2. 工业AI基础
在讨论“模型精度回归”之前，必须先建立对工业AI的整体认知。工业AI并不是把通用大模型直接搬进车间，而是面向工业现场的数据、机理、约束与目标，构建可落地、可维护、可验证的智能决策系统。它的核心价值在于：用数据驱动的方式补充或替代人工经验，在质量、效率、能耗、安全等维度形成可量化的改进。
一、工业AI的定义与边界
工业AI（Industrial AI）是指将人工智能技术应用于工业设计、生产、质检、设备运维、供应链等环节，通过数据建模、知识融合与闭环控制，解决工业场景中的预测、分类、优化与决策问题。它与通用AI的关键差异体现在四个方面：
- 数据强约束：样本常来自传感器、PLC、MES、SCADA，存在噪声、缺失、时标漂移与样本不均衡。
- 机理可融合：物理方程、工艺窗口、设备手册可作为先验知识约束模型输出。
- 实时性要求：边缘侧推理常在毫秒到秒级，模型复杂度受算力与延迟限制。
- 可解释与可追溯：工艺人员需要知道“为什么判废”，验证环节需要复现与审计。
工业AI的落地公式可以概括为：工业AI = 数据 × 机理 × 算力 × 场景闭环。缺少任何一项，模型精度都可能在现场迅速退化。
二、常见模型类型与适用边界
工业AI模型可按任务形态分为以下几类，不同模型对数据量、可解释性和部署条件的要求差异明显：
| 模型类型 | 典型任务 | 数据需求 | 可解释性 | 典型场景 |
|---|---|---|---|---|
| 统计与树模型 | 分类、回归、异常检测 | 中低 | 较高 | 参数寻优、质量分级 |
| 时序模型（LSTM/TCN/Transformer） | 趋势预测、剩余寿命 | 高 | 中 | 设备预测性维护 |
| 卷积网络（CNN） | 图像分类、缺陷检测 | 高（需标注） | 中低 | 表面缺陷、焊缝检测 |
| 强化学习 | 序贯决策、参数控制 | 极高（交互） | 低 | 工艺参数动态调优 |
| 机理+数据混合模型 | 软测量、数字孪生 | 中 | 高 | 化工、冶金过程建模 |
选择模型时，不能只看离线指标。工业现场更关注误报率、漏报率、推理延迟、漂移速度与维护成本。例如，缺陷检测中漏检代价远高于误检，阈值设定就要偏向召回率；而设备报警若误报过多，会被现场直接关闭。
三、典型应用场景
工业AI的应用场景可归纳为“看、测、控、维”四类：
- 看——视觉质检：利用CNN检测产品表面划痕、脏污、缺件，替代人工目检，提升一致性。
- 测——软测量与预测：用回归模型预测难以在线测量的质量指标，如成分含量、强度、厚度。
- 控——工艺优化：结合强化学习或贝叶斯优化，调整温度、压力、速度等参数，降低能耗与废品率。
- 维——预测性维护：基于振动、电流、温度时序数据，预测轴承磨损、刀具寿命与故障风险。
场景越靠近控制闭环，对模型精度、延迟和可解释性的要求越高；场景越偏向辅助决策，容错空间相对更大。
四、精度问题的来源：一张关系图看清链路
工业AI精度下降往往不是单一原因，而是数据、模型、部署、环境与业务定义共同作用的结果。下图展示了从数据采集到业务反馈的完整链路中，精度问题的典型来源与传导关系：
五、案例与误区复盘
某汽车零部件厂部署表面缺陷检测模型，离线AUC达到0.98，但上线两周后漏检率从1.2%升至6.5%。排查发现：
- 数据层：新批次物料表面反光特性变化，训练集未覆盖。
- 部署层：为提升节拍，模型被量化到INT8，小缺陷响应被削弱。
- 业务层：漏检代价高，但阈值仍按离线F1最优设定，未按召回率重调。
最终通过补充新批次样本、恢复FP16推理、按漏检代价重设阈值，漏检率回落至1.8%。这个案例说明：精度回归不是一次性的模型评估，而是数据、部署、业务口径的联合验证。
常见误区：把离线测试集精度当作现场精度；忽略数据漂移与设备换型；只关注模型结构而忽略推理环境一致性；评估指标与业务代价脱节。
理解工业AI的定义、模型类型、应用场景与精度来源，是后续开展精度回归与验证工作的基础。只有把精度问题放回“数据—特征—部署—环境—业务”的完整链路中，才能设计出真正有效的验证方案。