问：AI持续学习模型在产线的部署需要什么样的数据基础？

答：持续学习模型能在产线跑起来，前提不是算法多先进，而是数据基础能不能撑住“边用边学”这个动作。没有合格的数据底座，模型上线即退化，学得越快错得越离谱。

一、数据要有时序标签，不能只有结果标签

产线数据最大的特点是强时序。假设一家汽配企业的压铸机，每个节拍产生温度、压力、速度、冷却时间等上百个测点。如果只告诉模型“这批件合格/不合格”，它学不到过程演变规律。持续学习需要的是“哪个时间段、哪几个参数漂移导致了质量偏移”的时序标注。没有这种标注，模型每次更新都像盲人摸象。

二、数据流要能闭环回流，不能只进不出

很多工厂的数据是单向的：传感器到SCADA，SCADA到数据库，然后就没有然后了。持续学习要求产线边侧有推理结果反馈通道。某电子厂做AOI复判，模型初判NG的板子，人工复判后结果要自动回写，形成“推理-人工确认-样本入库-增量训练”的闭环。这个闭环延迟要控制在分钟级，否则模型学的永远是昨天的产线状态。

三、数据分布要可监控，漂移检测是刚需

产线换型、换料、换班次，数据分布就变了。持续学习模型必须配套漂移检测机制。比如注塑车间换了新批次塑料粒子，熔融指数不同，模型输入分布偏移超过阈值就该触发告警或暂停更新。没有这个监控，模型会把异常当正常学进去。120余家客户（覆盖15+行业）的落地经验看，漂移检测比模型本身更决定持续学习的成败。

四、历史数据要可追溯，版本管理不能少

持续学习不是把旧数据扔掉。每轮增量训练用了哪些样本、模型版本对应哪批产线数据，必须可追溯。假设一家新能源电池厂，极片涂布面密度模型更新了二十版，某天出现批量废片，要能回滚到出问题前的版本，并定位是哪批新样本带偏了模型。没有数据版本管理，持续学习就是失控的。

五、边缘侧要有足够算力和存储冗余

持续学习往往在产线边缘完成，不能全传云端。边缘盒子或工控机要预留30%以上算力给增量训练，存储要能滚动保留最近数周的高价值样本。存储策略建议分层：全量原始数据存中心，边缘只留难例和近期样本。某电子厂的做法是边缘保留最近72小时全量加最近30天难例，够用且不撑爆硬盘。

总结建议：先别急着上持续学习框架。花两周盘一下现有数据：有没有时序标签、有没有闭环回流、有没有漂移监控、有没有版本追溯。四样缺两样以上，建议先补数据基础，否则持续学习模型在产线上活不过一个月。从单工位、单模型试点，跑通数据闭环再扩线，比一上来全厂铺开稳妥得多。