AI进了车间，为何走不进整座工厂

2025年之后，制造业聊AI的方式变了。三年前大家问的是“要不要上”，现在问的是“为什么第二个车间就推不动了”。

这不是个例。麦肯锡2018年针对全球制造企业的调研显示，约70%的企业AI项目长期停留在试点阶段、无法规模化——行业给了它一个流传至今的名字：“试点炼狱”（pilot purgatory）[^1]。当AI从演示环境走向真实产线，决定成败的早已不是模型精度，而是托住它的那套基础设施。本文想讲清楚的，正是这道横亘在“能用”与“好卖”之间的规模化鸿沟。

🧪 试点繁荣：开花开一半的AI

一个AI项目最容易出成绩的时刻，是验收那天。

你大概率见过这样的场景：某条产线上了视觉质检POC，误检率压得漂亮，验收会上PPT滚动播放，领导当场拍板“全厂推广”。然后呢？第二产线的产品换了、光照变了、PLC协议对不上，原本三周能复制的项目，拖了半年还没跑通。

Gartner在2019年的预测为这个场景提供了注脚：预计到2022年，只有约53%的AI项目能从原型阶段真正进入生产环境[^2]。单点可以烧人烧钱做出来，复制时每一个隐性前提都会变成显性成本——那个现场只有老张知道怎么调的相机参数、那套没写进文档的数据清洗逻辑、那段跑在工控机里没人敢动的脚本。

产业逻辑其实很直白。AI越靠近生产核心环节，它依赖的东西就越多：稳定的网络、干净的数据、统一的接口、可回滚的发布流程。试点阶段这些东西可以靠人肉兜底，规模化阶段一个都欠不得。所以下一阶段制造企业的AI考题，不是再找十个场景做POC，而是回答：我的工厂有没有一套能让第N个AI应用比第一个便宜、比第一个快的底座？

🏗️ 基础设施：被严重低估的胜负手

模型是烟花，基础设施才是发射架。

很多工厂的AI预算表很有代表性：大头给了算法采购和试点开发，留给数据链路、算力部署、运维监控的钱少得可怜。等规模化启动才发现，真正的成本大头全在后者。业界长期流传的“八二定律”是：数据准备与工程化约占AI项目总工时的八成，真正的建模只占两成。谷歌团队早在2015年的经典论文《Hidden Technical Debt in Machine Learning Systems》中就用一张系统图指出了这一点——机器学习代码只是庞大系统中一个很小的方块，周边的数据采集、验证、监控、基础设施才是绝对主体[^3]。

一条健康的产线AI链路长什么样？大致是这样一条闭环：

这条链上任何一环是手工作坊式的，规模化就会在那里断掉。协议不统一，每接一条新产线就要重写一次采集；数据不进中台，模型的持续学习就是无源之水；没有反馈回路，上线即巅峰、之后缓慢劣化。

“案例参考：三一重工北京桩机工厂2021年入选世界经济论坛“灯塔工厂”，据公司披露，其数字化底座支撑下产能提升约123%[^4]。而头部企业的公开复盘普遍指向同一结论：AI项目失败最常见的根因不是“模型不行”，而是“链路没建起来”——数据从设备到模型要过五关，每关都靠人扛，扛得住一个车间，扛不住一个集团。

判断也由此而来：基础设施投入不是成本，是规模化的期权。 它决定你的第二个、第十个AI应用是边际成本递减，还是每次都从零开始。聪明的制造企业已经开始把“AI底座”当成和ERP、MES同一量级的立项来谈，而不是某个算法项目的附属品。

🎯 场景分层：不是所有AI都值得规模化

规模化之前，先问这个问题配不配规模化。

很多工厂的困境，其实是把“演示价值”误当成了“规模价值”。把工业AI的应用点摆到一张图上，路径立刻清晰：

右上角的领跑者——智能排产、工艺参数寻优——直接动的是良率、交付和能耗这些真金白银的指标，值得建重型基础设施去规模复制。视觉质检技术门槛不算最高、但商业价值扎实，是大多数工厂最现实的规模化起点。而左下角的知识问答类应用，做一两个提效可以，指望它撑起AI战略，就是本末倒置。

产业逻辑是：规模化的资源应该跟着“单位复制成本 ÷ 单点商业价值”走，而不是跟着“哪个场景好演示”走。 排产和寻优类场景之所以难，恰恰因为它们需要打通工艺、计划、设备多个领域的数据——这意味着一旦打通，底座就能复用到全厂，规模化的复利最大。

“案例参考：工业富联深圳“熄灯工厂”2019年入选世界经济论坛灯塔网络，其核心场景正是视觉质检与设备参数调优。据其公开披露，改造后劳动生产率提升约30%，相关方案随后向天津等基地复制——复制的不再是“一套代码”，而是一套已跑通的数据链路和部署流程，复制周期以月计，远短于首厂的以年计[^5]。

反过来看，那些只需要一张图、一个摄像头的场景，适合作为规模化的“练兵场”：用它们把采集、标注、部署、运维的标准流程跑熟，再向高价值场景进军。先易后难不是妥协，是工程路径。

🔌 数据与边缘：地基不牢，模型白搭

产线AI的第一性问题，是数据问题。

工厂的数据从来不是“放在那里等你用”的。老设备没有数字接口，得加传感器；不同品牌的设备各说各的方言，得做协议转换；时序数据以毫秒级狂涌，云端来回传既贵又延迟，得在边缘就近处理。这些活儿没有一样带“AI”字样，但没有一样不在决定AI的生死。

把规模化的数据地基拆开看，无非四层：

这四层里，最容易被低估的是“服务”层。很多工厂的数据中台建得很好，但模型要用一次数据就申请一次、拉一次全量，等于把高速公路修好了却只准骑马。特征复用、模型版本管理、灰度发布这些MLOps能力，才是让“第二个应用更快”真正成立的机制。

边缘与云的分工同样关键。推理下沉到车间级算力，才能满足毫秒级响应和数据不出厂的要求；云侧专注训练迭代和多厂知识沉淀。边缘负责“打枪”，云端负责“练兵”，两边靠一套标准化的模型分发和回流机制衔接。

“案例参考：复制周期的改善是最直接的证据。据海尔卡奥斯公开介绍，基于统一工业互联网平台的产线方案，向新基地复制的周期可比传统方式缩短50%以上[^6]；截至2024年，美的集团已有5家工厂先后入选WEF灯塔工厂名单，其公开路径正是“先建底座、再批量复制”——先统一数据与边缘架构，再让新工厂的AI部署在既有底座上快速展开[^7]。

这套“底座先行”机制的成熟度，基本可以直接预测一个集团AI推广的天花板。

🧰 从POC到平台：组织也是基础设施

技术上的坎翻过去了，组织上的坎往往还在原地。

试点阶段，算法团队、设备科、生产车间靠临时的“联合作战”就能把事办了；规模化阶段没有共同KPI，产线凭什么为你的AI腾出停机窗口？数据部门凭什么优先排你的需求？

从POC到规模复制，四道坎各有各的解法：

两种阶段的工作方式差异，值得每家准备推广AI的工厂对照自查：

最后一条尤其值得琢磨。规模化的KPI不是“上线了多少个AI”，而是“第N个AI比第一个便宜多少、快多少”。 把这个指标写进数字化部门的考核，组织动作才会真正变形。

🧭 小结：下一仗打在平台层

回到开头那句话：AI进入生产的深水区后，基础设施比任何时候都重要。它不是模型背后的脚注，而是决定一家制造企业AI战略上限的那块天花板。

往后看两三年，制造企业之间的AI差距，大概率不再体现为“谁有几个炫酷的示范线”，而是“谁的第二个、第十个应用复制得更快更便宜”。模型会持续商品化，数据地基、边缘架构和AI运营机制不会。麦肯锡的数据、Gartner的预测和灯塔工厂们的公开实践，指向的是同一个结论：提前把基础设施当正经工程来投的工厂，会在规模化拐点到来的那一刻，突然甩开还在补课的同行。

试点讲的是故事，规模化讲的是复利。这一仗，现在才刚打响。

参考文献

[^1]: McKinsey & Company, It's not about the tech: Manufacturers stuck in "pilot purgatory" (2018). 调研覆盖约700家制造企业，约70%仍停留在试点阶段。

[^2]: Gartner新闻稿（2019）：预测到2022年，仅53%的AI项目能从原型推进至生产环境。

[^3]: Sculley, D. et al., Hidden Technical Debt in Machine Learning Systems, NeurIPS 2015.