上个月，一家做精密轴承的老板老李拉我去他车间。指着一排崭新的机械臂和头顶的摄像头，满脸愁容：“投了三百多万，效率没见涨，次品率倒升了0.3%。” 我顺着他的手指看过去——好家伙，机械臂抓取工件的位置偏了半厘米，视觉检测系统却一声不吭。老李拍着控制柜骂：“这玩意儿到底智能在哪儿？” 我苦笑。这一幕，太熟悉了。
说实话，工业AI这潭水，看着清亮，跳进去才知道底下全是暗礁。我从18年开始跟这类项目，踩过的坑能填满一个铸造车间。今天不讲虚的，就掏心窝子聊聊真金白银换来的教训。
第一个坑：数据？哪儿有什么干净数据
三年前，我接了个注塑工序的预测性维护项目。团队里博士论文发了十几篇，模型在实验室准确率99.5%。一到现场，直接傻了——传感器数据缺了40%，有些采集频率忽高忽低，还有个温度探头被工厂师傅缠了圈黑胶布，因为“它老报警烦人”。
博士们对着仪表盘发愣，我蹲在地上看那圈胶布笑了半天。这就是真实的工业现场：震动、油污、莫名其妙的信号中断，还有工人们“别耽误生产”的小智慧。后来我们不得不把数据采集从秒级降到分钟级，而且用了三个月清洗那些历史数据。你知道最难洗的是什么吗？不是缺失值，是错误标签！曾经有个冲床故障记录，原因写着“机器心情不好”——一线操作工填的。
所以现在谁要跟我说“我们有海量数据”，我都会条件反射地问：记录全吗？准确吗？能对应到具体工况吗？大部分厂家连基本的MES都没跑顺，谈何AI？
第二个坑：模型牛逼，现场拉胯
去年有个视觉检测的项目，甲方要求识别铸件表面6种缺陷。我们在实验室用标准数据集练得风生水起，mAP 0.95。兴冲冲去部署，结果一天下来误报率超过30%。咋回事？因为实际产线上，光线会变、工件摆放角度千奇百怪、还有冷却液飞溅到镜头上。训练时那些完美打光、固定位置拍的图，屁用没有。
最绝的是一次“灵异事件”：模型突然把合格件全判为不合格。排查到半夜，发现是傍晚的阳光透过车间顶窗，在工件表面游走了一道反光。我们一位算法小哥当场哀嚎：“谁来给太阳买个滤镜！” 后来怎么办？老老实实在产线旁蹲了两个月，采集不同班次、不同天气的上万张真实图片，反复迭代。而且加了个简单的光强传感器，光照突变就自动暂停检测并校准。唉，有时候解决工业问题，靠的不是更高深的网络结构，而是一个几块钱的环境传感器。
问：为什么实验室里好的模型到工厂就不行了？ 答：实验室是乌托邦。数据干净、场景固定、算力随便用。工厂呢？变量多得要命。我总结过八个字：“分布漂移，环境干扰”。比如训练时的零件表面油污程度固定，实际生产时每批毛坯的油量都不同；训练时相机离工件30cm，实际传送带抖动一下，距离变了。想搞好工业视觉，就得把训练环境往“脏乱差”靠，甚至故意加噪声、遮挡。别嫌麻烦——这才是真实世界。
第三个坑：人，最被低估的变量
你以为搞定算法就万事大吉？天真。工业AI落地的最大阻力，往往来自人。不是工人不配合，是这东西改变了他们几十年的工作习惯。
有个做刀具磨损监测的项目，系统报警预测到刀具快崩了，提示换刀。老操作工老赵头瞧都不瞧，照常多干了二十个件才停。问他为啥，他吐口烟：“这玩意儿才装几天？我摸这床子十五年了，声音不对我听得出来。” 结果那次真崩刀了，崩碎了一片钨钢，幸亏没伤人。老赵头抽着烟沉默半天，第二天主动来问怎么看那个曲线图。
这件事让我明白：不是把系统摆那儿就完事。你得尊重老师傅的经验，把AI作为辅助而不是替代。后来我们改了界面，不是冷冰冰的警报，而是“建议关注刀具状态，目前磨损量已达85%”——像助手一样提供信息。还搞了个小功能：师傅可以手动标记“我觉得它快不行了”，这些标记反哺模型训练。半年后，老赵头成了系统最大的拥护者，逢人就夸“这伙计比我还仔细”。
问：工业AI实施时，怎么让一线人员愿意用？ 答：核心就一句：别跟他们对着干。第一，设计要简单，别整一堆专业术语，用他们懂的语言；第二，让人有掌控感，比如可以手动微调、可以关闭但记录原因；第三，让好处看得见——每天产量提升多少、调机时间缩短几分钟，数字贴在车间看板上。别小看这些，人心比算法更需要调参。现在我们在做什么：把“盆景”变成“丛林”
前些年工业AI像盆景，好看但不能铺开。现在总算有点章法了。我们正跟几家冲压、焊接厂合作，不再做单点项目，而是搞“工序流智能”——把上料、加工、检测、包装联动起来。比如冲压件，视觉检测发现毛刺超差，自动反馈给前一工序的模具间隙调整，而不是事后分拣。这一下子，废品率从千分之五降到了万分之八。当然，打通数据流的痛苦就不提了……但值。
另外，边缘计算帮了大忙。以前什么都传云端，延迟高得吓人，一个实时控制指令来回500毫秒，黄花菜都凉了。现在用工业网关做就地推理，检测到异常直接停线，响应时间压到10毫秒内。不过部署起来也有头疼事：车间温度高、粉尘大，普通工控机撑不过半年。后来找了加固型的，还加装了主动散热和防尘网，成本翻番——但总算稳了。
也踩过“大模型”的坑。一窝蜂上大语言模型做故障诊断知识库，结果一问具体操作细节，AI就开始胡编，差点让一个新手操作员拧错了阀门。赶紧叫停，老老实实用传统专家系统+检索增强生成，限定答案必须出自已验证的维修手册。工业容错率极低，可以不出彩，绝不能出错。
写在最后：敬畏车间，脚踏实地
干了这几年，我最大的感悟是：工业AI的敌人不是技术，而是漂浮的心态。总想用算法一招制胜，却不愿意花时间在产线旁观察、跟工人聊天、清洗每一组脏数据。这行没有捷径。
老李后来听了建议，从最简单的数据采集规范做起，三个月后才上模型。现在他那条线，效率提升了12%，关键是稳定。昨天他打电话，嗓门挺大：“还真得沉下心啊！” 我在这头乐了。对，工业智能化这场马拉松，比的不是谁起步快，而是谁更懂得尊重车间里每一滴机油、每一个螺丝、每一双手。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：工业人工智能（AI）落地实录：那些年我们交过的百万学费 https://www.dachanpin.com/a/tg/58173.html
