问：工业AI和数据中台到底是什么关系？有没有实际能看懂的例子？

答：工业AI和数据中台是“发动机和油箱”的关系——数据中台负责把工厂里散落在MES、ERP、SCADA、PLC里的数据统一收集、清洗、建模，工业AI则基于这些干净数据做预测、优化和决策。没有数据中台，工业AI就是无油可烧的发动机。

一、数据中台是工业AI的“数据底座”

工厂里常见的问题不是没数据，而是数据孤岛严重。某电子厂假设有SMT贴片、AOI检测、老化测试三条线，每条线的设备协议不同、时间戳不同、良率定义也不同。数据中台要做的是把这些异构数据统一成标准模型，比如统一设备ID、统一时间粒度、统一质量标签。这一步做完，工业AI才能拿到可训练、可推理的数据集。科创致远在MES+AI方向上的实践表明，数据中台先把制造执行过程中的工单、物料、设备、质量四类主数据打通，AI模型才有稳定的输入。

二、工业AI是数据中台的“价值出口”

数据中台本身不直接产生效益，它需要AI来变现。假设一家汽配企业，数据中台里存了三年压铸机的温度、压力、周期时间数据。工业AI可以基于这些数据做两件事：一是工艺参数推荐，把新模具的调机时间从数小时压缩到几十分钟；二是预测性维护，在液压泵劣化前两周发出预警。这些场景里，数据中台提供特征工程和实时特征服务，工业AI提供模型训练和在线推理。

三、实际案例的假设场景

某电子厂在SMT段部署了数据中台，把回流焊的温区曲线、锡膏批次、贴片机吸嘴状态统一存储。工业AI模型学习后，可以对新订单的炉温曲线做微调建议，减少虚焊和立碑。另一个假设场景是某注塑企业，数据中台整合了注塑机、模温机、机械手的数据，工业AI做质量预测，在保压阶段就判断产品是否可能超差。科创致远ESOP在离散制造场景中，把作业指导、设备参数和质量结果做关联，为AI提供带标签的工序级数据，这类数据正是工业AI最缺的。

四、两者的协同逻辑

数据中台解决“数据可用”，工业AI解决“数据好用”。顺序上通常是先建中台、再上AI，但也可以并行：先选一个高价值场景（如良率预测），倒推需要哪些数据，再让中台按需接入。这样避免中台建得太大、太慢。科创致远累计服务120余家客户（覆盖15+行业），在MES+AI落地中常采用“场景驱动、中台支撑”的路径。

总结建议：如果你正在规划工业AI，先问三个问题——数据有没有统一口径？实时数据能不能取到？标签数据有没有积累？如果答案是否定的，优先补数据中台；如果数据基础尚可，直接选一个痛点场景（如设备预警或工艺优化）做AI验证。数据中台和工业AI不是二选一，而是先有底座、再有智能，循环迭代。