一年多还在POC阶段。7.2 定目标用业务语言不用技术语言目标要由业务部门来定而且要用业务语言。比如“把这条产线的漏检率从2%降到0.5%”“把这台设备的非计划停机从每年6次降到2次”“把这个工序的调机时间从4小时缩短到1小时”。不要用技术语言定目标比如“模型准确率达到99%”“推理延迟低于100ms”。这些是技术指标不是业务目标。技术指标要服务于业务目标而不是反过来。7.3 组团队业务算法ITOT缺一不可工业AI项目需要四类人懂业务的人、懂算法的人、懂IT的人、懂OT的人。缺任何一类项目都可能出问题。懂业务的人负责定义问题和评估效果懂算法的人负责模型开发和调优懂IT的人负责数据管道和系统集成懂OT的人负责产线设备和现场部署。这四类人要在项目启动阶段就到位而不是做到一半再找人。7.4 管数据从第一天就按AI的要求管如果你现在还没有开始AI项目但计划未来做那么从现在开始就要按AI的要求管理数据。具体包括传感器数据要集中存储、故障记录要完整填写、质量检测结果要数字化、时间戳要统一对齐。这些工作看起来是“为未来做准备”但实际上即使不做AI这些数据对生产管理、质量分析、设备维护也有很大价值。数据管理是工业AI项目里最不性感、但最重要的工作。7.5 看效果用产线语言不用实验室语言项目效果评估要用产线语言不用实验室语言。实验室里说“模型准确率99%”产线上要说“漏检率降低了多少”“误判率降低了多少”“产线节拍有没有受影响”“质检员工作量减少了多少”。我见过一个项目模型在测试集上准确率99.5%但产线试用后反馈“不好用”。深入了解发现模型对某类罕见缺陷的召回率很低而这类缺陷恰好是客户最关注的。测试集里这类缺陷样本少所以整体准确率看起来很高但实际使用中问题很大。评估指标要覆盖所有关键缺陷类型不能只看整体准确率。这是我在多个项目里踩过的坑。8. 写在最后工业AI的“真”与“假”2026年工业AI到底有多少真的跑起来了我的观察是在视觉质检领域真正跑起来的项目比例最高但主要集中在标准化场景预测性维护和工艺优化领域真正跑起来的比例还比较低大多数项目还在POC或小范围试用阶段。但“跑起来”的定义本身也值得讨论。一个项目上线了但产线不愿意用算跑起来了吗一个项目上线了但模型性能持续下降没人维护算跑起来了吗一个项目上线了但只覆盖了一条产线的一个工位算跑起来了吗我的标准是系统在产线上稳定运行超过6个月业务部门主动使用并认可其价值有明确的运营维护机制。按这个标准真正跑起来的工业AI项目比例可能比宣传的低很多。但这不意味着工业AI没有价值。恰恰相反那些跑起来的项目确实在降本、提质、增效方面产生了实实在在的效果。只是这个过程比想象中慢比想象中难需要技术、业务、管理三方面同时发力。如果你正在做工业AI项目或者准备启动一个我的建议是降低预期选小场景拉业务部门一起干把数据管好把运营机制建好。这些看起来是“笨功夫”但恰恰是项目能不能真正跑起来的关键。