问：5G+AI在智慧工厂的融合应用，到底需要什么样的数据基础？

答：5G+AI要在智慧工厂里真正跑起来，数据基础不是“有数据就行”，而是要做到高频采集、低延迟回传、统一时间戳、标注可追溯、边缘可推理这五件事。缺了任何一环，AI模型要么训不出来，要么训出来也不敢用。

一、先说采集密度和频率。5G的价值在于能同时接入大量终端。假设一家汽配企业的焊装车间，几十台机器人、上百个振动传感器、十几路高清摄像头，如果还用传统工业WiFi或总线采集，采样率一高就丢包。AI做预测性维护需要每秒钟采几千个振动点，做视觉质检需要30帧以上的连续图像。所以数据基础的第一层，是传感器和PLC能按AI需要的频率往外吐数据，而不是按原来SCADA那种秒级、分钟级。

二、时间同步必须做到毫秒级对齐。这个容易被忽略。5G本身有空口同步机制，但工厂里往往多源数据混用——振动来自传感器，温度来自PLC，视觉来自相机，如果时间戳各走各的，AI做多模态融合时根本对不上。比如某电子厂做贴片机抛料分析，视觉看到抛料的那一帧和真空压力下降的那一毫秒必须对齐，否则模型学到的全是噪声。所以数据基础里要包含统一时钟源，通常用5G基站加PTP或GPS授时往下压。

三、数据要带上下文和标签。AI不是只看原始波形。同样一段振动信号，发生在换刀后还是换刀前，标签完全不同。智慧工厂的数据基础得把工单号、物料批次、设备状态、操作员动作这些上下文一起采上来。假设一家做精密减速机的工厂，他们做齿面缺陷检测时，如果不知道当前加工的是哪一批毛坯，AI根本分不清是刀具磨损还是来料问题。所以MES、QMS的数据要跟5G采集的实时数据在同一个数据湖里打通，不能各存各的。

四、边缘侧要有推理能力，不能全传云端。5G低延迟的优势，很大一部分要落在边缘计算上。视觉质检、AGV调度、机械臂协同这些场景，几十毫秒的延迟就可能导致停线。数据基础不只是“传得快”，还包括在靠近车间的边缘节点上能跑轻量化模型。比如某化工厂用5G+AI做反应釜异常预警，边缘盒子直接跑推理，只把告警和特征值传回中心，原始高频数据本地留存。这样既省带宽，又满足实时性。

五、数据治理和安全要前置。工厂数据涉及工艺参数，很多是核心资产。5G网络切片可以做到不同业务走不同通道，但数据基础层面还得有分级分类。哪些数据出车间、哪些只留在边缘、哪些脱敏后才能训练，这些规则要在采集阶段就定好。不然后面AI项目一铺开，合规风险就来了。厂商在帮客户做方案时，通常会把数据分级和5G切片策略一起设计，而不是先采了再说。

总结建议：如果你正在规划5G+AI的智慧工厂项目，先别急着上模型。花两周时间盘一下现有传感器的采样率、时间同步精度、MES数据打通程度、边缘算力缺口。这四件事里有两件不达标，AI落地就会卡在数据准备阶段。该方案在服务120余家客户（覆盖15+行业）的过程中，一个反复验证的经验是：数据基础决定AI上限，5G只是把上限的天花板抬高了，但地板还得靠采集、同步、标签和边缘推理来铺。