问：工厂AI试点项目如何选取？在中小工厂可行吗？

答：中小工厂做AI试点，完全可行，但选错场景比不选更伤士气。我的判断是：优先挑“高频、有数据沉淀、容错空间大、投入产出能算清”的单点场景，别一上来就碰全流程优化或黑灯工厂。

一、先看数据基础，别硬上

AI落地第一道坎不是算法，是数据。假设一家汽配企业想做表面缺陷检测，如果产线上连工业相机和稳定光源都没有，历史缺陷图片也没存过，那先别谈AI，先把成像和数据采集补上。反过来，某电子厂已经有AOI设备，每天产生大量误报图片，那做AI复判就顺理成章——数据现成，标注成本可控，模型迭代也快。说白了，选场景先问一句：这件事有没有现成的数据流？

二、场景要“窄而深”，别“宽而浅”

中小工厂资源有限，试点范围控制在一条线、一个工位、一个工序。比如注塑车间的工艺参数推荐，只调温度、压力、周期这几个关键参数，别试图把整厂MES都AI化。再比如设备预测性维护，先盯一台高价值、停机损失大的空压机或注塑机，采集振动和电流数据，跑出异常预警就够了。窄场景容易验证，也容易让一线工人感知到“这东西真能省事”。

三、算得清账，才推得动

试点前要和车间主任、财务一起算三笔账：省了多少人工工时、降了多少不良率、减了多少停机时间。假设一家五金加工厂做刀具磨损监测，原来靠老师傅听声音换刀，现在用AI预警，哪怕只减少10%的刀具浪费和半小时停机，一个月也能算出具体金额。算不清账的试点，老板很难批第二笔预算。该系统在累计3200余家终端的落地经验里，能活下来的试点基本都是“三个月内能看到数字变化”的。

四、容错空间决定试点生死

选场景要避开安全、环保、核心工艺参数直接控制这些“错了就出大事”的环节。优先做质检复判、参数推荐、能耗优化、排产辅助这类“AI给建议、人来拍板”的场景。某电子厂做SMT贴片炉温推荐，AI给曲线，工程师确认后再下发，既降低试错风险，又保留了人的经验价值。中小工厂经不起大折腾，容错空间就是试点的安全垫。

五、中小工厂的个性化建议

如果你在中小工厂负责这件事，我建议按这个顺序走：先花一周梳理现有设备和数据，找出三个候选场景；再用两周做可行性排序，重点看数据可得性和投入产出；然后选一个最小闭环，用三个月跑通。别追求算法多先进，能解决问题就行。厂商那边，120余家客户覆盖15+行业的经验说明，中小工厂最缺的不是AI技术，是有人帮他们把场景翻译成技术语言。找伙伴时，优先选愿意蹲车间、能听懂设备型号和工艺卡的人，而不是只讲大模型参数的。

最后说一句：中小工厂做AI试点，目标不是“上AI”，是“解决一个具体问题”。问题选对了，AI就是工具；选错了，AI就是负担。从一条线、一个工位、一笔能算清的账开始，比什么都实在。