AI 制造：当算法走进产线，最先被替代的是「人眼」与「突发停机」
数据截止 2026-09。返回 AI 产业链总览。关联网络数字孪生、AI 物流供应链、RAG 数据基础设施与企业 AI 落地鸿沟。
消费互联网的 AI 在云上，制造业的 AI 在油污、噪声和不能停的产线上。工厂不缺宏大叙事，缺的是把良率提高几个点、让设备少意外停机、把老师傅的经验沉淀下来。工业 AI 因此有完全不同的节奏：价值具体而可算账，但数据脏、系统老、现场复杂、容错极低，是「演示容易、规模落地难」的典型行业。
先说结论
- 工业 AI 价值集中在三件事：机器视觉质检、预测性维护、工艺与排产优化。 都能直接折算成良率、停机和成本。
- 机器视觉质检最成熟，替代人眼做高速、一致的缺陷检测。 但缺陷样本少、换型频繁，小样本学习是关键。
- 真正的难点不在算法，而在数据与集成。 老旧设备、数据孤岛、与 PLC/SADA/MES/OT 的融合是硬骨头。
- 产线不能停、ROI 必须算得清。 厂商越来越多按「良率提升/减少停机」卖价值而非卖 license。
- 格局上西门子/GE/基恩士与中国海康、创新奇智、工业富联、华为并存，行业 know-how 与渠道构成壁垒。
节点速览：技术 / 玩家 / 卡点 / 成熟度 / 预期
数据截止 2026-09。标尺说明见 AI 产业链总览。
| 要素 | 要点 |
|---|---|
| 关键技术 | ① 机器视觉缺陷检测（TRL-4）② 设备预测性维护/异常检测（TRL-3~4）③ 工艺参数优化、数字孪生与智能排产（TRL-2~3） |
| 主要玩家 | 全球：西门子、GE Vernova、基恩士、康耐视、ABB；中国：海康机器人、创新奇智、工业富联、华为、宝信软件、机器视觉厂（凌云光等） |
| 关键卡点 | 主卡点：B-生态 + B-良率 —— 数据孤岛/OT集成、小样本缺陷与产线不停（18~36M，高）；次卡点：B-资金 —— ROI 与预算周期（中） |
| 做到什么程度 | 质检规模商用，预测性维护在头部工厂落地，全流程智能排产仍早期（TRL-3~4） |
| 后续预期 | 6 个月：视觉质检继续渗透、向更多行业复制（高）；18 个月：预测性维护与工艺优化在灯塔工厂上量（中）；36 个月：工业大模型/具身智能进入柔性产线（低） |
一、四大落地场景
- 机器视觉质检：用相机 + AI 在高速产线上识别划痕、脏污、装配错误，比人眼更稳定、可 7×24 工作，是采用最广的场景。
- 预测性维护：在电机、泵、机床加装振动/温度/电流传感器，模型预判故障征兆，把「坏了再修」变为「坏前就换」，减少非计划停机。
- 工艺参数优化：根据实时数据调整温度、压力、速度等参数，提升良率、降低能耗，沉淀老师傅经验。
- 排产调度与数字孪生：优化生产计划、在虚拟工厂里仿真工艺与物流（参见数字孪生）。
二、为什么质检最成熟，又仍有难题
质检问题边界清晰、数据天然产生、收益直观（少漏检、少人工），因此最先规模落地。但它有两个长期难题：一是缺陷样本稀少且不平衡——真正的不良品很少、新型缺陷不断出现，需要小样本/无监督异常检测；二是换型频繁，新产品、新光照、新材质都可能让旧模型失效，模型要快速重训。因此领先方案把光学、机械、算法和产线工艺打包，而非只卖一个识别模型。
三、真正的壁垒：数据与 OT 集成
工厂里大量设备服役多年、协议封闭、没有联网，数据散落在 PLC、SCADA、MES 和 Excel 里，标准不一。做工业 AI 往往先要花大力气做数据采集、清洗、边缘部署和系统集成，还要保证实时性与安全性；任何改动都不能影响正在运转的产线。这使得工业 AI 的交付高度依赖现场经验与行业 know-how，通用算法公司很难直接落地，本质是「三分算法、七分数据与集成」。
四、玩家格局
- 海外：西门子（工业软件/数字孪生全栈）、GE Vernova、施耐德、ABB，以及机器视觉的基恩士、康耐视。
- 中国：海康机器人/大华（视觉硬件+方案）、创新奇智（工业 AI 平台）、工业富联（灯塔工厂自用+外溢）、华为（工业互联网/大模型）、宝信软件（钢铁等流程行业）、凌云光等机器视觉厂。
- 玩家普遍沿「硬件/平台 → 行业解决方案」深入，靠细分行业标杆工厂与渠道建立壁垒。
五、商业模式与时间窗
制造客户理性、预算谨慎，愿意为可量化结果买单，推动商业模式从「卖软件 license」转向「按良率提升、减少停机、节省人力分成」，并通过先做一条标杆产线、再全厂/全集团复制来降低风险。工业大模型与具身智能（机器人）被视为下一阶段变量，但真正进入柔性产线仍需时间（见人形机器人）。
| 时间窗 | 判断 | 置信度 |
|---|---|---|
| 6 个月 | 视觉质检向更多行业渗透，预测性维护在头部企业扩展 | 高 |
| 18 个月 | 工艺优化与预测性维护在灯塔工厂规模上量，边缘部署成熟 | 中 |
| 36 个月 | 工业大模型 + 机器人参与柔性制造，出现按结果深度绑定的交付 | 低 |
常见误区
- 以为工业 AI 就是上个算法。 数据采集、OT 集成与现场工艺往往占大部分工作量。
- 以为质检一劳永逸。 缺陷样本少、换型频繁，模型需要持续迭代。
- 用消费互联网的速度要求工厂。 产线不能停、验证以季度计，落地天然更慢。
总结
AI 进车间，最先兑现的是机器视觉质检、预测性维护和工艺/排产优化，因为它们能直接折算成良率、停机和成本；但工业 AI 的真正壁垒不在算法，而在老旧设备的数据采集、与 PLC/MES/OT 的深度集成、小样本缺陷和「产线绝不能停」的约束。西门子、基恩士与中国海康、创新奇智、工业富联、华为等靠标杆工厂和行业 know-how 竞争，商业模式也从卖软件走向卖良率与停机改善——这是一条没有捷径、以年计，但一旦在产线扎根就极其牢固的实体智能化长坡。