制造业做 AI，第一步最适合选什么场景

制造业第一个 AI 场景该做什么：为什么通常不是质检

一提制造业加 AI，第一反应几乎都是机器视觉质检。

这个方向本身没问题，它成熟、有大量成功案例、效果直观。但对大多数还没做过 AI 项目的工厂来说，把它当第一个项目，往往是错的。

这篇讲清楚三件事：为什么不建议从质检开始、第一个场景该按什么排序选、以及每类场景真实的门槛在哪。

---

为什么质检通常不适合当第一个项目

不是因为它难，是因为它的失败方式最贵、反馈最慢。

三个具体原因：

一、它需要的前置条件最硬。

视觉质检要稳定的光源、固定的机位、一致的产品姿态。这些不是软件问题，是产线改造问题。很多工厂做到一半发现真正的瓶颈在于产线不允许停机改造——而这件事在立项时通常没人算。

二、样本要求高，尤其是缺陷样本。

模型要认出缺陷，就要见过足够多的缺陷。而好工厂的缺陷率本来就低——质量越好的产线，越难攒出训练样本。这是个天然的矛盾，通常需要几个月的样本积累期。

三、错了的代价直接落在产品上。

漏检的次品流到客户手里，误检的良品被当废品。这两种错误都要真金白银承担，而第一个 AI 项目的团队通常还没建立起判断"什么时候该信它"的经验。

综合起来：质检是一个前置条件硬、周期长、容错低的场景。它适合做第二个、第三个项目，不适合做第一个。

---

第一个场景该按什么排序

用四个维度给候选场景打分，每项 1–3 分，满分 12：

维度	3 分	1 分
数据现成度	数据已在系统里，随时能导	要新装传感器或改产线
见效速度	4–8 周能看到结果	要半年样本积累
容错空间	答错了有人复核，不影响生产	直接控制设备或判定产品
重复频次	每天几十次以上	一周几次

总分 9 分以上的进候选，低于 7 分的第一轮不碰。

按这个标准打分，制造业里排在前面的通常是下面这几类——它们的共同点是数据已经在系统里躺着，不需要动产线。

---

通常排在前面的四类场景

一、设备维修知识辅助

场景：设备报故障码，老师傅知道怎么处理，新人要翻手册或打电话问。

为什么排前面：

维修手册、历史工单、处理记录都已经是文档，数据现成
答错了有人复核，不会直接停线
频次高，每天都在发生
老师傅退休的知识断层，是真实且紧迫的痛点

门槛在哪：手册是不是最新的、历史工单记录得规不规范。这是资料治理问题，不是技术问题。

二、生产排程辅助

场景：订单、产能、物料、交期，排产计划员每天在多个约束之间权衡。

为什么排前面：数据全在 ERP/MES 里，且排产结果有明确的评价标准（交期达成率、换型次数、设备利用率）。

门槛在哪：约束条件能不能写清楚。很多工厂的排产规则藏在计划员脑子里，第一步是把隐性规则显性化——这件事本身就有价值，哪怕最后不上系统。

三、工艺文件与标准查询

场景：一线要查工艺参数、作业标准、变更通知，现在靠翻纸质文件或问班组长。

为什么排前面：纯文档检索，风险可控，见效快。

门槛在哪：文件版本管理。如果车间墙上贴的和系统里存的不是同一版，先解决这个问题——这不是 AI 能解决的。

四、质量问题追溯分析

场景：出了批量质量问题，要回溯是哪个环节、哪批物料、哪台设备。

为什么排前面：注意这不是实时质检，是事后分析。数据是现成的生产记录，分析结果给人看、由人决策，容错空间大。

门槛在哪：生产数据的完整性和批次可追溯性。

---

一张表：常见场景的真实门槛

场景	数据现成度	见效周期	容错	主要门槛
设备维修知识辅助	高	4–8 周	高	手册时效性
生产排程辅助	高	8–12 周	中	隐性规则显性化
工艺文件查询	高	4–6 周	高	版本管理
质量追溯分析	中	8–12 周	高	批次可追溯性
视觉质检	低	3–6 个月	低	产线改造 + 缺陷样本
预测性维护	低	6 个月以上	中	传感器 + 故障历史
设备控制优化	低	6 个月以上	极低	安全边界 + 工艺验证

上面四行是通常的起点，下面三行是通常的第二阶段。

顺序不是绝对的——如果某家工厂的产线本来就有完整的视觉采集系统和多年的缺陷样本库，那质检就该排前面。判据永远是那四个维度的打分，不是场景本身的名字。

---

一个必须提前定的边界

制造业场景有一条比其他行业更硬的红线：

AI 不直接控制设备，人保留最终决定权。

排程建议可以给，但下不下达由计划员决定；工艺参数可以推荐，但改不改由工艺员确认。

理由不是不信任技术，是责任归属。产线出了事故，责任必须落到人身上——这是安全生产的基本要求，也是所有相关规范的共同前提。第一个项目就想跨过这条线，通常会在安全评审那一关卡住，而那时候钱已经花完了。

第二阶段可以逐步放开，但必须先建立起足够长的观察期数据：系统建议和人的决定重合率多高、不重合的时候谁对。这些数据积累够了，才有依据讨论放权。

---

怎么验收：制造业场景的四个指标

不管选哪个场景，验收都要落到可量化的数字上。一组可直接沿用的评测口径（来自开源框架 RAGAS，docs.ragas.io）：

指标	在制造业场景里意味着什么
上下文召回率	该查到的那份工艺文件/历史工单，有没有查到
上下文精确率	查出来的十条里，真正相关的有几条
答案忠实度	给出的参数，能不能在文件里找到原文依据
答案相关性	问的是 A 工序，答的是不是 A 工序

特别要盯"答案忠实度"。制造业场景里，模型编一个看起来合理的工艺参数，比答不上来危险得多。所以工程上必须要求：每个数值都给出处，找不到依据就明确拒答。

---

政策环境

2025 年 8 月国务院发布的《关于深入实施"人工智能+"行动的意见》（www.gov.cn），把制造业列为重点方向之一，在数据、算力、标准等方面部署了配套建设。

对具体一家工厂来说，这份文件的实际意义是降低了环境不确定性——配套在推进，方向是明确的。但它不替你回答"我们厂第一个该做什么"。那仍然是上面那张打分表的事。

---