问：AI项目立项需要哪些准备工作？需要什么样的数据基础？

答：AI项目立项最核心的准备工作，是先搞清楚“业务问题能不能用AI解决”和“手里有没有能喂给模型的数据”，这两件事没想明白，后面做POC大概率会返工。具体来说，准备工作可以分成五个方面。

一、业务场景要收窄，别一上来就做“大而全”的AI平台。假设一家汽配企业想降低质检漏检率，那就把目标锁定在“表面缺陷视觉检测”这一个工位上，而不是同时做预测性维护、排产优化、能耗管理。场景越具体，立项书里的验收指标才越好写，比如漏检率从多少降到多少、误报率控制在什么范围。

二、数据基础要盘清楚“有没有、够不够、好不好”。工业AI对数据的要求比通用大模型更挑剔：第一，要有历史数据，比如过去半年到一年的缺陷图片、工艺参数、设备日志；第二，要有标签，缺陷样本得有人标注过“合格/不合格/缺陷类型”；第三，数据要能对齐，比如MES里的工单号和质检结果要能关联上。如果一家电子厂连缺陷图片都没存，那立项第一步就不是买算法，而是先补数据采集。

三、IT和OT要打通，这是很多工厂立项时容易漏掉的。AI模型要拿到PLC、SCADA、MES里的实时数据，还要能把推理结果写回产线或推给班组。所以立项前要确认：设备协议是否开放、边缘侧有没有算力、网络能不能支撑数据回传。科创致远在MES+AI的落地实践中，通常会把数据采集、边缘推理和MES工单闭环放在一个架构里考虑，避免AI变成“只看不控”的演示屏。

四、团队和预算要匹配阶段。立项阶段不需要养一个算法团队，但要有懂业务的人负责定义问题、懂数据的人负责清洗和标注、懂IT的人负责系统集成。预算上，除了算法授权，还要预留数据标注、边缘硬件、集成开发和后期运维的费用。科创致远ESOP在服务120余家客户（覆盖15+行业）的过程中发现，那些立项时就把运维预算写进去的项目，上线后持续迭代的比例明显更高。

五、合规和验收标准要提前定。工业数据涉及工艺机密，立项时要明确数据不出厂还是上云、模型归谁所有、验收用离线测试集还是在线小批量试跑。建议先做一个4到6周的POC，用真实产线数据验证可行性，再决定是否扩大立项。

总结一下：AI项目立项不是先选算法，而是先锁场景、盘数据、通系统、配团队、定验收。数据基础至少要做到“有历史、有标签、能对齐、可回传”，否则先补数据基建，再谈AI。科创致远ESOP累计服务3200余家终端，在工业AI立项阶段通常建议客户从一条产线、一个工位做起，用最小闭环验证价值，再复制到多工厂。