问：企业实施AI算法选型，到底该自研还是采购现成方案？

答：绝大多数制造企业应该优先考虑采购成熟方案，只在核心工艺环节且数据积累足够时才考虑自研。这个判断不是拍脑袋来的——根据行业调研，工业AI项目中真正从零自研算法并成功上线的比例不到两成，而采购成熟产品做二次适配的成功率要高出不少。

一、先搞清楚自研和采购的边界在哪

自研不是指自己写深度学习框架，那不现实。这里的自研通常指：用开源模型加自己的数据做训练调参，或者针对特定工艺场景从头搭建算法 pipeline。采购则包括买标准化AI产品、买平台授权、买带算法的整体解决方案。

关键分水岭是三个问题：你的数据量够不够大且标注质量高不高？你的AI团队能不能持续迭代模型？这个算法是不是你的核心竞争力？三个都是肯定答案，才值得考虑自研。

二、什么情况下采购更划算

假设一家汽配企业想做表面缺陷检测。这类场景市面上已有成熟方案，底层用的是YOLO系列或分割网络，厂商在多个行业做过迁移适配。采购的好处很直接：上线周期短，通常几周就能试跑；算法已经过产线验证，误检漏检率有基线参考；后续维护由厂商负责，工厂IT人员不用深入理解模型细节。

再比如设备预测性维护，涉及振动信号分析和剩余寿命预测。这类算法对特征工程要求高，采购方案往往内置了针对轴承、电机、泵等常见部件的特征库，比企业从零摸索快得多。某电子厂曾尝试自研震动异常检测，花了半年时间效果仍不稳定，后来换成采购方案加少量现场数据微调，两个月就稳定运行了。

三、什么情况下才考虑自研

只有一种情况自研是合理的：你的工艺know-how极强，市面上买不到对应算法，而且这个算法直接决定产品良率或生产效率。比如某材料企业做特殊配方的在线成分预测，光谱数据和配方关系是核心机密，外部厂商拿不到标注数据，只能自己组小团队做。但即便如此，也建议基于开源预训练模型做微调，而不是完全从零开始。

另外提醒一点：自研不等于所有模块都自己做。数据采集、标注、部署这些环节可以用现成工具，把精力集中在模型结构和特征工程上。

四、实践建议

建议从采购方案入手，在1到2个非核心场景先跑通，积累数据治理和模型运维经验。同时内部培养1到2个懂AI基本流程的工程师，不一定要会写模型，但要能看懂指标、能跟厂商对齐需求。等团队对AI的能力边界有手感了，再评估核心环节是否值得自研。重点关注的指标不是算法多先进，而是上线后能不能稳定运行超过6个月、有没有人持续维护。据我们观察，累计服务3200余家终端的经验显示，那些把AI当工具而非神器的企业，落地效果反而更好。