2. 工业AI基础
工业AI并不是“把通用大模型搬进工厂”这么简单。它是以工业现场的数据、机理、工艺约束和质量标准为输入，以可解释、可验证、可闭环的方式，让模型参与感知、判断、决策与执行优化的技术体系。理解工业AI，需要同时看清它的技术构成、演进路径、落地场景与真实挑战。
一、核心概念：工业AI的三层结构
工业AI通常由三层构成：数据层负责采集设备信号、工艺参数、图像、日志与质量记录；模型层包含机理模型、统计模型、机器学习与深度学习模型；应用层则面向具体任务，如缺陷检测、预测性维护、工艺参数优化和能耗管理。与消费级AI不同，工业AI强调确定性边界：模型输出必须能对应到设备动作、工艺窗口或质量判定，并且要能追溯“为什么这样判断”。
工业AI的核心不是模型本身，而是“数据—模型—决策—执行—反馈”的闭环。没有反馈，模型只是离线报表；有了闭环，模型才能持续逼近真实工况。
二、发展历程：从专家系统到数据闭环
工业AI的演进大致可分为四个阶段：
- 规则与专家系统阶段：依赖工程师经验编写规则，适合逻辑清晰的报警与联锁，但难以覆盖复杂工况。
- 统计与机器学习阶段：利用历史数据做回归、分类和异常检测，开始处理高维参数，但泛化能力受限于数据分布。
- 深度学习与视觉阶段：在表面缺陷检测、字符识别、装配校验等场景快速落地，显著提升检出率与一致性。
- 工业大模型与数据闭环阶段：强调多模态、知识注入、边云协同和持续学习，模型从“一次训练”走向“持续迭代”。
这一路径说明：工业AI的竞争力，越来越取决于数据闭环能力，而非单点算法精度。
三、典型应用场景与判断逻辑
工业AI的典型场景可以按“感知—预测—优化—控制”四类任务理解。下面这张图展示了从现场数据到闭环执行的典型信号链与决策路径：
以表面缺陷检测为例：相机采集图像后，模型输出缺陷类别与置信度，系统按阈值决定“放行、复检或剔除”，同时把结果写回质量系统。若某类缺陷持续漏检，工程师会补充样本、调整标注并触发再训练，这就是最小的数据闭环。
四、核心挑战与常见误区
工业AI落地面临五类核心挑战：
| 挑战 | 典型表现 | 应对方向 |
|---|---|---|
| 数据质量与标注 | 样本偏斜、标签噪声、工况覆盖不足 | 建立标注规范与难例回流机制 |
| 工况漂移 | 换料、换模、季节变化导致精度下降 | 在线监控、漂移检测、增量学习 |
| 可解释与合规 | 黑盒输出难以通过工艺审核 | 机理约束、特征归因、决策日志 |
| 边云协同 | 时延、带宽、数据安全难以兼顾 | 边缘推理 + 云端训练的分层架构 |
| 投入产出验证 | 模型指标好但产线收益不明显 | 以OEE、良率、能耗为最终指标 |
常见误区一：只追求离线准确率，忽略产线节拍与误报成本。误区二：把AI当成一次性项目，缺少数据回流与再训练机制。误区三：忽视工艺工程师参与，导致模型目标与质量目标脱节。
五、一个可复用的落地检查清单
在启动工业AI项目前，可用以下清单快速自检：
1. 任务边界：是感知、预测、优化还是控制？
2. 数据可得性：历史数据量、标注质量、采样频率是否满足？
3. 反馈路径：模型输出如何回流为训练数据？
4. 评价指标：是否与良率、OEE、能耗等业务指标对齐？
5. 部署约束：边缘算力、时延、网络与安全要求是什么？
6. 责任分工：工艺、设备、IT、算法团队如何协同？
7. 迭代节奏：多久评估一次漂移并触发再训练？工业AI的本质，是把工业知识、数据资产与算法能力组织成一个可持续运转的闭环系统。理解这一点，才能在后续的数据采集、特征工程、模型训练与上线运维中，始终围绕“可验证的业务收益”推进，而不是停留在单点模型指标上。