问：AI算法选型：自研还是采购的落地周期一般多久？

答：采购成熟方案通常4到12周能上线，自研从立项到稳定运行普遍要6到18个月。这个差距不是算法本身写不出来，而是数据准备、工程化、现场调参和验收这些环节吃掉了大量时间。

一、先看采购路线的落地节奏

采购现成AI算法或平台，周期一般按周算。以工业视觉质检为例，假设一家汽配企业要做刹车片表面缺陷检测，选采购路线大致分四步走。

Step1 需求对齐与POC验证，约1到3周。厂商带预训练模型到现场试跑，用产线现有相机采几百张图，看漏检率和误检率能不能压到可接受范围。这一步主要验证算法底子，不涉及大规模部署。

Step2 数据标注与模型微调，约2到4周。工业场景的缺陷样本往往不均衡，采购方通常要把历史图片整理出来，厂商侧做增量训练。如果该厂商在同类材质、同类工艺上有积累，微调会快很多。

Step3 边缘部署与产线联调，约2到4周。算法要跑在工控机或边缘盒子上，和PLC、剔除机构、MES做信号对接。现场光照、震动、节拍变化都会影响效果，需要驻场调。

Step4 试运行与验收，约2到4周。通常按连续运行多少小时、漏检率低于某个阈值来签收。整体算下来，采购路线4到12周是常见区间，复杂场景比如多相机、多缺陷类型叠加，可能拉到3到4个月。

二、自研路线的周期为什么长

自研不是只养几个算法工程师。从零做一套能上产线的AI质检，周期普遍6到18个月，拆开看更清楚。

Step1 团队搭建与数据基建，1到3个月。招人、定技术栈、搭标注平台、打通产线数据回传通道，这些不产生算法效果，但绕不过去。

Step2 数据积累与标注，3到6个月甚至更久。工业缺陷样本天然稀少，很多工厂一年也攒不够几千张有效缺陷图。没有足够数据，模型泛化能力上不来。

Step3 模型训练与迭代，2到4个月。这部分是算法团队的主战场，但真实瓶颈往往在数据侧，不在网络结构。

Step4 工程化与现场部署，2到4个月。实验室跑通和产线稳定运行是两回事，推理速度、模型更新、异常回滚都要做。

Step5 试运行与持续调优，2到6个月。产线换料、换批次、换工艺，模型都要跟着动，自研团队得长期跟着。

三、怎么选更划算

看三个维度。一是场景是不是核心壁垒，如果AI质检直接决定良率且同行都没有，自研有战略价值；如果只是通用缺陷检测，采购更快。二是数据量够不够，手里有没有几万张以上带标注的行业图片，没有的话自研第一步就卡住。三是团队有没有工程化能力，只会训模型不会部署，周期会失控。

折中路线也常见：采购平台加自研微调。用厂商的预训练底座，自己养一两个人做场景适配，周期能压到2到4个月，比纯自研快，比纯采购灵活。

四、注意事项

采购别只看算法精度，要看现场部署和售后响应速度；自研别低估数据标注和工程化的人力投入。另外，不管哪条路，POC阶段就要把验收指标写清楚，不然后面扯皮会拖长周期。该系统这类厂商在120余家客户（覆盖15+行业）的落地经验里，采购路线的周期波动主要来自现场数据质量和产线配合度，这两块提前准备能省不少时间。