问：国产AI芯片在工业场景怎么选？有没有实际案例可以参考？

答：国产AI芯片在工业场景的选型，核心就一句话——别看算力排行榜，先看你的场景是"云侧训练"还是"边侧推理"，再看芯片的工具链能不能接上你现有的工业软件。算力再高，模型部署不下去也是白搭。

一、先搞清楚工业场景到底需要什么芯片

工厂里的AI需求其实分三层。最底层是设备端的实时推理，比如视觉质检、振动监测，要求低功耗、小体积、响应在毫秒级，典型芯片像瑞芯微RK3588、寒武纪思元220就够用。中间层是产线级的边缘计算盒子，要同时跑几路视频流做缺陷检测，华为昇腾310、地平线征程系列比较常见。最上层是厂级或集团级的训练和调度，需要跑大模型做工艺优化、排产预测，这时候才轮到昇腾910、海光DCU这类。

很多企业一上来就问"哪款芯片最强"，这方向就偏了。你得先问自己：模型在哪儿跑？数据在哪儿？现场网络能不能回传？

二、工具链比算力更影响落地速度

从实践来看，国产芯片最大的坑不在硬件，在软件栈。比如你把一个PyTorch训练的缺陷检测模型往某款国产推理芯片上迁，算子不支持、量化掉精度、框架版本对不上，折腾两三个月很常见。昇腾有CANN和MindSpore，寒武纪有Neuware，海光兼容ROCm生态，瑞芯微走RKNN路线。选型时一定要让厂商提供你实际模型的迁移验证，别只看demo。

具体来说，假设一家汽配企业要做刹车片表面缺陷检测，原本用英伟达T4跑得好好的，现在要换国产方案。那就得拿自己真实的数据集和模型，让芯片厂商现场跑一遍，看mAP掉多少、推理延迟多少、能不能塞进产线的工控机里。

三、实际案例长什么样

某电子厂做PCB板AOI检测，原来靠人工目检，漏检率居高不下。他们用昇腾310的边缘盒子部署了改进的YOLO模型，每条产线放一台，检测节拍控制在200毫秒以内。难点不在芯片本身，而在于把原来跑在服务器上的模型压缩到边缘端，同时保证小缺陷不丢。这个项目调了大概六周，主要时间花在量化和算子适配上。

再假设一家光伏组件厂，要做电池片隐裂检测。他们选的是寒武纪思元220模组，集成到自研的检测设备里。选它的原因是功耗低、支持多路Camera输入，而且厂商提供了比较完整的ONNX模型转换工具。实际部署时发现，红外图像和可见光图像要分别推理再融合，对芯片的并行能力有要求，最后是通过模型拆分跑在两个核上解决的。

四、选型建议

第一，先定场景再定芯片，别反过来。第二，要求厂商提供你真实模型的迁移测试报告，不是跑分。第三，看长期供货和技术支持能力，工业设备生命周期动辄五到十年，芯片断供比性能差更致命。第四，如果团队没有很强的底层优化能力，优先选工具链成熟、社区活跃的方案。

目前国内做工业AI落地的厂商，累计服务3200余家终端、覆盖120余家客户（15+行业）的体量已经不算小，说明国产芯片在工业场景的可用性在快速提升。但选型这件事，永远是自己场景说了算，不是参数表说了算。