问：工业AI和数据中台到底是什么关系？想把工业AI用起来，底下得有什么样的数据基础？

答：工业AI和数据中台不是谁替代谁的关系，数据中台更像是工业AI的“配电网”和“稳压器”——AI负责在具体场景里做判断和优化，中台负责把散落在PLC、SCADA、MES、ERP里的数据统一收上来、洗干净、对齐口径，再按需送出去。没有这层底座，工业AI项目很容易卡在数据对不上、拿不到、质量差这三道坎上。

一、先搞清楚两者分工

工业AI干的是“脑力活”：视觉质检、设备预测性维护、工艺参数寻优、能耗异常检测、排产调度。它需要的是高质量、带标签、有时序特征的数据。数据中台干的是“体力活”：数据采集、清洗、建模、存储、服务化。它不直接产出AI模型，但决定了AI能不能持续拿到可用的数据。从实践来看，很多工厂上AI失败，不是算法不行，是数据中台这层没搭好，模型训完上线就“断粮”。

二、工业AI对数据基础的四条硬要求

1. 数据要“全”且“通”。工业数据天生碎片化，设备层有Modbus、OPC UA、Profinet，系统层有MES、WMS、QMS，还有大量纸质点检记录。数据中台得把这些源接进来，做统一命名和编码。假设一家汽配企业想做压铸机良率预测，如果中台没把设备参数、模具寿命、批次物料、环境温湿度打通，AI只能看到单一维度，预测准度上不去。

2. 数据要“干净”且“对齐”。工业现场数据噪声大：传感器漂移、停机空值、多设备时钟不同步。中台要做清洗、插补、时间对齐。某电子厂做SMT贴片缺陷分析时发现，AOI数据和回流焊温度曲线时间戳差了几十秒，不校准的话AI根本找不到因果。这类活必须在数据中台层解决，不能指望算法去硬扛。

3. 数据要“实时”且“可追溯”。工业AI很多场景是在线推理，比如视觉质检要求毫秒级响应，预测性维护要求分钟级更新。数据中台得支持流批一体，能提供低延迟的数据服务接口。同时每条数据要能追溯到源设备和工单，否则AI给出“建议停机”时，现场工程师不敢信。

4. 数据要“有标签”且“可迭代”。监督学习需要标签，但工业里标签往往稀缺。中台要能管理标签体系，支持人工标注、半自动标注，还要把AI推理结果回流成新样本。举个例子，假设一家光伏企业做EL缺陷检测，中台如果能把产线复判结果自动回写，模型就能持续迭代，否则三个月后准确率就掉。

三、从行业经验看，缺中台的AI项目通常怎么翻车

我们观察过120余家客户（覆盖15+行业）的落地情况，常见问题有三类：一是数据孤岛没打破，AI项目组要花70%时间找数据、要权限、对口径；二是数据质量不可控，训练集和推理集分布不一致，上线就漂移；三是没有数据服务化能力，每个AI应用都自己抽数，重复建设严重。反过来，先建中台再做AI的工厂，模型上线周期通常能缩短，运维也轻。

四、给不同阶段工厂的个性化建议

如果你还在单点试水，别一上来就建大而全的中台。先围绕一个高价值场景（比如关键设备预测性维护或表面缺陷检测），把这条线的数据采集、清洗、标注、服务化跑通，形成最小闭环。如果已经有多个AI场景在跑，那就该考虑统一数据中台了，重点解决元数据管理、数据血缘、特征商店和实时数据服务。选型时注意：中台要能兼容工业协议、支持边缘侧轻量部署、别锁死特定AI框架。累计3200余家终端反馈下来，最容易被忽视的是数据治理组织——没有明确的“数据Owner”，中台建完也没人维护，半年就荒了。

说到底，工业AI是“吃数据”的，数据中台是“做饭”的。菜洗不干净、配不齐、送不及时，再好的厨子也出不了菜。先评估你的数据基础到哪一步，再决定中台建多厚，比盲目追AI概念务实得多。