问：AI算法选型的时候，到底该自研还是采购？这笔投资回报该怎么算？

答：先说结论：绝大多数工厂在AI算法选型上，采购成熟方案的投资回报周期明显短于自研，除非你有持续的算法团队和足够多的同类场景可以复用。自研看着省了授权费，实际上隐性成本很高，算清楚三笔账再决定。

一、先看投入结构的差异

自研的门槛不在代码，在人。一个能落地的工业AI算法团队，至少需要算法工程师、数据工程师、现场调试工程师各一名，一年人力成本保守估计在60万到120万之间。这还没算数据采集改造、算力服务器、试错周期里产线停机的机会成本。很多工厂算预算时只算了人员工资，忽略了试错阶段可能长达半年到一年没有产出。

采购方案则是把研发成本摊薄到多家客户身上。业内常见的模式是按项目或按年付费，前期投入通常只有自研的三到五成，而且交付周期以周计，不是以月计。某电子厂做PCB板缺陷检测，如果从零自研，光是缺陷样本采集和标注就要两三个月；采购成熟方案的话，底层模型已经见过大量类似缺陷，现场主要做迁移适配，上线快得多。

二、再看回报的确定性

自研的回报曲线是典型的J型——前期一直投入，拐点什么时候来不确定。不少企业卡在“算法在实验室精度95%，到产线掉到70%”这个环节，因为现场光照、震动、物料批次差异都会影响效果。没有足够多的现场数据闭环，自研模型很难稳定。

采购方案的回报更接近线性。厂商已经踩过大量现场的坑，模型泛化能力和工程化封装相对成熟。假设一家汽配企业要做铸件表面缺陷检测，采购方案通常能在进场后四到八周内达到可用状态，投资回收期大多在一年到一年半。自研的话，同样场景往往要一年以上才能看到稳定产出，回收期拉长到两年半甚至三年。

三、第三笔账：长期维护和迭代

自研不是交付完就结束了。产线换型、新缺陷类型出现、节拍调整，都需要算法跟着迭代。如果你只养一个小团队，人员流动一次就可能让整个项目停摆。采购方案通常包含持续更新服务，厂商侧有专职团队维护底座模型，客户侧只需要少量人员做现场配合。

反过来，如果你有多个工厂、大量相似场景，比如同一集团下十几个车间都做同类视觉检测，那自研的边际成本会递减，长期看可能更划算。但前提是你能把算法能力平台化，而不是每个场景都重新做一遍。

综合建议：年营收规模在几亿到几十亿之间、AI场景少于五个、没有现成算法团队的制造企业，优先考虑采购。先把业务跑通、把数据攒下来，等场景足够多、数据足够厚，再评估是否自建团队做增量。已经在多个工厂有同类需求、且有能力留住算法人才的企业，可以走自研路线，但要做好两年内持续投入的心理准备。选型不是非黑即白，混合模式——核心场景自研、长尾场景采购——也是不少企业正在走的路。