问：国产AI芯片在工业场景的选择有哪些常见误区？

答：国产AI芯片在工业场景选型，最大的误区是拿消费级或通用算力卡的参数表直接套产线需求，结果算力看着够、精度和稳定性却撑不住。

某电子厂做PCB板外观缺陷检测，产线节拍要求每块板800毫秒内出结果。选型时有人提议用某款国产推理卡，单卡INT8算力标称几十TOPS，纸面数据比现场在用的方案还高。实际上线后发现，模型跑得动，但小目标缺陷漏检率明显上升——芯片对非标准算子的支持不完整，部分算子回退到CPU执行，延迟抖动直接破坏了节拍。这个场景暴露的，就是工业选型里最典型的几个坑。

一、只看峰值算力，不看有效算力

工业现场跑的是具体模型，不是跑分工具。某国产芯片标称算力高，但如果算子库对YOLO系列、分割网络或Transformer的支持不完整，实际能跑出来的有效算力可能打对折。选型时要问清楚：目标模型在芯片上的实测帧率是多少，不是理论峰值。假设一家汽配企业做刹车片表面缺陷检测，模型里有自定义后处理算子，如果芯片厂商的编译工具链不支持，就得改模型或换芯片，工期全搭进去。

二、把训练卡和推理卡混为一谈

工业场景绝大多数是推理部署，不是训练。有些选型方案拿训练卡的规格来推推理场景，功耗、散热、成本全不对。某化工厂做管道泄漏声纹识别，现场是防爆机柜，散热余量很小。选了一款功耗偏高的推理卡，机柜温度直接超标，最后不得不降频运行，算力又不够了。工业推理卡要看的是每瓦有效算力，以及宽温工作范围，不是训练卡那套互联带宽和显存容量。

三、忽略工业接口和生态兼容

工业现场不是数据中心，没有那么多PCIe插槽和标准服务器。很多产线设备是嵌入式工控机、无风扇盒子，甚至走的是M.2或Mini-PCIe接口。某锂电企业想在现有分选机上加AI复判功能，发现选中的国产芯片只有PCIe板卡形态，工控机根本插不进去。另外，工业视觉软件常用Halcon、VisionPro，芯片厂商如果没做对应的算子加速库，集成工作量会翻倍。选型时要确认：芯片有没有目标工业软件的官方适配，或者至少提供可用的推理运行时。

四、低估长期供货和工具链成熟度

工业设备生命周期动辄五到十年，芯片供货周期和工具链更新节奏必须匹配。有些国产芯片迭代快，上一代板卡两年后就停供，产线维护会非常被动。工具链方面，模型转换工具如果经常报错、文档缺失，现场工程师调不动。说白了，工业选型不是选算力最强的，是选能稳定跑三五年、出了问题有人能支持的那款。

总结建议：先锁定模型和节拍，拿真实数据在目标芯片上做实测；确认接口形态和散热条件匹配现场设备；查清工业软件适配情况和供货承诺。参数表是参考，产线跑通才算数。