首页 - 文章 - 工业AI落地实战 - 正文

第1章场景适合上AI吗？30分钟红绿牌自检法

yang 工业AI落地实战 2026年5月24日

426 6

快速导览：这一章是我自己经常用的一套自检工具。花30分钟做一遍，能筛掉80%不适合AI的方向。工业现场容错率低，选错方向比不做AI损失更大。

本文目录 隐藏

一、为什么必须自检？

在3C半导体、工序SOP这类项目中，我经常被问到：“这个工位、这条产线，到底适不适合上AI？”直接回答“能”或“不能”都不负责任。

工业AI落地的第一步是确认场景，这也是第一个卡点。数据显示，约70%的制造企业已引入AI，但真正能规模化并转化为利润的，仅有约6%。绝大多数项目卡在“数据不齐、场景不对、目标模糊”这三个坑里。

红绿牌自检法的价值：快速过滤掉不合适的方向，把资源集中在“大概率能成”的场景上。这套方法经过我数十个项目的验证，能筛掉约80%的问题方向。

二、自检的三维评估逻辑

我评估一个工业AI场景时，会同时看三个维度，而且权重不同：AI可行性 > 数据准备度 > 业务价值。

业务价值：解决什么痛点？能省多少钱、赚多少钱？
AI可行性：当前技术能否实现？有什么硬限制？
数据准备度：是否有足够、高质量的数据？

用这个框架审视场景，判断会更准确。

三、红牌清单：7种情况，先别碰AI

遇到以下任意一条，我会建议暂停或换方案：

🔴 红牌1：数据太少或质量太差

典型表现：历史缺陷记录只有几十条；标注混乱；各部门对指标定义不统一。
根据我的经验：AI是数据驱动的，没有数据等于没有燃料。
建议：先做数据治理，或改用传统规则方法。

🔴 红牌2：传统方法就能解决

典型表现：固定阈值判断、单一颜色识别、标准化重复操作。
我见过不少案例：用AI处理标准任务，效率反而可能下降（有数据显示任务完成时间增加470%，错误率上升15%）。
建议：优先使用传感器、普通视觉等传统方案。

🔴 红牌3：物理极限或环境恶劣

典型表现：节拍小于0.5秒/件；高温、粉尘、强震；户外全天候光照。
原因：硬件难以承受，感知延迟占总延迟的40%-60%。
建议：先改造产线，或从室内稳定工位开始。

🔴 红牌4：项目目标模糊，无法量化

典型表现：“先试试看”“大概检测不良品”“先做POC再定标准”。
我的教训：目标模糊的POC往往会变成无底洞，最后烂尾。
建议：要求在POC前明确量化指标（如漏检率≤1%、误报率≤5%），并写入合同。

🔴 红牌5：预算严重不足，且只接受“效果后付费”

典型表现：“做出效果再付钱”“小厂先试试”。
我的看法：工业AI有硬成本（相机、边缘盒子、实施、标注等），无预算的客户大概率会变成“白嫖”。
建议：果断放弃，将精力留给有预算的客户。

🔴 红牌6：数据孤岛，IT与OT无法协同

典型表现：不同产线数据互不兼容；IT与OT团队各自为政。
我观察到的情况：试点后无法推广，每个新场景都需要重新开发。
建议：先做数据标准化，打通数据链路。

🔴 红牌7：需求“大而全”，没有边界

典型表现：“我要全自动无人车间”“帮我把整条产线智能化”。
原因：复杂度极高，全球仅6%的企业能真正规模化。
建议：拆解为小场景，先聚焦一个工位、一个痛点。

我的原则：只要命中一张红牌，就先停下来。解决红牌问题后再评估，不要硬上。

四、绿牌清单：6种情况，值得积极推进

同时满足3条以上，说明场景很适合上AI：

🟢 绿牌1：大量重复性人工判断

典型表现：质检员全天盯屏；巡检员走固定路线；分拣员重复抓放。
我的实践：AI最擅长替代这类重复劳动，质检效率可提升10倍以上。
参考回收期：6-12个月。

🟢 绿牌2：存在明显漏检、浪费或事故

典型表现：缺陷流出到客户；维修时整组件报废；每年发生小事故。
优势：痛点明确，客户愿意为“解决问题”付费。
参考回收期：6-18个月（安全场景可放宽至24个月）。

🟢 绿牌3：有历史数据且标注成本可控

典型表现：存有上万张缺陷图；PLC记录故障时间点；工人能快速标注。
我的体会：有数据，项目就成功了一半。
自检提示：标注每张图需要几分钟？需要几个人？能否在一个月内完成？

🟢 绿牌4：物理环境稳定

典型表现：室内固定工位，光照均匀；节拍大于2秒/件。
优势：环境稳定，模型不易受现场变化影响，维护成本低。

🟢 绿牌5：决策链短，有明确预算和负责人

典型表现：老板直接推动；有年度技改资金；生产总监或IT负责人能拍板。
我发现：有人对落地结果负责的项目，推进更顺畅。

🟢 绿牌6：ROI可量化

典型表现：能够直接计算“省了多少人、多少物料、良率提升多少”。
优势：便于向老板汇报，也便于横向复制到其他工位。

自检公式：统计满足几条绿牌。

≥5条 → 极优，可跳过POC直接推进
3-4条 → 良好，值得做POC
1-2条 → 一般，建议先优化场景
0条 → 暂缓

五、工业AI场景成功率参考

根据我接触的项目和行业数据，整理了不同场景的大致情况：

场景	成功率	典型回收期	说明
质检（视觉检测）	高	6-12个月	技术最成熟，数据易获取
安全生产监控	高	6-18个月	安全场景可放宽至24个月
工序SOP纠错	中高	9-18个月	需稳定环境和充足样本
设备预测性维护	中	12-24个月	需长期数据积累
生产排程优化	中低	18-30个月	复杂度较高
全流程自动化	低	>24个月	建议分步走

以上为行业平均水平。我的一些标杆案例基本在6-18个月，在一些细分场景，比如3C半导体工序SOP这个细分赛道上可以达到更高的效率。

六、30分钟自检流程

第一步（5分钟）：对照7张红牌。若有任意一张命中 → 暂停，先解决红牌问题。若未命中 → 进入下一步。

第二步（10分钟）：对照6张绿牌，统计满足几条。按照自检公式得出判断等级。

第三步（15分钟）：写下结论和下一步行动（例如“数据不足，花2个月采集标注”或“满足5条绿牌，下周启动POC”）。

七、真实案例：某3C电子厂的自检结果

用这套方法帮一个3C电子厂做过一次自检：

自检项	结果	说明
红牌1-3、5-7	✅ 无问题	数据充足、环境稳定、有预算、需求聚焦
红牌4（需求模糊）	❌ 存在	客户只说“检好”，没有具体标准
绿牌统计	满足4条	重复性人工判断、有历史数据、环境稳定、有预算和负责人
判断等级	良好	值得推进，但需先解决红牌4
结论	暂缓	先对齐验收标准（漏检率≤1%、误报率≤5%）再启动