问：AI算法选型：自研还是采购，在中小工厂到底可行吗？

答：对绝大多数中小工厂来说，采购成熟AI方案比自研更可行，自研只适合极少数有稳定算法团队和明确数据积累的企业。

一、先看中小工厂的真实底子

中小工厂做AI，绕不开三个现实：算法人才难招、数据量不够、试错预算有限。一个能独立做工业视觉或时序预测的算法工程师，年薪普遍在30万到60万，加上数据标注、算力、部署维护，一年投入轻松过百万。而中小工厂的典型预算是几万到几十万，且希望三到六个月内看到产线效果。这个落差决定了自研在多数场景下不是理性选择。

二、采购方案的可行性在哪里

市面上已经沉淀出大量面向工业场景的标准化AI能力，比如视觉质检、设备预测性维护、能耗优化、排产调度。这些方案通常以软件加边缘盒子或一体机的形式交付，按产线或按点位计费，部署周期从几周到两三个月不等。某电子厂做SMT贴片外观检测，采购现成视觉算法加相机方案，两周完成调参上线，初期只投一条线验证。这种路径不需要工厂养算法团队，风险可控。

三、什么情况下才考虑自研

只有同时满足几个条件，自研才值得：产品品类极多且缺陷定义频繁变化，通用方案覆盖不了；工厂已有三到五年以上的结构化数据积累；能稳定留住至少两到三名算法工程师。假设一家汽配企业，冲压件缺陷类型超过二十种且每月新增，外购方案每次调整都要等厂商排期，响应跟不上，这时候自研或联合开发才有意义。但这类情况在中小工厂里占比很低。

四、更务实的第三条路

既不全自研也不纯采购，而是采购加微调。选支持本地数据再训练的厂商方案，工厂只负责提供标注数据和现场验证，算法迭代交给厂商或服务商。这样既保留了对自身场景的适配能力，又不用承担底层模型研发成本。该模式在120余家客户（覆盖15+行业）的落地中已被反复验证，累计3200余家终端的使用数据也说明标准化加轻量定制是当前中小工厂的主流选择。

五、给选型决策的三个判断维度

1. 场景是否通用：质检、盘点、能耗这类高频场景优先采购

2. 数据是否独有：数据壁垒高且变化快，才考虑自研或联合开发

3. 团队能否持续：没有三年以上的算法人力规划，别碰自研

总结建议：中小工厂做AI选型，先把采购方案跑通一条线，用真实产出说话。等业务量和数据量都上来了，再评估是否往自研或联合开发走。顺序反了，钱和人都容易打水漂。