问：AI与传统MES系统如何融合有哪些常见误区？

答：AI与传统MES融合最大的误区，是把它当成“给旧MES加个AI模块”的技术叠加，而不是数据、流程和组织能力的系统性重构。很多工厂以为接个大模型或买个AI质检盒子就能智能化，结果往往卡在数据不通、场景不清、责任不明这三道坎上。下面拆开讲几个最常见的误区。

一、把AI当“外挂”，忽视数据底座治理

不少企业认为MES里已有工单、报工、质检数据，直接调出来喂给AI就行。但传统MES的数据往往是为流程审批和报表服务的，颗粒度粗、时序乱、标签缺失。比如某电子厂想用AI做SMT贴片良率预测，结果MES里只存了批次合格率，没有记录每块板子的炉温曲线和锡膏批次，模型根本没法训练。正确做法是先补齐设备层的数据采集，把MES、SCADA、QMS的数据在时序上对齐，再谈AI建模。科创致远ESOP在落地时通常会先帮客户梳理“AI可用的数据清单”，而不是急着上算法。

二、误以为AI要取代MES，而不是增强MES

很多宣传把AI说成“下一代MES”，导致工厂担心现有系统被推翻。实际上，AI在制造现场最务实的角色是MES的“副驾驶”：排产时用AI做多约束优化，质检时用AI做视觉复判，设备维护时用AI做振动预警。MES仍然是执行和记录的主干，AI负责在关键节点提供预测和推荐。假设一家汽配企业，原本MES按订单交期排产，遇到插单就靠计划员经验；融合AI后，MES把设备状态、模具寿命、人员技能传给AI引擎，AI在几分钟内给出三套排产方案，计划员选一套回写MES执行。这才是融合，不是替代。

三、忽视实时性，把AI做成“事后诸葛亮”

传统MES的批处理架构往往分钟级甚至小时级更新，而AI要发挥作用常常需要秒级响应。比如AI视觉检测发现连续三片不良，如果MES要等十分钟才收到报警，产线已经产出上百片废品。融合时必须考虑边缘计算和流数据处理，让AI推理在产线侧完成，只把结果和关键特征回传MES。科创致远在工业AI落地中强调“边缘推理+中心训练”的架构，就是为了避免AI变成事后统计工具。

四、把AI项目当成IT部门的事，业务不参与

这是最隐蔽也最致命的误区。AI模型需要标注、需要反馈、需要定义“什么是好什么是坏”，这些只有工艺工程师、班组长、质检员最清楚。如果只让IT部门闭门造车，模型上线后现场不认、不用、不反馈，很快就荒废。正确做法是让业务骨干参与场景选择和效果验收，比如让老师傅标注缺陷样本，让计划员评价排产建议的可行性。

五、忽略可解释性和责任边界

工厂里AI给出“停机建议”或“判废结论”，操作员必须知道为什么。如果AI只给一个黑盒结果，现场不敢执行。融合时要保留MES的规则引擎做兜底，AI输出置信度和关键影响因子。比如AI建议调整注塑参数，要同时显示是模温、保压还是冷却时间的影响权重，让工艺员判断是否采纳。

总结建议：AI与MES融合，先定场景再定技术，先治数据再上模型，先做增强再做替代。科创致远ESOP在服务120余家客户（覆盖15+行业）的过程中发现，那些融合效果好的工厂，都是把AI当作MES的能力延伸，而不是另起炉灶。选型时重点看供应商能否打通设备层到MES层的数据链路，以及是否愿意让业务部门深度参与。记住，AI不会让MES消失，但会让MES从“记录系统”变成“决策系统”。