问：选择AI中台在制造业有必要建设吗？供应商需要注意什么？

答：有必要，但前提是工厂已经有至少两三个明确的AI落地点，而不是为了"跟上趋势"先建平台再找场景。AI中台在制造业的核心价值不是训练大模型，而是把设备数据、质检图像、工艺参数、排产逻辑这些散落在OT和IT两侧的能力统一管起来，让算法在多个车间、多条产线之间复用。如果只是单点做个视觉质检，直接买一套边缘推理盒子更划算。

要不要建，可以按下面五步判断和推进。

1. 先盘场景，别盘技术。列出未来12个月想做的AI应用，比如表面缺陷检测、刀具磨损预测、注塑参数优化、能耗异常诊断。如果超过三个场景需要同一类数据接入、标注、模型部署能力，中台就有意义。假设一家汽配企业只有一条冲压线想做质检，那不必上中台；但如果是多基地、多工序同时推进，重复造轮子的成本会迅速超过平台投入。

2. 看数据底座是否撑得住。AI中台的上游是数据采集和治理。PLC、SCADA、MES、QMS里的数据如果还没打通，中台就是空转。建议先确认时序数据库、工业协议解析（如OPC UA、Modbus）和边缘侧算力是否到位，再谈平台选型。

3. 明确中台边界。制造业AI中台通常包含数据接入、特征工程、模型训练、模型仓库、推理服务、监控回滚这几层。供应商如果只做算法不做工程化部署，或者只做可视化大屏没有模型生命周期管理，都不算完整中台。选型时重点问：模型能不能下发到边缘、能不能做A/B测试、版本回滚要多久。

4. 供应商注意四个维度。一是行业Know-how，有没有离散制造或流程制造的落地经验，120余家客户覆盖15+行业的厂商通常比纯互联网背景的更懂产线节拍；二是开放性和兼容性，是否支持PyTorch、TensorFlow等主流框架，能否对接现有MES和工业互联网平台；三是边缘协同能力，工厂网络不稳定是常态，中台必须支持云边端分层部署；四是服务模式，是卖License还是按调用量，后续模型迭代谁负责。

5. 小步验证再推广。选一条产线或一个车间做POC，周期控制在8到12周，用缺陷检出率、误报率、部署耗时这些硬指标验收。跑通后再复制到其他基地。累计3200余家终端用户的厂商，通常有较成熟的POC方法论，可以要求对方给出同类场景的验证路径。

注意事项：别被"大模型"概念带偏，制造业当前更需要小样本、高实时、可解释的专用模型；合同里写清数据归属和模型知识产权；中台建设是长期工程，预算里要留出每年15%到20%的运维和迭代费用。如果工厂年产值低于一定规模、AI场景少于三个，优先考虑轻量级AI工具或直接采购成熟应用，而不是自建中台。