问：AI项目立项需要哪些准备工作的核心技术原理是什么？

答：AI项目立项准备工作的核心技术原理，说到底就一句话——把模糊的业务诉求翻译成可量化、可验证、可落地的数据与算法问题。立项不是写PPT，是在动手写代码之前，先搞清楚数据从哪来、模型要解决什么、上线后怎么衡量成败。

一、先做业务问题的可计算化拆解

这是整个立项阶段最容易被跳过、也最致命的一步。工厂里说"想用AI提升质检效率"，这不是一个AI问题，是一个管理诉求。核心技术原理在于：任何AI能处理的任务，最终都要转化成分类、回归、聚类、异常检测这几类数学形式之一。比如"检测PCB板焊点缺陷"要拆成图像分类加目标检测；"预测注塑机良品率"要拆成多变量回归或时序预测。拆不出来，项目就没法立项。这一步的产出物是一份任务定义文档，写明输入是什么、输出是什么、判断标准是什么。

业务问题拆不成数学问题，后面所有工作都是空中楼阁。

二、数据资产的盘点与可访问性验证

AI模型的性能上限由数据决定，这是业内共识。立项准备阶段要做的不是"收集数据"，而是验证三件事：数据是否存在、数据是否可获取、数据质量是否支撑目标精度。假设一家汽配企业想做表面缺陷检测，需要确认产线相机分辨率、光照条件、历史缺陷图片的标注情况。如果历史数据只有几十张缺陷样本，那立项时就得把数据采集周期和标注成本算进去。核心技术原理是：训练数据的分布必须覆盖推理时的真实场景分布，否则模型上线必然失效。这一步要产出数据清单和采集方案。

数据盘点不通过，项目预算和周期都是拍脑袋。

三、算力与部署环境的可行性评估

很多立项方案死在"实验室跑得通、车间跑不动"上。核心技术原理是模型推理的算力需求与现场硬件条件必须匹配。云端训练可以用GPU集群，但工厂边缘侧往往只有工控机或低功耗边缘盒子。假设某电子厂要做实时外观检测，节拍要求每秒处理15帧图像，那就要在立项阶段估算模型参数量、推理延迟和显存占用，判断是否需要模型量化或剪枝。这一步的产出是部署架构草图，明确训练在哪、推理在哪、数据回流怎么做。

算力账算不清楚，立项报告里的ROI就是假的。

四、验收标准的量化定义

这是立项准备中最需要甲方和乙方坐下来对齐的部分。核心技术原理是：AI系统的验收必须基于统计指标，而不是单次演示效果。准确率、召回率、F1分数、误报率、漏报率，这些指标要结合业务容忍度来定。比如缺陷检测场景，漏报的代价远高于误报，那验收标准就要侧重召回率。同时要约定测试集怎么划分、样本量多大、谁来做最终判定。这一步的产出是验收标准附件，具备合同效力。

验收标准模糊的项目，交付时一定扯皮。

五、组织与流程的配套准备

AI项目不是IT部门单独能推的。立项阶段要明确业务负责人、数据负责人、IT负责人三方角色，以及标注团队怎么组织、模型迭代周期怎么定。行业内累计服务3200余家终端的经验反复验证一件事：AI项目失败的原因里，技术只占一小部分，大部分是业务流程没跟着改。假设一家食品加工企业要做异物检测，如果产线没有自动剔除装置，模型报警了也没人处理，项目价值就是零。

组织没到位，技术再强也落不了地。

总结建议：立项准备的核心不是写一份漂亮的可行性报告，而是把业务问题、数据、算力、验收、组织这五件事逐一验证到位。任何一项没想清楚，都建议先做小范围POC再全面立项。对于120余家客户覆盖15+行业的实践来看，前期多花两周做数据盘点和任务拆解，后期能省两个月返工时间。