制造业AI的坎，不在上马在规模化

💡 制造业AI的故事，正在换剧本。

这两年跑工厂，听得最多的一句话是："我们上了AI视觉检测，准确率99%。"但再追问一句——有几条线在用？往往是pilot线一条，隔壁产线还是人工目检。

这不是个案。制造业AI行业正悄然换挡：真正的挑战已经不再是"要不要采用AI"（adoption），而是"能不能规模化"（scale）。当AI从实验室走向产线、从演示走向生产，支撑它的基础设施的重要性，比以往任何时候都高。

一句话判断：未来两三年，智能制造的分水岭不在于谁先用了AI，而在于谁先把AI做成"水电煤"。

📈 从"上马"到"规模化"：一次叙事的切换

采用是新闻，规模化才是生意。

先讲个场景。去年在长三角一家汽车零部件厂，看到他们的AI质检项目验收会：缺陷识别准确率98.7%，甲方乙方都满意，媒体报道也发了。半年后回访，这条AI检测线还在跑，但全厂12条产线，只有2条接入了系统。

为什么？剩余10条线的产品型号不同、光照条件不同、缺陷类型不同——单点的成功模型，换个场景就得重新标定、重新采集、重新训练。厂里的工艺工程师没这个能力，供应商的驻场服务成本又太高。

这正是行业普遍面临的问题：AI在制造业的采用率数字看起来不低，大量工厂都做过AI项目，但绝大多数停留在POC（概念验证）阶段。各类口径不一的调研里，制造业AI项目从POC走向规模化部署的比例，长期徘徊在两成上下——八成项目死在了"单点成功"和"全厂复制"之间的鸿沟里。

背后的产业逻辑是：AI项目的边际成本没有随规模下降，反而在上升。每复制到一条新产线，就要重新做数据采集、模型调优、现场联调。对比一下传统信息化——ERP装完一个模块，第二个模块的部署成本明显递减——AI目前的工程化水平，还远没到这个阶段。

所以判断很明确：2024-2025年，行业的竞争焦点会从"有没有AI"转向"AI能不能低成本复制"。 这背后拼的不是算法，是基础设施。

🔧 基础设施：被低估的胜负手

AI是台面上的明星，基础设施是台面下的胜负手。

AI走向生产环境后，基础设施的问题会一件件浮出水面：

第一层，算力。 训练可以在云端，但推理必须在产线侧。视觉检测要求毫秒级响应，网络抖一下，产品已经过站了。这意味着边缘算力部署成为刚需——工控机+GPU盒子，散热、防尘、抗震都是车间级挑战。而边缘节点一多，模型如何统一更新、版本如何管理，又变成了新的运维难题。

第二层，数据管道。 AI的燃料是数据，但工厂的数据状况普遍堪忧：设备协议五花八门，OPC-UA、Modbus、私有协议并存；有的老机床连数字化接口都没有，得加装传感器。数据从设备到MES再到AI平台的链路，稍有一环带宽不足或延迟过高，模型就是"盲人"。

第三层，平台治理。 一个厂10个AI应用，可能来自5家供应商，模型格式、接口标准、数据标注规范各不相同。没有统一的MLOps平台做纳管，规模化就等于给自己埋雷。

据多位接近头部工厂的人士透露，一些灯塔工厂的IT预算结构正在悄悄变化：传统应用维护的占比在下降，AI基础设施（边缘算力、数据中台、MLOps）的投入占比快速上升，个别工厂已超过IT预算的三成。这个信号很关键——钱往哪投，说明真正的瓶颈在哪。

产业逻辑很清晰：当AI从"项目制"转向"能力制"，基础设施就是能力的载体。没有它，再多单点AI也只是散落的珍珠。

`infographic

{"type":"pyramid","title":"制造业AI规模化支撑体系","layers":[{"label":"AI应用层","desc":"质检、预测性维护、排产优化等场景应用"},{\"label\":\"MLOps平台层\",\"desc\":\"模型训练、版本管理、统一部署与监控\"},{\"label\":\"数据管道层\",\"desc\":\"设备接入、协议转换、数据中台与治理\"},{\"label\":\"边缘算力层\",\"desc\":\"产线侧推理硬件、网络与时延保障\"}]}\n`\n\n## ⚠️ 规模化的三道坎\n\nAI规模化，一道坎筛掉一批玩家。\n\n结合现场观察，制造业AI规模化主要卡在三道坎上：\n\n第一道坎：数据的坎。 产线数据是\"脏、乱、散\"——脏在噪声多、标注质量差；乱在格式不统一；散在数据孤岛遍布。质检图像可能存在质检员电脑上，设备振动数据在设备商的私有云里，工艺参数在MES里。数据不打通，AI规模化无从谈起。\n\n第二道坎：人才的坎。 工厂缺的不是算法博士，而是既懂工艺又懂AI落地的\"翻译型人才\"。算法工程师看不懂缺陷图谱，工艺老师傅说不出特征参数——两边语言不通，模型效果自然上不去。这类人才市场上极度稀缺，往往是项目成败的第一变量。\n\n第三道坎：组织的坎。 AI项目的验收方是质量部，数据提供方是生产部，预算在IT部门——三方利益不一致，项目推进处处掣肘。规模化要求把AI从\"IT项目\"升格为\"经营事项\"，需要一把手工程。\n\n用一张定位图来看，当前各类参与者的身位——\n\n`mermaid\nquadrantChart\n title 制造业AI参与者定位\n x-axis 低规模化能力 --> 高规模化能力\n y-axis 低场景纵深 --> 高场景纵深\n quadrant-1 领跑者\n quadrant-2 潜力股\n quadrant-3 跟随者\n quadrant-4 存量玩家\n 灯塔工厂自建团队: [0.8, 0.85]\n 工业软件巨头: [0.75, 0.6]\n AI算法创企: [0.3, 0.7]\n 传统自动化集成商: [0.45, 0.35]\n 设备商AI方案: [0.4, 0.5]\n`\n\n产业判断：灯塔工厂的自建团队正在拉开身位，因为他们积累了跨场景的数据资产和人才梯队；纯算法创企若不补上工业Know-how和交付能力，会被挤向低价值环节；而工业软件巨头若把MLOps与MES、PLM打通，将占据平台卡位优势。\n\n## 🗺️ 从POC到全厂：一条务实路线图\n\n规模化的正确姿势，是先修路，再跑车。\n\n给正在推进AI项目的制造企业一条务实路线：\n\n`mermaid\ngantt\n dateFormat YYYY-MM-DD\n title 制造业AI规模化18个月路线图\n section 基础夯实\n 数据管道与设备接入改造 :a1, 2025-01-01, 180d\n 边缘算力标准选型部署 :a2, 2025-03-01, 150d\n section 平台建设\n MLOps平台搭建与规范统一 :b1, 2025-06-01, 180d\n 首条产线全流程验证 :b2, 2025-09-01, 120d\n section 复制推广\n 跨产线模板化复制 :c1, 2026-01-01, 180d\n 全厂运营体系与人才梯队 :c2, 2026-04-01, 150d\n`\n\n几个关键点：\n\n- 先修路再跑车：不要在数据管道没打通前强行上AI项目，返工成本极高；\n- 模板化复制：把首个成功场景拆成\"数据规范+模型基座+部署SOP\"三件套，新产线只做适配不做重建，目标是将单线复制成本压到首线的三成以下；\n- ROI前置：每个阶段设置可量化的投资回收指标（如质检人力节省、缺陷逃逸率下降），避免AI项目变成\"给领导看的展品\"。\n\n值得警惕的是\"PPT智造\"倾向——展厅里大屏炫目，车间里模型趴窝。规模化的检验标准只有一条：关掉演示模式后，AI还在不在产线上跑。\n\n## 小结\n\n制造业AI的下一场仗，不在于谁能讲出更炫的AI故事，而在于谁能把AI变成产线上可靠、可复制、可运营的\"标准件\"。采用解决的是0到1，基础设施解决的是1到100。未来18个月，看一家工厂智能制造的真实水平，别看展厅，去看它的数据管道、边缘节点和MLOps平台。那里，藏着智能制造真正的护城河。"}