很多中级工程师刚接触工业AI，要么觉得这是神仙工具无所不能，要么觉得就是厂家圈钱的噱头。我在汽车零部件行业做了快十年的工艺算法落地，前前后后踩过的坑能堆一箩筐，今天就掏点真东西出来。
工业场景和互联网AI，根本不是一个逻辑
互联网AI玩的是大数据，千亿级的用户数据，错几个无所谓，只要大方向对就行。工业呢？你给我找一个千亿级的故障数据看看？
就说我前两年做的冲压线滑块故障预测，整条线运行18个月，才出了4次导致停线的重大故障。有效故障样本加起来不到100组。你拿互联网那套监督学习来训？直接过拟合到姥姥家。
还有延迟要求，工业现场的控制类算法，要求推理延迟必须低于10ms，你整个几十亿参数的大模型往边缘工控机一放，跑一次要半秒，生产线都停了你才出结果，有啥用？
更别说数据质量了，车间里电磁干扰、传感器沾油、临时停车的零值漂移，缺个三分之一数据都是常事。哪来互联网那种干干净净的标注好的数据集？
哦对，还有成本，工业项目的算法预算往往不到项目总造价的5%，你要上个云服务按调用收费，一年下来业主的运维成本直接翻三倍，谁受得了？
我踩过的三个致命算法选型坑
第一个坑，贪大求全，上来就上大模型。
刚做轴承剩余寿命预测那会，我跟风用了原生Transformer，参数堆了快一个亿，训出来的精度在测试集上好看得不得了，准确率98%。结果一部署到边缘端，跑一次推理要212ms，业主要求必须小于10ms，直接给打回来。那会离项目交付只剩一周，我连着熬了三个大夜，改成轻量图卷积+XGBoost级联结构，总参数不到两百万，推理压到2.8ms，精度还只掉了0.7%，刚好满足要求。真悬。
第二个坑，盯着纸面准确率，忘了误报漏报的成本差。
去年做车身焊缝缺陷检测，一开始我按照数据集的标准，把整体准确率拉到了99.2%，甲方检测的时候说，怎么漏了三个裂纹缺陷？漏一个焊缝裂纹，整车出问题，召回成本几十万。误检十个，顶多花五十块找人复检一下，成本差了十万八千里。后来我改了损失函数，把漏检的惩罚权重提高了12倍，整体准确率掉到了97.5%，但漏检率直接从1.2%降到了0.03%，完全满足GB/T 15825-2008的验收要求。工业AI的评价指标永远要绑业务成本，不是给你看纸面数字的。
第三个坑，不做数据清洗，直接喂模型。
新手最容易犯这个错。我刚入门那会也犯过，拿了传感器存的数据直接往模型里塞，测试集精度很好，上线第一天就报了八个假故障，尴尬得我想找地缝钻。工业现场的数据，什么幺蛾子都有，停电重启的全零段，传感器被挡了的饱和值，通讯掉线的空值，这些不提前剔除，模型就学一堆垃圾规律，不上线瞎报才怪。
不过话说回来，也不用过度清洗，保留一点合理的噪声反而能提高模型的泛化能力，这个度自己捏，对吧？
一线落地常用的工业AI算法组合
说实话，现在工业场景落地效果最好的，都不是什么特别新特别复杂的算法，都是老算法改一改，组合起来用，稳得很。
比如预测性维护，小样本故障场景，我现在都用迁移学习+半监督随机森林，把同型号不同生产线的正常数据和少量故障数据迁移过来，不用自己攒个三五年故障数据，项目一年就能落地，精度还能稳定在95%以上，符合ISO 13381-1:2015的预测性维护标准。
缺陷检测场景，现在绝大多数项目，我都用YOLOv8n结合传统Blob分析，参数量小，推理速度快，千元级的边缘网关就能跑，单张1920*1080的图像推理只要4ms，完全跟上30fps的工业相机帧率，对常见的裂纹、气孔、凹坑的识别率比纯传统算法高15个点，比大模型成本低90%。
工艺参数优化场景，比如注塑、焊接的参数调优，用深度强化学习比传统的响应面法、网格搜索快太多。我去年给一家家电外壳注塑厂做优化，原来工程师调一次参数要大半天，出10-20个废品才能摸出最优区间，用强化学习模型在数字孪生环境里试错十几次，就能把参数区间缩小到合格范围，上线后废品率直接降了12.3%，半年就收回了项目成本。
现在很多厂商把工业AI吹得玄乎，好像不上大模型就不算AI。其实工业的核心需求永远是降本、稳当、能落地。能在现有预算和硬件条件下解决问题的算法，就是好算法。别整那些花里胡哨的，好用比什么都重要。
