摘要：很多做工业AI的朋友都有个错觉，觉得算法越先进、参数越大就越好。本文整理了我五年来在汽车制造车间赶项目踩过的二十多个坑，给想做项目落地的中级工程师说点实在话，没有虚头巴脑的概念。
别拿互联网AI那套套工业场景
去年我在长三角一个主机厂的冲压车间驻场，赶一个钢板表面缺陷检测的项目。刚接过来的时候，上家团队留了个训练好的ResNet模型，实验室测试准确率98%，吹得神乎其神。结果上线第一天跑，直接拉胯到62%。
你猜问题出在哪？不是模型结构不对，是数据根本不对。
工业数据的脏，是没进过车间的算法工程师根本想象不到的。同一个划痕缺陷，今天模具磨了0.01毫米，形状就变了；白班夜班灯管老化程度不一样，图像的灰度差出30%；甚至同一个工人，早班和中班放料的位置偏1毫米，出来的训练样本就差了一截。上家团队的标注数据全是挑晴天白班拍的干净样本，根本没考虑现场的各种干扰。
工业AI算法第一步，永远是做数据去噪，不是调模型结构。我们后来花了一周，把攒的三千张样本拿K均值做了聚类，把离群点全扔了，还故意留了10%标注错误、光照不对的坏样本喂进去，让模型学抗干扰。改完之后准确率直接拉回96%，没换模型，只是做了数据清洗。
说实话，我现在见了那种上来就聊大模型、聊参数规模的算法专家就头疼。连车间温度变化对传感器数据的影响都没考虑过，能顶什么用？
最落地的工业AI算法，永远是“小而准”
前年我们做冲压机滑块磨损的预测性维护项目，一开始也想赶时髦，用Transformer做端到端训练。模型训出来，准确率确实不错，但是一放到车间的边缘工控机上跑，直接傻了。
那台工控机是五年前买的，主频才2.0GHz，内存4G，Transformer推理一次要12秒。我们要求的是每两秒采一次样实时监测，12秒根本满足不了要求。当时离项目交付只剩半个月，整个团队都愁得睡不着。
后来我们干脆推翻重来，不搞什么端到端了，老老实实做特征工程。先从振动传感器的原始信号里，提时域的均方根、峰值因子、峭度，再做FFT提频域的不同带通段能量，前前后后一共才提了17个人工特征。最后用轻量的XGBoost调参，你猜结果怎么样？
准确率比原来的Transformer还高2个点，推理一次只要80毫秒，工控机跑起来毫无压力。成本还省了，不用换工控机，省了十几万的硬件费用。
不过话说回来，不是说大模型完全没用。我们现在做冲压工艺参数优化的时候，确实会用大模型搜三十年的历史工艺数据，快速缩小参数搜索范围，帮工程师省时间。但是最后做实时推理的，还是小模型。
踩过的坑也要说清楚：别信那种“预训练大模型拿来就能用”的鬼话。工业场景里，哪怕是同型号的两台设备，安装间隙、润滑程度、使用强度都不一样，个体差异比人和猴子的差异都大。预训练只能做底座，一定要拿自己设备的几百个样本微调，别偷懒，偷懒最后坑的是自己。
工业AI算法的终极考核：能不能帮工厂省钱
我见过太多做工业AI的，陷入了唯准确率论，拼了命要把准确率从99.5%提到99.9%，完全不算帐。
还是之前那个缺陷检测项目，原来甲方要求必须做到99.9%的准确率，我们算了一笔帐：要做到这个准确率，得加三台高分辨率相机，再加两轮标注，多花八十万。漏检一个冲压钢板的成本才120块，一年下来最多漏检几十个，总损失才几千块。
最后我们跟甲方谈，把准确率降到99.5%，省下六十万的硬件预算，漏检的那部分放到最后一道人工复检补，一年才多花两万块人工成本，算下来五年能省将近两百万。甲方听完直接拍板同意，这不香吗？
工业AI算法的终极指标从来不是准确率，是投入产出比ROI。还有维护成本也要算，你搞个完全黑盒的大模型，现场工程师改个参数都要找原厂算法工程师，出差一次五千块，一年跑十次就是五万。我们现在做项目，都优先选半白盒的模型，能输出特征贡献度，现场工程师自己就能加新样本调模型，维护成本直接降九成。
有次上线半年后甲方改了模具型腔，原来的模型不适用了，原厂说要收十万块重新训练，我们自己拿原来的特征框架，加了一百个新样本重新训了XGBoost，花了一天时间，一分钱没花就搞定了。这就是落地的意义。
结尾
工业AI算法，从来不是实验室里摆着看的花瓶，是要放在车间里风吹日晒，帮工人少加班，帮老板多赚钱的工具。别迷恋参数大小，别蹭无意义的热点，沉到现场摸三天数据，算清楚每一笔帐，选对适合场景的算法，比什么都强。
