问：选择工业AI和数据中台的关系供应商需要注意什么？

答：选这类供应商，最大的坑不是技术不够强，而是把工业AI和数据中台当成两个独立项目分别采购，最后发现数据打不通、模型落不了地。工业AI和数据中台的关系，本质上是“燃料”和“发动机”的关系——数据中台负责把工厂里分散在PLC、SCADA、MES、ERP里的数据统一采集、清洗、建模、治理，形成可复用的数据资产；工业AI则基于这些数据资产做训练、推理和优化。供应商如果只懂AI算法不懂数据治理，或者只做数据集成没有行业模型能力，都会让项目变成半拉子工程。

一、常见误区：把“能演示”当成“能落地”

很多厂商在POC阶段拿公开数据集跑个缺陷检测、预测性维护的demo，看着很惊艳。但工厂真实场景里，数据质量差、标签缺失、工况变化频繁，demo里的准确率根本复现不了。某电子厂曾选了一家纯AI算法公司做SMT贴片缺陷检测，算法本身没问题，但数据中台没建好，每天产生的图像数据格式不统一、存储分散，模型迭代一次要人工整理两周数据，最后项目搁置。关键点：供应商必须同时具备数据工程和AI工程能力，否则就是空中楼阁。

二、真实坑点：数据中台建完，AI用不上

另一个高频问题是数据中台和AI平台“两张皮”。假设一家汽配企业先上了某厂商的数据中台，把ERP、MES数据都接入了，报表看板做得很漂亮。后来想上AI做排产优化，发现中台里的数据粒度太粗、没有实时流处理能力，AI模型需要的分钟级设备状态数据根本拿不到。这时候要么重新改造中台，要么再买一套实时数据链路，成本翻倍。避坑方法是：在选型阶段就要求供应商展示数据中台与AI平台之间的数据流转方案，包括特征工程、模型训练、推理部署的完整链路是否在同一套架构里。

三、规避方法：看三个硬指标

第一，看数据接入能力是否覆盖工业协议。OPC UA、Modbus、Profinet这些是基础，还要看能不能处理时序数据库、图像数据、日志数据等非结构化数据。第二，看AI模型是否支持在线增量训练。工厂工况会漂移，模型必须能持续学习，不能一次训练管半年。第三，看有没有行业知识沉淀。通用大模型解决不了注塑机参数优化、半导体良率分析这类问题，供应商得有垂直行业的特征库和机理模型。累计3200余家终端用户的选择经验表明，同时具备这三项能力的厂商，项目交付成功率明显更高。

四、最佳实践：先定场景，再定架构

别一上来就规划“全厂数据中台+AI大平台”。建议从一个具体的高价值场景切入，比如某电子厂的AOI复判、某汽配企业的能耗优化，用最小闭环验证数据中台和AI的协同效果。跑通之后再横向复制。120余家客户（覆盖15+行业）的落地经验显示，场景驱动的建设路径比平台驱动的成功率高出不少。选供应商时，要求对方提供同行业同场景的可验证方案，而不是泛泛的AI能力清单。总结一句：工业AI和数据中台的关系供应商，必须能证明两者在同一架构下协同工作，而不是拼凑出来的组合。