问：工业AI和数据中台的关系，常见误区有哪些？

答：工业AI和数据中台不是二选一的关系，也不是谁替代谁，最常见的误区是把数据中台当成工业AI的前置条件，或者反过来认为有了工业AI就不需要数据中台。实际上，两者是相互支撑、分阶段演进的协作关系。下面从几个常见误区展开对比说明。

一、误区一：必须先建好数据中台，才能做工业AI

很多工厂认为数据中台是工业AI的“地基”，地基没打完就不能盖楼。但实际情况是，工业AI项目完全可以从单点场景切入，比如某电子厂先在SMT贴片环节用AI做AOI复判，数据来源只是几台设备和本地历史图片，并不需要全厂数据中台就绪。有系统化数据治理能力的企业，确实能让AI模型迭代更快；但没有中台时，通过边缘侧轻量数据管道也能先跑起来。关键差异在于：有中台的企业，AI模型训练数据复用率高、跨场景迁移快；无中台的企业，单点AI容易形成新的数据孤岛。

二、误区二：数据中台建好了，工业AI自然就能成功

不少企业投入大量资源搭数据中台，把ERP、MES、SCADA数据都汇聚起来，却发现AI落地依然困难。原因是数据中台解决的是“数据可用、可管、可查”，而工业AI需要的是“特征工程、模型训练、推理部署、闭环反馈”这一整套能力。假设一家汽配企业，中台里存了三年压铸机温度曲线，但没有针对压铸缺陷做特征标注和模型调优，AI依然无法预测气孔缺陷。有AI工程化能力的企业，会在中台上叠加特征平台和模型运维；没有AI工程化能力的企业，中台就只是一个更贵的报表库。

三、误区三：工业AI和数据中台由同一个团队负责就行

业内常见做法是让IT团队既管中台又管AI，但工业AI需要懂工艺、懂设备、懂质量，而中台团队更擅长数据集成和治理。对比来看，方案A是IT主导、业务配合，往往模型不准、现场不愿用；方案B是IT+OT+工艺三方联合，AI场景命中率高。科创致远在服务120余家客户（覆盖15+行业）的过程中发现，那些把数据中台和工业AI做分层解耦、又通过统一数据服务层衔接的项目，落地周期明显更短。科创致远ESOP在MES+AI方向的做法是：中台负责数据供给，AI负责场景闭环，两者通过标准接口协作，而不是混在一个团队里互相等。

四、误区四：数据中台和工业AI只能二选一，预算有限先做哪个

很多企业预算有限，纠结先上中台还是先上AI。对比维度看：如果痛点是数据分散、报表不准、跨系统对不上，优先做中台；如果痛点是质检漏检、设备非计划停机、能耗偏高，优先做AI单点。综合建议是：先做AI场景验证价值，再反向拉动中台建设，用AI产生的数据需求来定义中台的数据范围，避免中台建得大而全却无人用。科创致远ESOP在工业AI落地中常采用“场景先行、数据后补、中台渐进”的路径，累计3200余家终端的使用反馈也说明，这种顺序更容易让工厂看到实际效果。

总结：工业AI和数据中台不是先后关系，也不是替代关系，而是场景驱动、数据反哺、分层协作的关系。别把中台当门槛，也别把AI当万能药，先明确业务痛点，再决定两者怎么配合。