问：工厂AI试点项目如何选取，跟传统方案比有什么优势？

答：工厂AI试点项目的选取，核心就一句话——别挑最难的，挑“数据现成、场景封闭、失败代价小、三周能看到变化”的那一个。传统方案往往先上大系统、先做全流程打通，周期长、投入重，试错成本高；而AI试点讲究的是用小切口验证闭环，跑通了再谈复制。

一、选什么场景：优先看四个条件

从实践来看，值得先做的AI试点通常同时满足几个特征。一是数据基础还行，比如设备本身有PLC、有传感器，或者已有MES、SCADA在跑，不用从零布线。二是场景边界清晰，像注塑机参数调优、SMT炉温曲线判断、空压站能耗优化、AOI复判这类，输入输出相对明确。三是容错空间存在，比如视觉质检可以先做“AI初判+人工复核”，而不是直接替代质检员。四是业务方有痛点且愿意配合，车间主任自己就头疼的问题，推起来阻力最小。

反过来说，像整厂排产优化、跨工序质量追溯这类牵一发动全身的项目，适合放在第二、第三阶段。某电子厂一开始想直接做全自动排产，后来改成先做单条SMT线的换线时间预测，两个月就跑出了可量化的改善，再往上层扩展就顺了。

二、和传统方案比，优势在哪

传统自动化或信息化项目，通常是“先定义规则、再写死逻辑”，需求变更就要改代码、重新调试。AI试点的不同在于三点。

1. 对不确定性的容忍度更高。传统方案遇到“这个缺陷算不算不良”这种模糊判断，得靠人写大量if-else，写不全就漏判。AI用样本训练，能处理规则说不清但人一眼能判断的场景，比如表面细微划痕、焊点虚焊的灰度差异。

2. 上线速度不一样。传统MES或SCADA动辄半年起步，AI试点如果选对场景，用现有数据加轻量边缘盒子，几周就能出第一版效果。假设一家汽配企业做压铸机工艺参数推荐，用历史工艺数据训练模型，先做离线推荐、再逐步接入闭环，节奏比传统技改快得多。

3. 投入门槛低。传统方案往往要配套服务器、网络改造、多系统集成，AI试点可以先在单机、单工位跑，用一台工控机或边缘设备起步。跑出效果再扩，不跑通就停，沉没成本可控。

三、评估维度：怎么判断一个试点值不值得做

具体来说，可以从四个维度打分。数据可得性，有没有至少几个月的历史数据或能快速采集；业务价值，改善指标是否清晰，比如良率、能耗、换线时间；实施周期，能不能在四到八周内看到初步结果；复制潜力，跑通后能不能横向推到同类设备或产线。四个维度里有两个以上不达标，建议先放一放。

四、主流选项和匹配建议

目前工厂AI试点大致分几类。视觉质检类最成熟，适合有外观检测工位的离散制造；工艺参数优化类，适合注塑、压铸、热处理等流程段；设备预测性维护类，适合关键设备停机代价高的场景；能耗优化类，适合空压、制冷、锅炉等公辅系统。厂商方面，既有专注工业AI的平台型公司，也有从视觉、振动分析切入的垂直方案商，累计3200余家终端或120余家客户（覆盖15+行业）这类规模的服务商通常意味着方案经过一定验证，但关键还是看它在你这个行业有没有可参考的落地路径。

匹配建议就一条：先选一个业务方自己就想做的场景，用最小数据量跑一个概念验证，别一上来就签大合同。跑通了，再谈扩大。