制造AI下半场：难的不是落地，是上量

工厂里的AI演示，十家有九家做得漂亮；能复制到第二条产线的，一只手数得过来。

这就是当下制造业AI的真实处境。行业讨论的焦点长期停留在「要不要用AI」「怎么落地一个场景」，但当Gartner等机构反复提醒试点项目大量停留在「试点炼狱」时，问题已经变了：下一个制造AI的挑战不是采纳，而是规模化。而规模化的胜负手，恰恰是过去最不被重视的那件事——基础设施。本文拆一拆这中间到底卡在哪儿。

🧪 试点墓地：POC越漂亮，规模化越危险

工厂里最不缺的是Demo，最缺的是第二车间。

先讲一个几乎所有制造企业都似曾相识的场景。某工厂去年上了AI视觉质检，选的是良率最稳定的一条产线，光照可控、缺陷样本充足，三个月跑通，准确率漂亮，验收会上掌声一片。今年呢？同一个模型搬到隔壁车间，光照差一点、来料批次换了两轮，误报率立刻失控，产线工人嫌报警太多，把系统静音了。项目就此封存。

这不是个例。Gartner在2024年7月的预测报告中指出：到2025年底，至少30%的生成式AI项目将在概念验证（PoC）之后被放弃，原因集中在成本不清晰、业务价值无法证明和风险管控不足；而在更广义的数字化转型层面，麦肯锡多年的全球调研一直指向同一个数字——约70%的数字化转型未能达成预定目标。两条曲线叠在一起，就是制造AI试点的大量真实结局。试点越成功，幻觉越强——团队以为验证的是「AI能力」，其实验证的只是「这一条产线、这一批数据、这一段工况」。规模化要回答的是完全不同的问题：来料波动怎么办？换型之后模型还准吗？十几个车间、几十条产线，数据格式不一样、设备协议不一样、班组操作习惯不一样，谁来做版本管理？

从单点验证到规模复制，中间隔着一条完整的工程链路，缺一环都会掉下来：

产业逻辑很清楚：AI在制造业正从「项目」变成「能力」。项目思维下，每个POC都是一次性买卖；能力思维下，第一单的价值不在良率提升几个点，而在沉淀出可复用的数据管道、模型资产和部署流程。判断一家工厂的AI成熟度，别看它有几个Demo，看它第二条产线上线AI用了几周。

📊 试点思维与规模思维，是两套操作系统

用试点的方式做规模化，等于用样板间的标准去盖小区。

很多团队的失误，在于把规模化理解成「把POC复制十遍」。但试点和规模化在五个维度上是两套完全不同的操作系统，对比一下就知道差距有多大：

注意最后一行。试点期的KPI是「项目验收」，规模化期的KPI是「工厂经营指标」——考核口径一变，整个技术方案的设计逻辑都得跟着变。这也是为什么不少企业做完十个POC回头看，发现十个项目用了十套数据接口、五个标注规范，想合并成平台，比重新做一遍还贵。

翻看世界经济论坛「全球灯塔网络」历年公开发布的案例复盘可以发现一个规律：西门子安贝格工厂、富士康「熄灯工厂」、宁德时代等入选工厂，早期几乎都交过「重应用、轻底座」的学费，后来共同的修正方向出奇一致：先修路，再跑车。数据采集标准、边缘部署规范、模型运维流程，这些「看不见的工程」先行，具体的AI应用反而是往上叠的模块。

产业判断在这里很明确：未来两三年，制造AI的竞争分水岭不再是「有没有AI应用」，而是「有没有支撑AI规模化的底座」。前者决定你能不能上新闻，后者决定你能不能降本。

🏗️ 基础设施，才是制造AI的真护城河

模型会过时，产线会换型，数据管道和MLOps是折旧最慢的资产。

一个正在成为行业共识的判断是：随着AI越来越靠近生产环节，支撑它的基础设施比以往任何时候都重要。为什么是「越来越靠近生产」？因为制造AI正在从报表侧、分析侧，往实时控制侧走——视觉质检要毫秒级响应，预测性维护要在故障发生前介入，工艺参数寻优直接改写PLC里的设定值。越靠近生产，对确定性、时延、可靠性的要求就越苛刻，PPT架构扛不住，只有工程化的基础设施扛得住。

这套底座大致是四层：数据采集与治理是地基，解决设备协议、点位命名、时序数据质量的问题；边缘算力与云边协同是骨架，让推理在车间本地完成、模型训练在云端完成；MLOps是中枢，管住模型从训练、验证、发布到回滚的全生命周期；IIoT平台是总线，把上面三层串成可复用的能力。

规模化的每一道坎，都能在这四层里找到对应的解法：

这五条里最容易被低估的是最后一条的组织问题。技术架构图好画，难的是让IT部门、自动化部门和产线运营坐到一张桌子上、背同一个指标。做过多家工厂MES项目的人都懂：上系统的难点从来不在系统，在于谁来为系统负责。AI基础设施同理——它是IT资产还是OT资产？坏了算谁的？这个问题不回答，规模化就是一句空话。

💰 ROI的账，要从「降本故事」改算成「复利故事」

单点AI算的是减法，平台化AI算的是乘法。

很多CFO对制造AI犹豫，是因为按传统项目算账确实不划算：一个质检AI省下几名质检员，抵不过软硬件加运维的投入。但如果换一种算法——第一套系统建设成本里，70%花在了数据接入、边缘部署这些一次性底座上，第二个场景开始复用，边际成本陡降；到第五个场景，新上一个应用可能只是「训练一个模型、下发到边缘」的动作。AI基础设施的ROI是复利型的，账期要拉长到三年以上看。

当然，复利的前提是先选对场景。不是所有AI应用都值得规模化，按「部署成熟度 × 商业价值」给主流场景排个序：

右上角的主攻战场（视觉质检、排产优化这类）是规模化优先级最高的：技术相对成熟、价值可量化，适合作为平台化打法的第一批复用对象。左上角的潜力股（工艺寻优、深度数字孪生）价值大但工程要求高，适合在底座建好之后重点攻坚。左下角的先缓一缓——很多企业恰恰是反着来的，先冲概念最炫的数字孪生，结果底座没铺好，三维模型成了「给领导看的数字沙盘」，钱花了、能力没沉淀。⚠️ 这是过去几年「PPT智造」交过学费的地方。

观察各梯队工厂的动作，分化已经很明显：头部的工厂在建能力，腰部的工厂在买场景，尾部的工厂在看报告。海尔的COSMOPlat、西门子的Xcelerator这类平台化路线之所以被反复研究，本质就是把AI应用从「采购清单」变成了「能力清单」——每一次部署都在给平台添砖，而不是给供应商续费。

🗺️ 给厂长们的18个月路线图

规模化没有捷径，但有顺序；顺序错了，每一步都在返工。

最后给一套可操作的推进节奏。核心原则只有一条：底座工程和应用落地并行，但底座永远领先应用半步。18个月是个务实的周期：

前三步都是在修路，从第四步开始才大规模跑车。几条实操建议：

• 先选两条「性格不同」的产线做第二、第三个复制点，比选十条相似产线更能暴露模型泛化问题；
• 把模型漂移监控当成运维指标考核，而不是当成事故处理——制造现场的数据分布天然在变，模型不变才会出事；
• 每一期项目强制沉淀通用组件（数据接入器、标注规范、边缘部署模板），写进验收标准，否则团队永远在赶工期、永远没空沉淀；
• 设一个跨IT/OT的「AI运营」角色，长期对工厂级指标负责。这个岗位今天看着虚，三年后就是制造企业和同行拉开差距的地方。

启动之前，厂长们不妨先拿四个问题自测一下：第二车间上AI需要几周？十套系统的数据接口能不能拼到一张图上？模型出了误报，IT和OT谁接电话？明年的预算表里，有没有一行叫「AI基础设施」？四个问题有两个答不上来，说明规模化的地基还没打。

结语：规模化是一场基建运动

制造AI的叙事正在换挡：上半场比的是谁能把POC讲漂亮，下半场比的是谁能把能力铺满全厂。「AI越靠近生产，基础设施越重要」这句判断，值得每个制造企业写进年度规划。

回头看工业化的历史，真正拉开差距的从来不是某台最先进的机器，而是铁路、电网、标准化这些「看不见的工程」——机器谁都可以买，基建能力买不来。今天的制造AI正在重演同样的剧本：模型和算法会快速商品化，但统一的数据底座、稳定的云边协同、成熟的MLOps体系，需要一两年的持续投入和IT/OT组织的深度磨合，这才是折旧最慢、也最难被追赶的资产。

所以，别再问「下一个AI场景做什么」，先问「下一个场景上线时，能不能复用上一个场景的路」。规模化这场仗，赢在看不见的工程里。2025年之后，决定工厂AI天花板的可能不是算法团队有多强，而是数据底座有多稳、边缘算力有多实、模型运维有多勤——以及，有没有人真正为这套底座负责。