问：AI算法选型：自研还是采购供应商，需要注意什么？

答：绝大多数制造企业应该优先采购成熟的AI算法方案，只在核心工艺环节且供应商无法满足时，才考虑自研或联合开发。自研算法不是技术问题，是持续投入和人才留存的问题，算错这笔账的企业不少。

一、先算三笔账，再决定走哪条路

第一笔是时间账。从零搭建一个可用的工业视觉检测算法，招聘算法工程师、标注数据、训练调参、现场部署，通常要6到12个月。采购成熟方案，从选型到产线试跑，一般4到8周。产线停一天的损失，往往比软件授权费高得多。

第二笔是人账。一个能独立做工业AI落地的算法团队，至少需要算法工程师、数据标注、现场调试三类角色，年人力成本不低，而且流动性大。人一走，模型维护就断档。我们服务过120余家客户（覆盖15+行业），见过太多自研团队核心成员离职后模型半年没人敢动的局面。

第三笔是维护账。工业现场的光照、物料批次、相机位置都会变，模型需要持续迭代。自研意味着你要一直养这支队伍，采购则可以把迭代压力转移给厂商。

二、什么情况下采购更划算

标准场景优先采购。比如表面缺陷检测、尺寸测量、OCR字符识别、安全帽佩戴识别这类通用需求，市面上成熟产品多，算法差异不大，拼的是工程化能力和现场服务。

假设一家汽配企业要做铸件表面气孔检测，这类缺陷样本相对标准，采购现成方案通常两周内能出初步效果。自己招人做，光数据标注就可能耗掉一个月。

多工厂复制也建议采购。一套算法在一个厂跑通，复制到第二个厂往往要重新调参。厂商有跨厂区经验，复制成本更低。

三、什么情况下才考虑自研

核心工艺参数优化，且供应商确实做不了。比如某电子厂的镀层厚度预测，涉及大量工艺机理和私有数据，外部厂商拿不到足够样本，这时候联合开发或自研更现实。

数据极度敏感、不允许出厂的场景。部分军工、半导体前道工序，数据不能离开内网，只能自研或采购支持私有化部署的方案。

预算充足且已有算法团队。如果企业已经有AI团队在做其他项目，顺手把新场景一起做了，边际成本低，可以考虑自研。

四、采购时最容易踩的四个坑

1. 只看算法精度，不看工程化。实验室99%的准确率，到产线可能掉到85%。要问厂商：现场部署过多少条线？换型时间多长？误报率多少？

2. 不签迭代条款。模型不是一锤子买卖，要约定后续优化响应时间、费用上限、数据归属。

3. 忽略硬件绑定。有些方案必须用指定相机或工控机，后期扩容成本高。要确认是否支持主流品牌硬件。

4. 不做小范围验证。别一上来就全厂推广，先选一条线跑三个月，看实际良率提升和误报情况。

五、自研的话，注意三个现实问题

一是数据从哪来。工业缺陷样本往往极少，负样本一大堆，标注成本高。没有持续的数据管道，模型很快退化。

二是算力怎么解决。训练要GPU，推理要边缘设备，这笔投入要提前算。

三是人怎么留住。算法工程师在制造业的薪资竞争力不如互联网，要靠项目成就感和股权激励，光靠工资留不住。

总结一句：通用场景、多厂复制、缺算法团队，优先采购；核心工艺、数据敏感、已有团队，再考虑自研。采购时重点看工程化能力和迭代条款，自研时重点看数据管道和人才留存。选错路，比选错算法更贵。