企业官网建设流程全解析

前几天做了一场关于工业AI机会的直播，原本准备了不少关于算法、平台、生态的内容，结果整场下来被弹幕和评论区问得最多的问题，反而是这个："像工业AI检测、服装检测这类AI，用的到底是云联网还是单机的AI？用的什么大模型才够？"说真的，这个问题比我想象中更有价值。它说明很多想入局或者已经在工厂里跑过项目的朋友，已经绕过了"AI能不能用"的阶段，开始认真思考"AI该怎么部署、该用什么模型"这种落地问题了。这篇回顾我就把直播里关于工业AI检测的部署架构、模型选型、以及"下一个机会在哪"的完整思路整理出来，供各位参考。

1. 工业AI聊了这么多，为什么"检测"还是最热的词

1.1 检测是工业数据密度最高、ROI最清晰的环节

我这些年接触的工业AI项目里，十个有八个是从质检开始的。不是大家不想做排产优化、设备预测性维护，而是检测这个环节天然适合AI进场。一条产线上，质检工位每天产生成千上万张图像，人工肉眼看到最后难免疲劳，漏检率在业内普遍被认为在5%到10%之间波动。而AI检测的核心卖点就一句话：用稳定的算法替代不稳定的肉眼，把漏检率压下去。

从ROI角度看，检测也是最容易算清楚账的。一条服装产线，如果因为面料疵点没有及时发现，等到裁剪完才发现问题，损失的不只是布料成本，还有工时、交期、客户信任。AI检测设备一次性投入几万到几十万，能省下质检人力、降低客诉赔付、提升一次良率，这笔账工厂老板是会按计算器的。反观那些"智能排产""数字孪生"项目，动辄百万起步，效果却很难量化，中小工厂自然提不起兴趣。所以直播里我说，工业AI的下一个机会不管怎么变，检测这个入口在接下来两三年内依然不会冷。

1.2 工厂落地质检AI要跨过的三道坎

很多朋友觉得，检测AI不就是拿模型训练一下吗？真在工厂里跑过一遍的人都知道，现实远没这么简单。第一道坎是数据标注。工业缺陷往往是小样本，比如某个面料的"横档"疵点，一个月可能就出现几十次，拍到的有效样本更是稀少。一张1280x1024的工业图像，人工标注一个疵点框，熟练的标注员也要花十几秒到一分钟。想积累一个能用的数据集，几百张图像只是起点，几千张才算勉强够用。

第二道坎是模型训练与实际产线的匹配。实验室里跑个demo，用公开数据集测出来mAP挺高，一到产线就露馅：光照变了、相机角度偏了、产品型号换了，准确率立刻掉。工业现场没有一成不变的环境，模型必须能适配产线的节拍、震动、脏污、反光这些乱七八糟的因素。

第三道坎是部署和上线。模型推理速度要跟上产线节拍，软件系统要跟PLC、MES对接，操作界面要让产线工人愿意用。我见过不止一个项目，算法团队在办公室跑得飞快，一到车间就被"这相机装这儿挡手""这屏幕字太小看不清"这类问题绊住。跨过这三道坎，才谈得上稳定运行。也正因为这些坎的存在，部署形态和模型选型才会成为大家最关心的问题。

2. 云联网还是单机部署：产线AI的"本地优先"真相

2.1 为什么绝大多数质检AI跑在本地

先说结论：目前真正在生产线上稳定运行的质量检测AI，绝大多数是"本地边缘推理"模式，也就是常说的单机AI。模型跑在车间里的工控机或者边缘计算盒子上，相机、光源、传感器通过网线或者现场总线直接连到这台设备，图像不出车间，推理结果毫秒级返回给执行机构。

大家第一反应可能是：为什么不上云？数据传到云端服务器，算力又大，模型又能统一管理，不是更好吗？理想确实如此，但产线环境有几个很现实的问题。

第一个是时延。以服装吊挂线为例，一件衣服在工位上的停留时间可能就是几秒钟，相机拍照后AI必须在几十毫秒内给出判断，如果还要把图像传到云端、等云端算完再传回来，一个来回的延迟加上网络抖动，很容易让产线等不及。第二个是可靠性。工厂的网络环境不像写字楼那么干净，交换机老化、光纤被老鼠咬断、车间电磁干扰，这些都是真实发生过的事情。一旦断网，云端服务不可用，整条产线就得停下来，这个责任没人担得起。第三个是数据安全与合规。产品图像往往能反推出工艺参数、材料配方、设计细节，属于工厂的核心机密，老板们普遍不愿意把高清原图传到外部。第四个是带宽成本。一台500万像素工业相机，一张RAW图可能20MB以上，一条产线十台相机，每秒会产生海量数据，全传云端根本不现实。

所以我一直跟直播间的朋友强调：工业AI的网络架构，本质是"端侧算得动、云端管得着"，而不是"万物皆上云"。

2.2 云端在生产里到底扮演什么角色

说本地优先，不等于云端就毫无用处。实际上成熟一点的方案都是"云端训练、本地推理"的混合架构。你在一台训练服务器或者云GPU实例上做数据预处理、模型训练、验证和调优，然后把训练好的模型导出成ONNX或者TensorRT格式，下发到边缘设备上运行。这个过程有点像手机上的离线翻译——模型是在云端的强大算力上训练出来的，但真正使用时却完全在本机运行，不需要联网。

云端还有一个重要角色是模型版本管理和远程运维。一个工厂有十条产线，每个产线的光源、相机型号、产品类型都略有不同，如果每次更新模型都要工程师跑去现场刷机，运维成本会很高。比较好的做法是边缘设备定时从云端管理平台拉取新版本模型，做A/B测试，确认无误后自动切换。这种做法让"单机AI"不等于"孤岛AI"，它是一个可以集中管控的分布式推理网络。

2.3 一套常见的混合部署参考配置

如果你准备在工厂里落地一个视觉检测项目，我给出一个从低到高的配置参考，预算和性能都比较实在：

注意，入门方案里的RTX 3060看起来是游戏卡，但工业场景用得很普遍，因为它的FP16算力、显存、价格都处在甜点位。要求高可靠性的话再选工业级显卡或Jetson系列，功耗低、无风扇设计多，适合车间环境。至于算力到底怎么算，我在下一节展开。

2.4 为什么大家总在问"云还是单机"

直播里我特意聊了这个现象：为什么这么多人纠结"云联网还是单机"？我觉得是因为过去十年互联网的思维惯性太强了。大家习惯了"一切功能都通过云端提供"，觉得不上云就不够先进。但工业AI不是消费互联网App，它是一个嵌入到物理产线里的控制系统。控制系统最核心的指标是确定性，而不是弹性扩展。云计算的弹性在电商大促时是优势，但在产线上，你需要的不是"随时扩容"，而是"确定性时延、确定性可用性、确定性数据边界"。想通了这一点，就不会再纠结"云还是单机"了——你只会关心，在数据不出车间的前提下，怎么把算力堆到位。

3. 服装检测这类项目，大模型选型别被"大"字带偏

3.1 质检任务不是对话任务，先搞清楚要解决什么问题

回到直播里那个很具体的追问："用的什么大模型足够？"我发现很多人被"大模型"这三个字带偏了，以为工业AI也要用ChatGPT那种动辄百亿千亿参数的大语言模型。实际上，工业质检是一个典型的计算机视觉任务，要解决的是"这张图里有没有缺陷、缺陷在哪、属于哪一类"。这个任务在模型层面属于目标检测、实例分割或者异常检测，而不是语言生成。

我打个比方：你要的是一个靠谱的安检员，盯着镜头看有没有违禁品；而不是一个健谈的讲解员，能跟你聊哲学。安检员不需要读万卷书，但他需要眼力准、反应快、不疲劳。工业检测模型也是这个逻辑。

3.2 真正在产线上跑的是什么模型

目前产线上最常用的几个方向，我整理成一张表，方便大家按需选：

注意看，实时推理环节用的基本都是参数量在几百万到几千万的中小模型。这些模型经过TensorRT或ONNX Runtime优化之后，在一张RTX 3060或者Jetson Orin上能够跑到几十毫秒一帧，完全够用。真正动辄百亿参数的大模型，在质检场景里更多是"辅助角色"，不直接参与产线实时判断。比如用多模态大模型来自动生成缺陷描述，帮质检员把"当前位置有约3cm的横向色差"这种报告写出来，再比如用CLIP这样的视觉语言模型做新缺陷的零样本预筛。

3.3 算力够不够，用产线节拍倒推

很多朋友选型时喜欢直接问"YOLOv8够不够"，我觉得正确问法是"我的产线节拍能容忍多慢的推理"。这里给一个直观的计算方法。

假设一条服装吊挂线，每件衣服在质检工位停留3秒，需要拍摄5个关键部位（领口、袖口、前片、后片、缝线），那么每秒需要处理的图像数量是：5个部位除以3秒，约等于1.67张/秒。这个负载其实非常低，任何入门级方案都能轻松应付。

但如果换到布匹在线全检场景，布匹以每秒0.5米的速度通过相机，相机一行拍一张，加上横向拼接，实际需要处理30到60帧/秒，这时就必须上中高端方案，并且要做好多线程流水线——相机采图线程、推理线程、结果上报线程各司其职，保证吞吐量。所以我的建议是：先算帧率，再选硬件，不要盲目追求高配置，也不要为了省钱把推理延迟压到产线节拍的危险边缘。

3.4 "足够"的真正定义：模型运营能力比模型本身更重要

我见过太多项目，花大力气选了一个好模型，结果上线三个月后就开始掉点。为什么？因为产线在变，产品在变，光源在衰减，相机有老化，新缺陷也在不断出现。一个模型如果没有人持续收集badcase、持续标注、持续迭代，它的准确率一定会随时间下降。

所以我跟直播间的朋友说了一句可能不太中听的话：绝大部分工厂缺的不是"足够大的模型"，而是"让模型持续够用的运营机制"。与其纠结选YOLOv8还是RT-DETR，不如先想清楚：上线之后谁负责收集漏检样本？多久重新训练一次？模型更新的审批流程怎么走？这些问题不解决，再大的模型也救不了你的准确率。

4. 从"看得见瑕疵"到"管得住工艺"：下一个增量机会

4.1 检测只是入口，数据回流才是金矿

直播的主题是"工业AI的下一个机会在哪"，我的观点很明确：机会不在检测本身，而在检测之后的那些数据。传统质检AI的价值是"挑出坏东西"，这是一个防守型价值。但如果你想拿到下一个增量机会，就要把目光从"这张图有没有缺陷"转向"这些缺陷暴露了工艺上的什么问题"。

举个实际例子。一条面料产线，AI检测系统连续三天发现某个批次的布匹在同一个经向位置反复出现"竹节"类疵点。人工质检时代，这种连续性信息是记在纸上的，最多月底统计一下。但如果检测系统把每次疵点的位置、类型、时间都自动记录并关联到当时的工艺参数，你再去查那几天的纺纱机罗拉压力、温湿度记录，很可能就会发现规律：某台设备的某个参数漂移了。

这就把AI从"质检员"升级成了"工艺分析师的助手"。你说工厂老板愿意为这个功能多付多少钱？愿意，因为它直接关系到良率、成本、口碑。我看很多公司已经开始做这个方向了，但真正做得好的还不多，原因是这个能力的门槛不在算法，而在于你有没有把检测数据和MES、PLC、工艺系统打通。这个门槛恰好是壁垒，也是机会。

4.2 从AI检测到工艺闭环的三个阶段

为了帮大家理解这个升级路径，我画了几个阶段，从易到难：

大部分工厂目前连第一阶段都没有做好，所以机会窗口特别大。我建议中小工厂千万不要一上来就奔着"自动闭环"去，先把第一阶段的检测稳定跑起来，积累三个月到半年的缺陷数据，再去推动第二阶段的统计分析，等数据质量足够高了，再谈第三阶段的工艺联动。饭要一口一口吃，闭环也要一段一段建。

4.3 中小工厂切入的正确姿势

很多朋友问，我们厂规模不大，也想做工业AI，应该从哪里下手？我给出的建议永远是：选一个痛点最痛、数据最容易采、效果最能量化的工位，做一个小而美的单点项目。比如服装厂先做面料质检，电子厂先做PCBA外观检测，不要试图一口气覆盖整个车间。

另外，要特别关注团队配置。工业AI项目不是买一套设备就能转的，需要工厂内部至少有一个懂生产流程、能推动IT和OT对接的人。如果没有这样一个人，再好的供应商方案也很难落地。反过来，如果你能在工厂里找到这样一个"懂工艺又愿意学AI"的角色，哪怕他用最基础的开源YOLO先跑出一个demo，也比空谈大模型、数字孪生强一百倍。

5. 直播问答精选：五个被反复追问的落地问题

5.1 工厂没有数据集，怎么启动AI检测？

我发现这是问得最多的。建议的冷启动路径是：先找一两台相机，架在最有代表性的工位，拍一周的连续生产数据。然后把有明显缺陷的帧挑出来，人工标注几百到一千张。这个量级的数据配合预训练模型做迁移学习，已经能训练出一个baseline。再跑两周，把漏检和误检的数据收集起来做第二轮迭代。过程中可以用多模态大模型做自动标注辅助，但一定要人工确认，因为产线上的误标会造成模型学错。

5.2 模型准确率已经到99%，工厂还是不验收，为什么？

因为工厂不会只看总体准确率。他们要看的是一次良率、漏检率、误检率，特别是在关键缺陷上的漏检率。一个模型整体准确率99%，但恰好对那一类最贵、最致命的缺陷漏检率高，工厂就不可能验收。正确做法是在项目一开始就跟工厂商定分缺陷类别的代价矩阵：A类缺陷漏一个赔1000元，B类缺陷误检一个浪费10元，模型应该优先压住A类的漏检，哪怕牺牲一点B类的误检。这个逻辑要写进验收标准里，否则项目做死了都不知道死在哪儿。

5.3 开源模型和商用大模型该怎么选？

我的看法是：产线实时检测的模型用开源的，辅助决策部分可以引入商用大模型。开源YOLO、PP-YOLO、RT-DETR这些已经非常成熟，社区活跃，资料多，不会有厂商锁定问题。商用大模型的优势在于语义理解、报告生成、对话式分析这些非实时环节，比如让质检主管用自然语言查"过去一周A类缺陷的分布趋势"。这两者不是竞争关系，而是各管一段。

5.4 买GPU服务器还是租云？

如果是做一两个点的边缘推理，直接买边缘设备就好，不用碰服务器。如果要在本地做模型训练，可以考虑先租云GPU，按小时计费，把训练通道跑通，积累到需要常态化迭代了再决定是否本地采购。数据中心里的GPU在闲置时是纯成本，工厂项目往往一个月也就训练几次，没必要养一台服务器烧钱。

5.5 现在入行工业AI还有机会吗？

有机会，但机会不在模型层，而在行业Know-how和数据闭环那一层。现在的算法红利已经很公开了，谁都能下载到开源模型，真正的差距在于谁能深入了解工艺、谁能把数据闭环跑通、谁能赢得工厂老板的信任。如果你懂工艺又懂AI，那你就是最稀缺的那种人。如果只懂AI不懂工艺，建议先扎进一个细分行业，至少花三个月把产线上的门道摸清楚。

最后分享一个我自己的习惯：做任何工业AI项目，先用手机在车间拍照片，搭配一个开源的轻量检测模型，花两天时间跑出一个粗糙的baseline。不用管准确率多高，只要验证"数据能采、模型能跑、结果能看"这三件事，再决定是否立项投入。这个POC动作帮我省掉了大量无效的采购和返工。工业AI从来不缺概念，缺的就是这样一点一点把虚拟的模型落到物理世界里去验证。