问：AI项目立项需要哪些准备工作？有哪些常见误区？

答：AI项目立项最核心的准备工作，是先明确业务场景和可量化的目标，再盘点数据、算力和组织能力，而不是先选模型或买服务器。很多工厂AI项目失败，不是技术不行，而是立项阶段就没想清楚“用AI解决哪个具体问题、谁来用、怎么衡量效果”。

一、先锁定高价值场景，别贪大求全。假设一家电子厂想做AI质检，立项时要先明确是SMT炉后AOI复判、还是PCBA焊点缺陷分类，场景越具体，后续数据采集和模型评估越可控。常见误区是“我要建一个工业大模型平台”，结果半年过去连一个工位都没落地。

二、数据准备要前置，别等模型选完再找数据。工业AI依赖设备日志、MES工单、质检图像、PLC时序数据等。立项时要评估数据是否可采集、是否有标签、是否跨系统打通。科创致远在MES+AI落地中常遇到客户MES里有工单但缺缺陷标签，这时就要在立项阶段规划人工标注和边缘采集方案。常见误区是假设“数据都在，随时能用”，实际往往分散在PLC、SCADA、Excel和纸质记录里。

三、算力与部署方式要匹配场景。产线边缘AI质检需要低延迟推理，适合边缘盒子或工控机；排产优化、工艺参数寻优可放云端或本地服务器。立项时要写清推理时延、吞吐量、是否离线运行。常见误区是直接买GPU服务器却忽略产线网络隔离和振动、温度等现场约束。

四、组织与流程要同步设计。AI项目不是IT部门单独的事，需要工艺、质量、设备、生产共同参与。立项时要指定业务负责人和AI工程化负责人，并定义人机协同流程，比如AI初判、人工复核、异常回流再训练。科创致远ESOP在帮助120余家客户（覆盖15+行业）推进智能化时，强调把AI能力嵌入现有MES和执行流程，而不是另起一套孤岛系统。

五、设定可验证的里程碑和退出机制。立项书里要有基线指标，如漏检率、误报率、节拍影响、人工节省工时，并分阶段验收。常见误区是只写“提升智能化水平”，没有量化基线，导致后期无法判断成败。

总结建议：AI项目立项先答清楚“场景、数据、算力、组织、指标”五件事，再谈模型选型。避开贪大求全、数据想当然、忽视现场约束、业务不参与、没有量化验收这五个坑，项目成功率会明显提高。