制造业 AI 很少败在算法上。它败在集成层——即来自 7×24 小时运行的控制网络的干净、情境化数据必须在不干扰产线的前提下送达模型的那个环节。我们的做法是构建能够经受工厂环境考验、与现有 OT 基础设施集成、并突破试点产线实现规模化的制造业 AI，在您车间现有的任何设备组合上都保持厂商中立。
为何制造业 AI 试点会失败
以下是我们在几乎每一个制造业 AI 项目中都看到的模式：某厂商在一条产线上运行概念验证，准确率数字看起来非常出色，然后有人向运营副总裁展示一套幻灯片。六个月后，该系统要么仍只在那一条产线上运行、没有任何扩展计划，要么操作员已悄悄开始绕过它——因为准确率下降了，而没有人为模型再训练编列预算。
IDC 发现， 88% 的 AI 概念验证从未进入生产部署。具体到制造业，部署率约为 13% 至 16%。原因并不神秘，但它们是结构性的：工厂 AI 败在集成层，而非算法层。
阻碍一切的 OT/IT 集成难题
大多数制造工厂运行的自动化基础设施是为可靠性和隔离而设计的，而非为数据共享。PLC 通过专有协议通信，SCADA 系统记录到本地历史数据库，MES 平台则位于防火墙之后——工厂工程师出于合理原因不愿开放这些防火墙。2025 年一项 Gartner 调查发现， 61% 的制造商将其 OT/IT 集成评为基础水平或根本不存在。
这正是 AI 项目撞上的那堵墙。你可以构建世界上最精密的预测性维护模型，但如果无法在不干扰一个 7×24 小时运行的生产网络的前提下，将干净、情境化的数据从控制层送入模型，那么这个模型永远无法进入生产。
有前瞻性的工厂正在采用的架构是一种 统一命名空间 ，其构建基础包括 OPC UA （用于机器级情境）以及 MQTT with Sparkplug B （已于 2023 年被批准为 ISO/IEC 标准，用于企业数据传输）。它以发布-订阅架构取代了点对点集成的“意大利面式”混乱，让每一个数据源——从 CNC 主轴上的振动传感器到 ERP 生产订单——都发布到单一的语义命名空间。
实施这一架构的工厂报告称， AI 部署时间缩短 60% 至 80%，因为数据管道只需解决一次，而不必为每个用例重新设计。我们的做法是为棕地工厂设计这些架构，在车间现有的任何 Siemens、Rockwell、Mitsubishi 或老旧设备组合上开展工作。
超越炒作的预测性维护
旋转设备的振动分析自 20 世纪 90 年代以来就已是一门成熟的学科——Emerson (CSI)、SKF 和 Fluke 等公司数十年来一直在销售状态监测硬件和软件。当某厂商告诉你他们发明了由 AI 驱动的预测性维护时，他们通常指的是在单一状态监测数据流（一般是振动）之上加了一层机器学习，然后称之为预测性维护。
真正的机遇，也是其经济效益令人信服的原因，在于将多路状态监测数据流与生产情境相融合：振动、热成像、电机电流特征分析加上声发射，再与机器当时实际生产的内容相关联，所产生的剩余使用寿命估计是单一数据流分析无法企及的。
ABB 调查了 3,200 位工厂维护负责人 ，发现三分之二的公司至少每月都会经历非计划停机，平均成本为 每小时 125,000 美元。在整个制造业，非计划停机造成的损失估计每年高达 500 亿美元。妥善部署多路预测性维护的工厂报告称：
- 25% 至 40% 的降幅 ，体现在维护成本上；
- 50% 的降幅 ，体现在非计划停机事件上；
- 投资回报通常在 12 至 18 个月内实现。
一个项目的范围包括构建传感器融合管道、边缘推理层（详见 我们关于制造业边缘原生 AI 延迟的研究），以及与您的 CMMS 集成——无论是 SAP PM、Maximo 还是 Fiix——从而让维护团队看到可执行的工单，而非原始的模型输出。
在生产条件下依然可靠的质量检测
AI 视觉检测确实有效。已记录的部署显示，缺陷检出率 比人工检测高 90%，准确率介于 95% 至 99% 之间，且速度是人工检验员无法持续保持的。问题在于，这些数字来自在受控光照、部件朝向一致、光学镜头洁净的条件下采集的验证集。
投入生产六周后——在光照随季节变化、刀具磨损、物料批次改变、研磨或焊接产生的颗粒物覆盖了相机镜头之后——准确率会悄然下降。系统不会抛出错误；它只是开始放过有缺陷的部件或误判合格的部件。如果它误判了太多合格件，产线主管就会绕过它。如果它放过了有缺陷的部件，你会从客户退货中才发现问题。这两种结果都比根本不部署该系统更糟，因为你既承担了部署成本，又背上了一种覆盖到位的错觉。
我们的做法是设计能够应对生产漂移的检测系统：
- 环境监测 ，当光照或污染状况变化超出阈值时触发重新校准；
- 数据集管道 ，自动收集并标注边缘案例以供模型更新；
- 退化检测 ，在准确率降到控制限以下之前向质量工程师发出警报。
检测模型是容易的部分。经生产环境加固的部署才是工程功夫所在——请参见我们的 边缘 AI 制造检测的可运行演示。
数字孪生鸿沟
64% 的数字孪生项目从未走出试点阶段，其根本原因几乎总是数据，而非仿真技术。如果你拥有 CAD 模型和工艺参数，构建产线的基于物理的仿真是很直接的。但要让它与现实保持同步，则需要来自每一个相关传感器、执行器和控制器的实时数据馈送，并与生产排程、物料批次和维护历史相互关联。
大多数工厂并没有这样的管道。它们的历史数据库数据不完整、标签不一致，且以需要自定义 ETL 才能提供有用信息的格式存储。Siemens 展示了其 在 2026 年汉诺威工业博览会上于 NVIDIA Omniverse 上运行的 Digital Twin Composer，PepsiCo 作为首发合作伙伴。仿真引擎是真实存在的；差距在于为其提供数据的数据基础设施。我们的做法从数据基础入手，而非从仿真层入手。
当 OT 遇上 AI 时的网络安全
将工厂控制网络连接到 AI 系统，会打开一个大多数制造业 IT 团队无力防御的攻击面。针对制造业的威胁行为者数量增长了 71%（2024 年至 2025 年初），而识别并遏制一次制造业数据泄露的平均时间为 272 天，远高于跨行业平均水平。
挑战在于，OT 网络安全和 IT 网络安全是不同的学科。 IEC 62443 定义了工业自动化的区域与管道安全架构，NIST 也发布了其 网络安全框架 2.0 制造业概况 (IR 8183 Rev 2) ，时间为 2025 年。但大多数 AI 部署为了把数据取出，会在 OT 网络边界上打洞，恰好制造出这些框架旨在防止的那种不受管控的横向移动路径。我们的做法是设计尊重 OT 网络分段的 AI 数据架构——在必要处使用边缘计算和单向数据二极管——从而让 AI 获得所需数据，而不把控制网络变成攻击载体。
监管转变：具备 AI 能力的机械
该 《欧盟机械法规 2023/1230》 将取代《机械指令 2006/42/EC》，生效日期为 2027 年 1 月 20 日，且没有过渡期。该法规首次明确涵盖机械中基于 AI 的安全功能。制造商必须：
- 记录数据治理实践、训练数据版本和系统设计规范，以实现可追溯性；
- 提供对 AI 决策过程的详细解释。
如果您向欧盟市场销售配备 AI 安全功能的机械，您的合规计划现在就需要运转起来，而不是等到截止日期前六个月。我们的做法是帮助制造商将其具备 AI 能力的机械对照新要求进行梳理、构建文档制品，并准备合格评定机构将会审查的技术文件。
突破试点产线实现规模化
制造业 AI 中最大的浪费不是失败的试点，而是一个从未规模化的成功试点。工厂在第 3 号产线上验证了概念，指标看起来不错，然后就没有下文了——因为没有人为集成工作、再训练管道，或支撑 12 条产线（而非一条）的基础设施做过规划。Deloitte 报告称，制造业中的代理型 AI 采用率将 在 2026 年从 6% 翻两番至 24%。需求就在那里；执行差距在于规模化，而非试点。
我们从第一天起就围绕生产部署来组织项目：试点产线是一个模板，数据架构支持多产线扩展，再训练管道实现自动化，MES/ERP 集成实现参数化。因为这套管道只设计一次、可反复复用，从一条产线扩展到十二条，预期只是一次以周（而非又一个十八个月的项目）来衡量的配置变更。
为何不选择大型系统集成商或平台厂商？
像 Siemens、Rockwell 和 PTC 这样的平台厂商构建了出色的自动化基础设施，但他们的 AI 能力被设计成把你留在其生态系统内。以 Siemens 为主的工厂得到的是 Siemens AI；Rockwell 工厂得到的是 Rockwell AI。如果你的工厂运行的是混合自动化——大多数工厂都是如此——那么两家厂商都没有动力去构建跨平台集成层，而更换自动化厂商的成本可能比新建一座工厂还高。
大型咨询公司收费 每小时 300 至 500 美元，将这些项目运行 6 到 18 个月，并从通用人才库中调配人员。他们的项目管理做得很好，但撰写工作说明书 (SOW) 的人很少会去调试 PLC 通信故障，或设计能够经受焊接单元电磁干扰 (EMI) 的边缘部署（参见 我们关于面向制造业的边缘原生 AI 的白皮书）。我们的模式是保持厂商中立，针对每个工厂的设备组合和数据架构进行定制构建，并配备具有工厂车间经验的工程师——一支更小、更专注的团队，没有平台锁定。
关键要点
- 制造业 AI 败在集成层，而非算法——这正是只有 13% 至 16% 的试点能进入生产的原因。
- 基于 OPC UA 和 MQTT Sparkplug B 的统一命名空间一次性解决数据管道问题，将 AI 部署时间缩短 60% 至 80%。
- 多路预测性维护（振动、热成像、电流特征、声发射）可将维护成本降低 25% 至 40%、将停机事件减少 50%，投资回报期为 12 至 18 个月。
- 视觉检测和数字孪生的成败取决于经生产环境加固的数据管道，而非模型或仿真引擎。
- 具备 OT 意识的安全（IEC 62443、NIST IR 8183 Rev 2）以及《欧盟机械法规 2023/1230》的合规准备，必须现在就设计到位，赶在 2027 年 1 月 20 日的截止日期之前。
- 我们的项目以厂商中立和定制化方式构建，旨在数周内从一条产线扩展到十二条。
常见问题解答
为何 88% 的制造业 AI 试点无法进入生产？
问题几乎从来不在模型，而在集成层。制造业 AI 试点之所以失败，是因为它们建立在无法规模化的临时数据管道之上，依赖于数据科学家离开后无人维护的人工数据预处理，缺乏与工厂 MES、ERP 或 CMMS 系统的集成，并且从未针对生产车间的环境条件进行设计。2025 年一项 Gartner 调查发现，61% 的制造商将其 OT/IT 集成评为基础水平或根本不存在，这意味着 AI 所需的数据基础根本就不存在。我们从一开始就围绕生产部署来组织每一个项目：数据架构专为多产线扩展而设计，模型再训练管道实现自动化，与工厂系统的集成实现参数化，从而使扩展成为一次配置变更，而非一个重新工程化的项目。
非计划停机的真实成本是多少，预测性维护 AI 又如何改变这笔账？
ABB 在全球范围内调查了 3,200 位工厂维护负责人，发现三分之二的公司至少每月都会经历非计划停机，平均成本为每小时 125,000 美元。在整个制造业，非计划停机造成的损失估计每年高达 500 亿美元，且自 2019 年以来成本上升了 50%。妥善部署预测性维护的工厂——即将多路状态监测（振动、热成像、电流特征加声发射）与生产情境数据相融合——报告维护成本降低 25% 至 40%、非计划停机事件减少 50%，投资回报通常在 12 至 18 个月内实现。关键词是“妥善”。单传感器、单算法的部署很少能带来这些回报，因为它们遗漏了只有跨多路数据流才会显现的故障模式。
我们如何在不干扰控制网络的情况下，将工厂车间数据送入 AI 模型？
行之有效的架构是一种统一命名空间，其构建基础是用于机器级数据情境的 OPC UA，以及用于企业数据传输的 MQTT with Sparkplug B。OPC UA 提供丰富的语义数据模型，描述每个数据点在其运营情境中的含义。MQTT Sparkplug B（已于 2023 年被批准为 ISO/IEC 标准）提供高效的发布-订阅传输，与轮询相比可将网络流量降低 80% 至 95%。边缘网关位于 OT/IT 边界处，从控制侧的 PLC 和 SCADA 系统读取数据，并向 IT 侧的命名空间发布，而不会向控制网络开放双向路径。实施这一架构的设施报告 AI 部署时间缩短 60% 至 80%，因为新的用例消费的是命名空间中已有的数据，而无需构建新的点对点集成。
《欧盟机械法规 2023/1230》对具备 AI 能力的安全功能有哪些要求？
《欧盟机械法规 2023/1230》将于 2027 年 1 月 20 日取代《机械指令 2006/42/EC》，且没有过渡期。它首次明确涵盖在机械中执行安全功能的软件和 AI 系统。制造商必须保存数据治理实践、训练数据版本和系统设计规范的文档，以支持可追溯性。他们还必须提供对 AI 决策过程的详细解释，用于维护、培训和事件分析。该法规还为联网机械引入了新的网络安全要求。如果您为欧盟市场制造或集成具备 AI 能力的机械，您的合规计划和技术文档现在就需要在推进之中。
为何 AI 检测的准确率在投入生产几周后会下降？
验证准确率是在受控条件下测得的：光照一致、光学镜头洁净、部件朝向已知、物料批次稳定。而生产条件则不同。光照会随季节变化，也会随灯泡老化而变化。相机镜头会积累来自研磨、焊接或冷却液雾的颗粒物。刀具磨损会使部件几何形状在公差范围内、却在训练分布之外发生变化。物料批次变更会引入模型从未见过的表面处理差异。这些都不会触发错误。系统只是开始做出更多错误判断。我们通过以下方式应对：在条件漂移时触发重新校准的环境监测、自动收集并标注边缘案例以供模型更新的数据集管道，以及在准确率降到控制限以下之前向质量工程师发出警报的退化检测。检测模型是直接的部分，让它在生产条件下保持准确才是工程上的挑战。
我们如何保护如今为 AI 系统供给数据的 OT 网络？
针对制造业的威胁行为者在 2024 年至 2025 年初增长了 71%，而识别并遏制一次制造业数据泄露的平均时间为 272 天。大多数 AI 部署为了提取数据而在 OT 网络边界上打洞，从而制造出不受管控的横向移动路径，带来风险。正确的做法以 IEC 62443 的区域与管道架构为基础，配以位于 OT/IT 边界处的边缘计算节点，通过单向路径向外推送数据。AI 模型从边界的 IT 侧消费数据，绝不直接伸入控制网络。NIST 的网络安全框架 2.0 制造业概况 (IR 8183 Rev 2) 提供了风险管理框架。我们设计的 AI 数据架构同时符合 IEC 62443 和 NIST 制造业概况，从而让工厂获得 AI 能力，而不扩大其攻击面。
用于生产排程的代理型 AI 是真实的，还是只是换了名头的优化？
两者兼有一些。使用约束求解器和启发式算法的生产排程优化已有数十年历史。代理型 AI 所增添的，是自主应对干扰的能力：一个代理监控实时生产数据，检测偏差（机器故障、物料短缺、加急订单），针对约束条件（交货日期、劳动力可用性、换型成本）评估各种选项，并在无需等待人工计划员的情况下调整排程。Deloitte 预计，制造业中代理型 AI 的采用率将在 2026 年从 6% 翻两番至 24%。超过 40% 拥有排程系统的制造商计划在今年增加 AI 驱动的能力。对于约束清晰、结果可衡量的明确排程问题，这项技术是有效的。它遇到困难的地方在于变动大、工程变更频繁或数据质量差的工厂，因为代理的决策优劣完全取决于其所依据的数据和约束模型。
为何要聘请专业咨询公司，而不是选用我们自动化厂商的 AI 服务或一家四大公司？
平台厂商构建的 AI 会加深你对其生态系统的依赖。Siemens AI 是为 Siemens 工厂设计的。Rockwell AI 与 Allen-Bradley 基础设施配合得最好。如果你的工厂运行混合自动化——大多数工厂都是如此——那么两家都没有动力去构建你所需的跨平台集成。更换自动化生态系统的成本可能比新建一座工厂还高，因此厂商 AI 往往会让你被进一步锁定。大型咨询公司收费每小时 300 至 500 美元，以 50 万至 500 万美元或更高的价格将制造业 AI 项目运行 6 到 18 个月，并从通用人才库中调配人员。他们的项目管理做得很好，但很少拥有配置过 OPC UA 服务器、在生产运行期间调试过 PLC 通信故障，或设计过能够经受焊接单元电磁干扰的边缘部署的工程师。我们在你车间现有的任何设备组合上保持厂商中立地工作，针对你特定的数据架构和集成需求进行定制构建，并由具有工厂车间经验的工程师交付。
满怀信心地构建您的 AI。
与一支在打造新一代企业级 AI 方面拥有深厚经验的团队携手合作。让我们助您设计、构建并部署一套值得信赖的 AI 战略。
Veriprajna 深度科技咨询公司 专注于为医疗健康、金融和监管等领域构建安全攸关的 AI 系统。我们的架构均依据成熟的规范进行验证，并配有完善的合规文档。