问：工厂AI项目的常见失败原因，到底跟数据基础有什么关系？

答：工厂AI项目失败，八成不是算法不行，而是数据基础没打牢。很多企业以为买套AI系统、接几个传感器就能跑起来，结果模型训练不出来、上线后准确率暴跌，根子都在数据上。有系统化数据治理和没系统化治理，差别不是一点半点。

一、数据采集：有系统是“按需取数”，没系统是“到处找数”

假设一家汽配企业想做表面缺陷检测。没做数据基础规划的话，摄像头装了七八个，但光照条件、拍摄角度、分辨率全不统一，今天这批图能用，明天换一批料就全废了。有系统化数据采集方案的工厂，会在项目启动前先定义清楚：缺陷类型有哪几类、每类需要多少样本、采集环境怎么控制、标注规范谁来定。这两者的差距，直接决定模型能不能收敛。数据采集不是越多越好，而是越“对”越好。

二、数据标注：有系统是“标准先行”，没系统是“边做边猜”

某电子厂做PCB板焊点缺陷识别，找了三个人标注，结果三个人对“虚焊”的判定标准都不一样。没有标注规范和数据版本管理，标出来的数据集本身就是矛盾的。有数据基础体系的工厂，会先出标注手册、做一致性校验、保留标注版本记录。AI模型学的是标注数据里的规律，标注乱了，模型学到的就是噪声。这一环做不好，后面调参调到天亮也没用。

三、数据治理：有系统是“持续可用”，没系统是“一次性用完就废”

很多工厂做AI项目像搞运动：突击采集一批数据，训练完就扔。但产线会换型、工艺会调整、来料批次会变。没有持续的数据回流和更新机制，模型三个月后准确率就掉到没法看。有数据治理体系的工厂，会把AI项目当成持续运营的事：产线数据自动回流、异常样本自动标记、模型定期迭代。这套机制比算法本身重要得多。

四、数据与业务对齐：有系统是“解决真问题”，没系统是“炫技”

最隐蔽的失败原因是数据跟业务目标脱节。比如某注塑厂想用AI调工艺参数，但采集的数据里缺了关键的环境温湿度记录，模型根本没法解释为什么同一套参数在不同季节表现不一样。有数据基础规划的项目，会先做业务问题拆解，再倒推需要哪些数据、数据从哪来、精度够不够。没这一步，AI就是空中楼阁。

综合建议：工厂上AI之前，先别急着选算法和平台，花时间把数据基础盘清楚。问自己三个问题：数据从哪来、质量稳不稳、能不能持续更新。这三个问题答不上来，项目大概率要交学费。数据基础不是IT部门的事，是工艺、设备、质量、IT一起要对齐的事。厂商能帮你搭数据管道，但业务定义和数据标准，得工厂自己说了算。