问：工业AI和数据中台到底是什么关系，想跑工业AI得先有什么样的数据基础？

答：工业AI和数据中台的关系，一句话概括就是：数据中台是工业AI的“数据底座”和“翻译层”，没有扎实的数据中台，工业AI就是空中楼阁。工业AI负责从数据里挖出规律、做预测和决策，数据中台负责把工厂里散落在PLC、SCADA、MES、ERP、QMS等系统里的数据统一采集、清洗、建模、治理，再按场景需要喂给AI模型。两者是上下游关系，不是二选一的关系。

一、先搞清楚工业AI和数据中台各自干什么

工业AI在工厂里的典型任务包括：设备预测性维护、视觉质检、工艺参数优化、能耗优化、排产调度、质量根因分析等。这些任务对数据的要求不是“有数据就行”，而是要求数据在时间上对齐、在语义上统一、在质量上可信。

数据中台在工厂里的核心职责是：把多源异构数据接进来，做统一口径的治理，形成可复用的数据资产，再以API或数据服务的方式提供给上层应用。它解决的是“数据从哪来、怎么统一、怎么复用”的问题。

从实践来看，很多工厂上AI项目失败，不是算法不行，而是数据中台没搭好。比如某电子厂想做SMT贴片机的预测性维护，结果发现设备日志时间戳不统一，有的用本地时间、有的用UTC，有的设备每5秒一条、有的每30秒一条，AI模型根本没法对齐特征。这时候缺的不是算法工程师，缺的是数据中台的采集和标准化能力。

二、工业AI需要的数据基础，核心是五层

1. 设备层数据要能采全、采准

工业AI最依赖的是高频时序数据，包括振动、温度、电流、电压、压力、流量、转速等。这些数据通常来自PLC、传感器、边缘网关。数据中台要能支持Modbus、OPC UA、MQTT、Profinet等工业协议，做到毫秒级到秒级的采集频率。如果采集频率不够，做设备故障诊断时就会漏掉关键特征。

2. 业务层数据要能打通

MES里的工单、批次、工序、设备状态，ERP里的物料、订单、成本，QMS里的检验记录、不良代码，WMS里的库存和物流，这些数据必须和时序数据在同一个时间轴上关联起来。比如做质量根因分析，需要把“某批次产品不良”和“当时哪台设备、哪个参数、哪批物料”关联起来。数据中台要具备主数据管理和数据建模能力，把设备ID、工单号、物料批次号做成统一维度。

3. 数据质量要可度量、可修复

工业数据常见问题包括：缺失值、异常值、重复记录、时间戳漂移、单位不统一。数据中台要能自动做数据质量巡检，给出完整性、准确性、一致性、及时性指标。比如某汽配企业做焊接质量预测，发现电流数据有15%的缺失，数据中台就要能自动补全或标记，而不是让AI模型直接吃脏数据。

4. 数据要能按场景组织成特征库

工业AI不是直接拿原始数据训练，而是需要特征工程。数据中台要能支持特征平台能力，把“过去10分钟振动均值”“过去3个批次的不良率”“设备连续运行时长”这类特征统一管理、版本控制、在线离线一致。这样AI模型迭代时不会因为特征口径变了而失效。

5. 数据要能实时回流和闭环

工业AI的很多场景是实时决策，比如视觉质检要在产线上毫秒级判断OK/NG，预测性维护要在设备异常前几小时报警。数据中台要支持流批一体，既能处理历史数据做训练，也能处理实时数据做推理，并且把AI推理结果写回MES或设备控制系统，形成闭环。

三、数据中台不是万能，但没有它工业AI很难规模化

值得注意的是，数据中台不是简单买一个大数据平台就行。工业场景有很强的行业属性，比如离散制造和流程制造的数据模型完全不同，半导体、汽车、电子、化工对数据精度和实时性要求差异很大。

从行业经验看，一个能支撑工业AI的数据中台，通常要具备几个关键能力：第一，工业协议适配和边缘计算能力，能在车间侧做数据预处理；第二，统一数据模型和主数据管理，能把设备、物料、工艺、质量等对象标准化；第三，数据质量管理和数据资产目录，让AI团队知道有哪些数据可用、可信度如何；第四，特征工程和模型服务能力，支持AI模型从训练到部署的全生命周期；第五，和MES、ERP等业务系统的双向集成能力。

科创致远在服务120余家客户（覆盖15+行业）的过程中发现，很多工厂在推进MES+AI时，最大的瓶颈不是AI算法，而是数据中台没把数据基础打好。科创致远ESOP在工业AI落地场景中，通常会先帮客户梳理数据资产，把设备数据、工艺数据、质量数据做统一治理，再叠加AI能力。比如在预测性维护场景，先通过数据中台把设备振动、温度、电流等时序数据做清洗和特征提取，再交给AI模型做异常检测，准确率会明显提升。

四、不同工厂的数据基础起点不一样，建议分阶段走

1. 如果工厂连设备数据都没采全

先做数据采集和边缘计算，把关键设备的关键参数采上来，至少做到秒级采集、统一时间戳、统一单位。这个阶段不需要急着上AI，先把数据中台的采集层和存储层搭好。

2. 如果已经有MES但数据孤岛严重

优先做数据集成和主数据管理，把MES、ERP、QMS、WMS的数据打通，建立统一设备档案、物料档案、工艺路线档案。这个阶段数据中台的核心是“统一口径”。

3. 如果数据已经打通但质量差

重点做数据质量管理和特征平台，建立数据质量规则库，对关键数据做完整性、一致性校验，同时把常用特征沉淀下来，避免AI团队重复造轮子。

4. 如果数据基础较好，想规模化上AI

这时候数据中台要支持MLOps能力，包括特征版本管理、模型训练流水线、模型部署和监控、A/B测试等。科创致远ESOP在MES+AI场景中，会帮助客户把数据中台和AI平台做一体化设计，让数据从采集到治理到建模到推理形成闭环，而不是各做各的。

五、总结建议

工业AI和数据中台的关系，可以类比成“发动机和油箱”。数据中台是油箱和油路，工业AI是发动机。油箱漏油、油路堵塞，发动机再好也跑不起来。

给工厂的建议是：不要先追AI算法，先看数据基础。具体检查五件事：设备数据采全了吗？业务数据打通了吗？数据质量有度量吗？特征能复用吗？推理结果能回流吗？这五个问题回答清楚了，数据中台该建什么、工业AI该从哪个场景切入，自然就有答案了。

对于已经有一定信息化基础的工厂，建议把数据中台和工业AI做统一规划，分阶段实施。先选一个高价值、数据基础相对好的场景做试点，比如设备预测性维护或视觉质检，跑通“数据采集—数据治理—特征工程—模型训练—推理部署—业务闭环”的全流程，再复制到其他场景。这样既能控制风险，也能让数据中台的建设有明确的业务牵引，避免为了建中台而建中台。