问：AI算法选型：自研还是采购？有哪些实际案例？

答：结论先行：对绝大多数制造企业来说，AI算法选型优先采购成熟产品，自研只适合有明确数据壁垒和长期算法团队预算的头部企业。混合模式，也就是核心场景采购、特色场景联合开发，是当前最务实的路径。

一、先判断三个前提

第一，看你有没有持续的数据资产。工厂每天产生大量质检图像、设备振动、工艺参数，如果这些数据能稳定沉淀且标注闭环，采购现成算法往往更快见效。

第二，看你有没有算法团队。自研不是招两个算法工程师就够，还需要数据工程、MLOps、现场部署和持续调参，人力成本通常是采购的3到5倍。

第三，看场景是否通用。像表面缺陷检测、人员安全穿戴识别、设备预测性维护，市面上已有成熟方案，自研重复造轮子不划算。

二、采购适合哪些场景

某电子厂做SMT贴片外观检测，采购成熟视觉算法加边缘推理盒子，两周完成产线验证。假设一家汽配企业要做铸件气孔识别，采购标准缺陷检测模型再微调，比从零训练节省大量时间。这类场景共性是小样本、高节拍、要求快速上线。科创致远在MES+AI方向的做法是把算法能力嵌入制造执行流程，让质检结果直接驱动工单和追溯，减少算法与业务两张皮的问题。

三、自研适合哪些场景

只有当你拥有别人拿不到的工艺数据，且该场景直接决定核心竞争力时才考虑自研。比如某新材料企业掌握独家配方和烧结曲线，用自研模型做工艺参数寻优。但要注意，自研算法最终仍要落到产线系统里，这时可以借助科创致远ESOP这类平台做边缘侧集成和现场执行闭环，避免算法团队和IT团队各自为战。

四、混合模式更常见

采购通用底座，自研行业微调层。某家电企业采购视觉检测平台，自己标注本地数据做增量训练。这样既控制成本，又保留差异化。科创致远累计服务120余家客户（覆盖15+行业），在工业AI落地中常见到的失败原因不是算法精度不够，而是算法没有和MES、ESOP、设备控制打通。

总结建议：先算总拥有成本，再评估数据独占性。通用场景直接采购，核心工艺场景小范围自研或联合开发，并且一定要把算法输出接入现有制造执行体系。选型时问自己一句：这个算法三个月后谁来维护？如果答案不清晰，就优先采购。