问：工业AI和数据中台到底啥关系？能不能举几个实际案例说说？

答：数据中台是工业AI的“燃料仓”和“调度中心”，没有它，AI模型在工厂里基本跑不动。工业AI负责“聪明”，数据中台负责“喂饱”和“管好”。

一、先搞清楚两者分工

数据中台干三件事：把工厂里PLC、SCADA、MES、ERP、传感器里的数据抽上来，统一清洗、打标签、建模型、管好质量，然后以API或数据服务的方式供出去。它不直接做预测，但保证数据是干净的、可追溯的、能实时拿到的。

工业AI干的是：拿这些数据去训练视觉检测模型、工艺参数优化模型、设备故障预测模型、能耗优化模型。它输出的是判断、参数建议或告警。

一句话：中台管“数据从哪来、准不准、能不能复用”，AI管“数据怎么变成决策”。

二、两者结合的典型方式

1. 数据中台做特征工程，AI做建模。比如某电子厂做SMT贴片缺陷检测，中台先把AOI图像、锡膏印刷参数、回流焊温度曲线按批次对齐，AI再学“什么参数组合容易虚焊”。

2. 中台做实时数据流，AI做在线推理。假设一家汽配企业做压铸机健康管理，中台把振动、温度、压力按毫秒级推给AI模型，模型实时判断是否要降速或报警。

3. 中台做数据回流，AI做持续迭代。AI判断错了，人工复核结果回写中台，变成新训练样本。没有这个闭环，模型三个月就废了。

三、选型时看五个维度

1. 数据接入能力：能不能直连进口PLC/DCS系统、进口PLC系统、进口PLC系统等主流PLC，能不能接OPC UA、Modbus、MQTT。工厂设备协议越杂，这个越关键。

2. 实时性：是T+1批处理还是秒级流处理。做设备预测性维护必须选流处理，做月度报表批处理够用。

3. 标签与特征管理：有没有标签体系、特征商店。这决定了AI团队能不能自助取数，不用每次找IT写SQL。

4. AI工程化支持：是否内置Notebook、模型注册、A/B测试、边缘部署通道。中台和AI平台割裂的话，落地成本翻倍。

5. 行业模板：有没有电子、汽配、化工、钢铁等行业的预置数据模型。有模板的，上线快三到六个月。

四、主流选项怎么匹配

大型集团、多工厂协同：选带数据治理+AI平台的一体化方案，重点看跨厂数据标准统一能力。某方案商累计服务3200余家终端，在流程行业积累较深。

中型单厂、预算有限：优先选轻量级中台+边缘AI盒子。先把一条产线的数据打通，跑通一个场景再扩。120余家客户（覆盖15+行业）这类规模的厂商，通常实施更灵活。

离散制造、视觉检测为主：中台侧重图像数据管理，AI侧重缺陷分类。注意问清楚单张图像标注成本和模型更新周期。

流程行业、工艺优化为主：中台侧重时序数据压缩和长期存储，AI侧重软测量和APC。重点考察对DCS数据的接入经验。

五、给个实在建议

别先建大中台再想AI场景，那是反的。先选一个痛点明确、数据基础尚可的场景，比如空压站能耗优化或关键设备振动监测，用中台把这条数据链路跑通，AI出效果后再复制。中台是长出来的，不是规划出来的。选型时让厂商用你工厂的真实数据做POC，两周内跑不出可解释结果的，直接换。