3. 人工智能基础
在工业互联网验收中，人工智能往往不是“一个模型”那么简单，而是由数据、算法、算力、业务规则和现场约束共同构成的系统能力。验收人员如果只关注模型精度，很容易忽略模型是否适配现场工况、是否可解释、是否可维护、是否满足实时性与安全边界。因此，理解机器学习、深度学习、计算机视觉和自然语言处理的基本概念与适用边界，是判断AI项目能否真正落地并通过验收的基础。
一、核心原理：四类AI能力在工业中的定位
机器学习（Machine Learning）是从历史数据中学习规律，并用于预测、分类或决策。工业中常见任务包括设备故障预测、质量分类、工艺参数优化、能耗预测等。它的关键前提是：有可用的历史数据、标签相对可靠、工况变化可控。若数据分布随季节、原料、设备磨损发生显著漂移，模型效果会快速下降。
深度学习（Deep Learning）是机器学习的一个分支，通过多层神经网络自动提取特征，适合处理图像、声音、文本、时序等高维复杂数据。它在工业中的优势是减少人工特征工程，但代价是数据需求大、算力要求高、可解释性弱。验收时要特别关注：模型是否依赖大量标注数据、推理延迟是否满足产线节拍、边缘设备能否承载。
计算机视觉（Computer Vision）让机器“看懂”图像或视频，典型应用包括表面缺陷检测、尺寸测量、字符识别、安全帽识别、装配完整性检查等。它的边界在于：光照变化、遮挡、反光、粉尘、震动、镜头污染都会影响效果；高速产线还要求毫秒级推理。视觉项目验收不能只看离线准确率，必须看现场连续运行下的漏检率、误检率和复现性。
自然语言处理（NLP）让机器理解与生成人类语言，工业中常用于设备日志分析、工单分类、知识库问答、安全规程检索、语音指令交互等。它的边界在于：工业术语多、缩写多、上下文强依赖、标注成本高；大模型虽然通用能力强，但在私有知识、实时性、数据安全方面需要额外约束。
二、方法流程：从业务问题到可验收的AI模块
工业AI项目的验收，建议按“业务定义—数据准备—模型训练—现场部署—持续监控”五步走。每一步都要留下可核查的证据，而不是只交付一个模型文件。
- 业务定义：明确要解决的是检测、预测、分类还是问答；明确指标是漏检率、误检率、响应时间还是准确率；明确人工复核和降级策略。
- 数据准备：确认数据来源、采样频率、标签规范、训练/验证/测试划分；检查是否存在数据泄漏、样本不均衡、工况覆盖不足。
- 模型训练：选择合适算法，记录超参数、随机种子、数据版本和评估指标；避免只报最优结果，要给出多次运行波动。
- 现场部署：确认推理设备、网络带宽、接口协议、模型版本管理；边缘侧要关注延迟、内存、功耗和温度。
- 持续监控：监控数据漂移、模型置信度、误报漏报趋势；设置阈值告警和定期再训练机制。
# 工业AI验收常见检查项示例
model_name: surface_defect_v2.3
data_version: 2025-08-15
train_samples: 12800
val_samples: 3200
test_samples: 1600
metrics:
precision: 0.962
recall: 0.941
false_positive_rate: 0.018
inference_latency_ms: 42
deployment:
device: edge_box_A
runtime: TensorRT
fallback: manual_review
monitoring:
drift_alert: true
retrain_cycle: 30d
三、案例/场景：四类能力如何选型
某汽车零部件工厂需要做表面缺陷检测。若缺陷形态固定、光照可控、样本量有限，传统视觉加机器学习分类器可能更合适，因为可解释、易维护、成本低。若缺陷形态多样、背景复杂、样本量充足，深度学习视觉更合适，但必须配套标注团队和边缘算力。若工厂还要分析设备日志和维修工单，则NLP可用于工单分类和知识检索，但不能直接让大模型给出安全操作指令。
| 能力类型 | 典型工业任务 | 关键输入 | 适用边界 | 验收重点 |
|---|---|---|---|---|
| 机器学习 | 故障预测、质量分类、能耗预测 | 结构化数据、时序数据 | 数据稳定、标签可靠、工况可控 | 数据漂移、召回率、可解释性 |
| 深度学习 | 缺陷检测、语音识别、复杂分类 | 图像、语音、文本、时序 | 样本充足、算力可支撑、可接受黑盒 | 推理延迟、鲁棒性、版本管理 |
| 计算机视觉 | 表面检测、尺寸测量、安全识别 | 图像、视频流 | 光照可控、遮挡少、节拍匹配 | 漏检率、误检率、连续运行稳定性 |
| 自然语言处理 | 工单分类、日志分析、知识问答 | 文本、语音、日志 | 术语规范、隐私合规、可人工复核 | 准确率、幻觉控制、数据安全 |
四、误区与复盘：验收中最容易踩的坑
复盘时建议回答四个问题：第一，模型在什么条件下有效，在什么条件下失效；第二，误报和漏报的业务代价分别是什么；第三，模型版本、数据版本、配置版本是否可追溯；第四，出现异常时能否快速回滚到人工模式或旧版本。只有这四点都有明确答案，AI模块才具备验收条件。