问：AI算法选型到底该自研还是采购？这里面常见的误区有哪些？

答：自研还是采购，不是一道技术题，而是一道算账题。很多工厂在这件事上踩坑，不是因为技术判断错了，而是一开始就把问题问错了——把“能不能做”当成了“值不值得做”。下面这几个误区，是制造业AI落地过程中最容易反复出现的。

一、把“算法开源”等同于“自研成本低”

这是最普遍的错觉。GitHub上拉一个YOLO或者时序预测模型，确实不要钱，但把它跑通在自家产线的工控机上，和让它稳定输出可用结果，中间隔着一整套工程化工作。某电子厂曾让内部IT团队基于开源框架做PCB缺陷检测，模型在实验室准确率能到95%，上了产线因为光照变化和相机抖动，误报率直接翻倍，产线工人三天后就不愿意用了。自研的真实成本不是写代码，是数据清洗、标注、现场调参、版本迭代和长期维护。如果年产量不足以摊薄这些投入，采购标准化方案反而更划算。

二、以为采购就是“买一个现成模型装上去”

AI算法不是螺丝刀，买回来拧上就能用。采购类方案通常提供的是预训练模型加微调能力，前提是你的数据能喂进去、场景足够聚焦。假设一家汽配企业想采购一套表面缺陷检测方案，如果缺陷类型超过二十种、每种样本又不到五十张，供应商的通用模型也很难直接达到产线节拍要求。采购的正确姿势是：先明确自己的场景边界和数据基础，再去看供应商的算法在类似工况下的泛化能力，而不是只看演示视频里的准确率数字。

三、忽略“数据资产归属”和“退出成本”

自研的好处是数据和模型都捏在自己手里，但很多企业自研到一半发现，核心算法工程师离职后没人能接手，模型成了黑盒。采购则要看清合同里数据用于迭代的权限、模型能否本地化部署、后续换供应商时历史数据能不能带走。有些厂商的方案是云端订阅制，产线数据要上传，这对流程行业或许可以接受，但对涉及核心工艺参数的离散制造场景，就是个需要提前想清楚的问题。累计3200余家终端的使用经验表明，数据主权条款往往比算法精度更影响长期使用体验。

四、用“技术先进度”代替“产线适配度”

自研团队容易追求SOTA模型，采购方容易被供应商的算法指标打动，但工厂要的是稳定、可解释、好维护。某食品加工企业曾自研一套基于Transformer的销量预测算法，精度确实比采购的轻量级方案高两个百分点，但推理需要GPU服务器，车间边缘端跑不动，最后还得加一台工控机专门伺候它。采购方案如果能在现有PLC或工控机上以毫秒级完成推理，哪怕精度低一点，对产线来说反而更实用。选型时要把推理延迟、硬件依赖、故障恢复方式放在和精度同等的位置上评估。

五、把“自研”和“采购”当成二选一

实际落地中，混合模式往往更常见。核心工艺相关的算法自研，通用视觉或预测性维护模块采购，中间用统一的数据中台打通。一家做精密结构件的企业就是这么干的：缺陷分类模型自己训练，因为缺陷定义只有自家老师傅说得清；但设备振动异常检测直接采购成熟方案，因为这部分特征工程通用性强。关键在于分清哪些算法构成你的工艺壁垒，哪些只是通用能力。120余家客户覆盖15+行业的经验看下来，纯自研或纯采购的成功率，反而低于有明确边界的混合策略。

总结建议：先算三笔账——数据账（有没有足够样本）、人才账（能不能留住维护的人）、场景账（算法出问题产线停不停得起）。三笔账算完，自研还是采购的答案基本就浮出来了。别被“自主可控”或“开箱即用”的口号带着走，能稳定跑在自家产线上、且三年后还有人能维护的方案，才是好方案。