让我从从业者的角度出发认真梳理一下这几年在工业AI落地现场看到的真实情况。这篇文章我会把重点放在“跑起来”的判断标准、场景选择尤其是服装检测、单机与云端的架构之争以及模型选型这些被反复问到的问题上。1. 行业里说的“工业AI跑起来”到底指什么1.1 一个被反复追问的问题2026年还在纠结“工业AI到底有多少真的跑起来了”本身就说明一个问题这行业离“全面开花”还有距离。过去几年我们听了太多概念智能制造、数字孪生、工业大模型、AI质检……发布会上都很美但真去产线转一圈你会发现大量项目依然停在“Demo能跑、产线不敢用”的阶段。我说的“跑起来”标准其实很朴素产线工人愿意把它当成日常工具而不是一个需要伺候的“展品”良率、效率、成本某一方面有可量化的改善不是“有了AI所以显得先进”现场出问题后能在合理时间内被定位、修复而不是等厂家远程支持三天。用这个标准去衡量当前真实落地的工业AI项目我估计不超过行业宣传口径的三成。剩下七成里一半死在数据准备阶段另一半死在“模型在实验室很准一上线就崩”。这跟算法能力关系不大更多是工程化、场景理解的问题。1.2 工业AI跟消费级AI完全是两个物种很多人拿ChatGPT、拿手机相册里的AI识别来想象工业AI这是最大的误区。消费级AI错了就错了顶多推荐不准、识别不出猫用户笑一笑就过去了。工业AI错一次可能就是一批产品返工、一条产线停线、一个客户索赔。所以工业AI的第一要求从来不是“精度最高”而是稳定、可预期、可解释。我自己在项目里有个口头禅工业AI是“戴着镣铐跳舞”。镣铐包括算力不能随便加产线工控机就那么大点地方节拍不能拖一件产品过检的时间是固定的你算法再牛也不能让人家等误报不能太多否则工人直接把你系统屏蔽了不能动不动就“学习一下”模型迭代要可控要能回滚。理解了这个大前提我们再聊技术方案才有意义。否则你推一个再先进的模型到现场也只是一堆跑不起来的代码。2. 为什么视觉检测是第一个真正落地的赛道2.1 视觉检测的“经验主义”老底子工业AI里最先跑起来的、跑出规模的几乎都是视觉检测。原因不复杂——这个场景的“老师傅经验”最成熟AI只是把老师傅的眼睛和判断经验变成了自动化系统。传统质检本来就是靠人眼完成的服装厂有专门“看衫”的阿姨电子厂有“盯PCB”的QC钢板上有没有麻点、布面上有没有色差这些经验极度依赖人的状态——疲劳了、心情不好、晚上加班检出率就往下掉。工厂早就想自动化但传统机器视觉搞不定“模糊”和“复杂纹理”的问题。传统视觉算法OpenCV那一套擅长的是“规则明确”的活儿量尺寸、找边、比对模板。但布料褶皱、印花瑕疵、缝线歪斜这类问题没法写死规则过去只能靠人。深度学习模型擅长处理“说不清道不明但一看就知道有问题”的场景正好补上了这块空白。所以AI视觉检测的落地逻辑不是“前沿技术找应用”而是“老场景的老痛点终于有了新解法”。这也是它能跑起来的最重要原因——需求是真实且迫切的。2.2 以服装检测为例拆开看行业的真实需求服装检测这两年热度非常高但很多人不理解为什么它比电子行业还难做。电子行业的PCB检测零件位置是固定的、光照是可控的问题种类也相对明确——少件、偏移、虚焊。服装完全不是这样材料是柔性的同一件衣服摆个角度不同褶皱纹理会变形状是变形的拉一拉、扯一扯图案就扭曲了瑕疵定义是主观的什么算“可接受的褶皱”、什么算“严重色差”每个品牌、每单客户的标准都不一样背景复杂度高印花、绣花、纹理本身就很像“缺陷”很容易误报。我之前跟一家做外贸服装代工的企业聊过他们一条产线上要能识别几十种瑕疵类型——断纱、跳针、油污、色差、破洞、线头残留、印花错位……这些瑕疵里有些需要用高倍率镜头特写才能看到有些在整体图里才能判断违和感。这就带出一个关键认知服装检测不是一个“模型”能搞定的它是一个系统。采集相机怎么架、光源怎么打、触发信号怎么接、缺陷怎么分类定义、标准怎么跟客户对齐……这些工程问题的复杂度远超算法本身。3. 单机部署还是云端部署先回答“谁来买单”3.1 云联网方案的真实成本你问到的“云联网还是单机AI”这是每次需求沟通必聊的问题而且我发现大家有个普遍误解上云先进单机落后。先说云方案。服装厂的云检测逻辑上很有吸引力算力弹、模型统一更新、数据集中管理、随时能出报告。听起来很完美。但一旦进产线坑就来了延迟问题产线节拍按秒算工业相机拍一张图你传上去再等推理结果往往几百毫秒到一两秒就没了产线等不起。5G、专网能缓解但那是额外成本网络稳定性单机断网只是“这个模型不更新了”云方案一断网整条产线直接停摆。工厂的网络环境可不像写字楼车间里金属多、屏蔽强、布线乱实际丢包率远超预期数据安全服装代工厂最敏感的是什么款式。国际品牌的设计图纸、样品照片那是商业机密。让这些图出工厂哪怕只是传到云上做推理客户那边都不会同意长期费用云资源是按月付费的算一下三年的开销往往够买好几台好工控机了。所以我很少给产线实时检测类项目推荐纯云架构。云的价值在“离线分析”和“跨厂管理”不在“实时检测”。3.2 单机边缘方案的爽点和痛点产线上真正跑起来的检测系统绝大多数是“边缘盒子本地推理”形态一台工控机或专用边缘设备插上GPU或者NPU卡旁边挂着工业相机和光源本地跑模型结果直接联动PLC或人工工位屏幕。这种方案优点很直接延迟低百毫秒级出结果完全跟得上产线速度不依赖外网断网不影响生产数据不出厂客户的商业机密问题解决了账算得清一次性硬件投入没有长期订阅压力。但它的痛点同样明显模型更新麻烦每次迭代都要人跑现场去升级不能像云那样一键推送硬件有上限本地算力固定你想上一个更大的模型可能就得换卡甚至换机器运维靠人边缘设备一旦出故障厂里IT不懂只能等你去救火。3.3 我的建议先算整体成本再站队我见过最极端的一个案例某服装厂一开始坚持上云因为觉得“以后产能扩张云端扩算力方便”。结果上了产线两周就撤了原因是车间网络根本撑不住每天要靠人工补录漏检。后来老老实实上了边缘方案又发现模型迭代跟不上新品上线速度质检标准一变就得约工程师上门。最后他们找到的折中方案是这么做的产线端放一台高性能工控机跑轻量化模型保证实时检测每天下班后把当天新采集的“难例图片”回传到办公室的服务器局域网不出厂离线训练增量模型模型训练好后人工审核通过再通过局域网推送到产线工控机。这个架构既不违背数据安全又解决了模型迭代和算力扩展的问题。我建议有类似需求的朋友直接按这个思路去做实时走边缘训练走集中数据留在本地。4. 选什么样的模型才够用4.1 主干模型选型不是越大的模型越准关于“用的什么大模型”这是另一个高频问题。很多不懂技术的老板上来就问“能不能用GPT-4o那种大模型做检测”每次听到这种问题我都想扶额。工业视觉检测的模型选择核心原则是够用、够快、够稳而不是“能力最强”。目前产线上主流的选择是这几类YOLO系列v8/v11等目标检测的老牌选手检测框的活哪里破了、哪块污了非常好使推理快对边缘设备友好ResNet/EfficientNet等分类网络做“这块布有没有毛病”这种整体判断简单直接数据集好构建分割模型如U-Net、DeepLabV3当你要像素级定位瑕疵比如精确标出破洞面积、污渍范围时用精度高但速度慢、标注成本高Anomaly Detection异常检测系列比如PatchCore、PaDiM这类只用“良品”数据训练就能检测异常适合“坏品形态千奇百怪”但你拿不到多少坏品样本的场景。真正的大模型几十亿参数级别的通用视觉模型在工业场景里反而不吃香。原因很简单产线GPU跑不动或者说跑得动但节拍不允许。一件衣服0.5秒过检大模型推理可能要一两秒光这一条就出局了。大模型对“小样本”的泛化能力强是优势但工业现场更看重可控性你要能解释“为什么判这件为次品”而大模型的决策过程很难追踪。4.2 小样本、快速迭代与标注治理工业项目中数据量永远是不足的。一个新款衣服上市留给你的数据采集时间往往只有几天。这时候就特别考验“数据效率”。我常用的做法是组合拳先拿几十张良品图用无监督异常检测模型快速跑通流程给出第一版“能用但不完美”的基线再靠现场收集的误报样本和漏检样本慢慢补标注迭代出更准的模型每个版本模型上线前一定要做“回归测试”——拿以前所有容易出错的老样本重新过一遍确认不会有“修了东墙塌了西墙”的情况。标注这块是最容易被忽视的坑。统计一下时间你会发现一个项目真正花在标注上的时间远超调模型的时间。所以我会建议不要一上来就精标先用粗标签把主流程跑通再慢慢细标。同时标注工具要选带辅助功能半自动标注、跟踪的能节省大量人力。4.3 传统算法与深度学习的结合点成熟的工业视觉项目里很少是“纯深度学习”单打独斗的。我跟团队做系统设计时一直坚持“传统算法打底、深度学习做判断”的思路。比如服装检测中先通过传统图像处理做定位——把衣服区域从背景里抠出来校正角度和形变再用深度学习模型对校正后的区域做瑕疵判断。这样做的理由深度学习对位置波动和形变敏感而传统算法在“几何校正”这件事上又稳又快很多“伪缺陷”——比如背景褶皱、反光点——可以通过传统算法先过滤掉大幅降低深度学习模型的误报压力最终方案好解释客户问“你凭什么说这个有问题”你能告诉他模型关注的具体区域和特征。5. 实操记录把模型真正放进产线5.1 现场采集与数据清洗最容易翻车的环节仿真实验做得再好一到现场你就会发现真实产线的数据“脏”得超乎想象。我看过很多团队的数据集全是实验室里精心摆拍的产品图——光照均匀、背景干净、角度标准。结果一上线现实是阳光从左边窗户射进来、传送带上有灰尘、相机因为震动偶尔模糊。模型当场失灵。我的经验是数据必须来自真实产线环境哪怕初期量少也要“脏”要涵盖不同灯光条件、不同摆放角度、不同工人操作习惯采集时把所有异常记录都留着——模糊、过曝、遮挡、异物入镜——这些都要作为模型训练的一部分因为它们就是现场的真实情况脏数据不是扔掉的而是需要分类哪些是“真实缺陷”、哪些是“环境干扰”、哪些是“相机故障”。分类清楚后面模型才能学会区分“真问题”和“假警报”。5.2 质检规则的建立逻辑工业AI落地最花精力、最容易扯皮的部分其实是“规则”。哪个瑕疵算致命哪个算可修复哪个算接受范围这些规则往往不是技术问题而是商务、生产和客户之间的博弈结果。我做过一个童装检测项目。客户说“只要有一根线头就算次品”结果第一天系统上线良品率只有30%——因为针织衫的布面上到处都是细小的浮线。后来跟客户业务侧反复对齐建立了分级的质检规则致命级破洞、污渍、印花严重错位直接判次品重要级跳针、断纱需要返修系统标记出来给工人看轻微级极细线头、轻微褶皱可接受放行。在系统里这种分级通过调节每个缺陷类别对应的置信度阈值来实现。我一直强调AI检测系统的“上线前检查清单”里必须有“与客户确认缺陷分级标准”这一项。这个环节做扎实了后面上线才会顺畅否则系统准确率再高商务上也是过不了的。5.3 误报率与漏检率的平衡在产线上永远存在一对矛盾误报率高工人骂娘漏检率高客户索赔。而这两者此消彼长你需要主动做选择。我一般用召回率和精确率两个指标来说明这个平衡。有一个服装项目初期模型“召回率”95%听起来不错但“精确率”只有70%——也就是说每100个报警里30个是误报。工人最后直接把系统关了说“AI尽瞎说”。后来我们把阈值调高精确率提到了90%以上代价是召回率掉到了85%。系统安静了很多工人愿意用起来了整体效益反而更高。原因是漏检率低到一定程度后厂家可以通过后期的人工复检来cover但误报率太高会系统性地破坏工人对AI的信任。所以上线初期宁可“漏”不可“误”先把系统用起来再通过迭代提升召回率。6. 常见问题与排查技巧实录6.1 产线速度跟不上 / 检测超时这是现场最常见的报障。排查顺序先看相机采集端——是不是触发信号没接好导致拍照延迟再看推理时间——模型在目标设备上的实际推理耗时是多少如果超出节拍就要考虑替换轻量级模型、开启TensorRT或ONNX加速最后看通信链路——结果传送到PLC或者显示终端的网络有没有瓶颈。一个小技巧部署前先做“压测”——用模拟信号连续触发几百张图测系统长时间运行的稳定性。很多现场问题都能提前暴露出来。6.2 白天晚上“看”的不一样产线光照变化是检测系统稳定性的最大威胁。工厂的窗户、屋顶透光、甚至人员走动的阴影都会让图像亮度发生波动。解决办法物理上尽量构建封闭的检测环境——加遮光罩、用恒定光源最好是频闪光源配合相机外触发同步这是治本算法上做图像归一化——亮度均衡、对比度拉伸、直方图规范化让模型对光强不敏感训练阶段加入“数据增强”——随机调亮度、对比度、加噪声让模型学会应对光照波动。如果项目预算允许一定要坚持“物理环境优先”原则不要让算法去扛所有不确定性。6.3 售后与迭代谁来管模型很多工厂老板以为买了一套AI检测系统就像买了个冰箱插上电就不用管了。这是最大的误解。工业场景的产品在变、工艺在变、质量标准也在变模型必须持续迭代。我见过运营得最好的一个工厂客户他们内部成立了一个“AI工艺小组”两个人一个懂产线工艺、一个懂基本的AI标注。我们负责提供模型训练平台和迭代指导他们负责采集数据、上传、跑训练、验证后上线。这样一来模型迭代周期从“等工程师上门两周”变成了“厂内半天搞定”。这个经验很值得借鉴——任何工业AI项目一定要把“可持续迭代”写进交付范围并且要培养客户的内部管理员否则项目上线就是你噩梦的开始。最后再说个细节每次现场升级模型一定要保留上一版。我通常建议至少保留3个历史版本并记录每版对应的产品批次和标准版本。一旦新模型在某种面料上表现异常能立刻回滚而不是在产线边上当场改网络参数。这些小习惯才是工业AI能在现场“跑得久”的真正秘诀。