科技咨询顾问进车间：那台AI质检相机，为什么夜班就瞎了

上周三，南京江宁。一家做精密冲压件的厂子，老板拉着我看新装的AI质检线。白天演示挺漂亮，屏幕上绿框一闪一闪，NG件被气吹走。到了晚上十点，同一台相机开始抽风：好件被吹掉，坏件放行。老板脸都绿了，问是不是算法不行，要不要换供应商。 我没接话。先蹲在工位边上看灯。车间顶灯有两排，靠门那排换了LED，靠冲床那排还是旧灯管，频闪。相机曝光时间短，夜班电压一波动，图像亮度就跳。质检员大姐在旁边补了一句：夜班反光更厉害，白天看不出来。你看，问题不在模型。 科技咨询顾问干的活，很多时候不是“推荐一套系统”，而是把“要不要上”拆成“在什么边界内可以上”。这话听着绕，现场就很好懂：先别问大模型，先问灯、问样本、问节拍、问返修记录。 制造业AI质检相机光源布置现场图

顾问不是技术二传手，是决策翻译器

说实话，不少企业找科技咨询顾问，心里想的是“你帮我挑个软件”。这期待就偏了。挑软件是采购动作，顾问先干的是翻译：把业务语言翻成技术约束，再把技术指标翻回钱和风险。 比如老板说“我要把漏检率降下来”。这句话没法直接写进合同。漏检率降到多少？哪些缺陷类型算？过杀率允许多少？节拍不能低于多少？夜班白班是不是同一套标准？这些不钉死，供应商有一百种办法让演示好看。 我在现场一般先做一张很土的表：工位、光照、相机型号、镜头、缺陷类型、样本量、标签来源、返修记录能不能追溯、MES里有没有时间戳。MES就是制造执行系统，记录每道工序干了啥。表不漂亮，但能救命。 有个细节：质检员判定“轻微划痕”的标准，和工程师看图纸的标准，经常对不上。人不统一，标签就脏。标签脏，模型学出来的就是一团浆糊。你说这怪算法吗？

AI质检不是买双眼睛，是教一个新人看瑕疵

机器视觉质检，本质是统计模式识别。模型从大量带标签的图片里找像素、纹理、边缘的相关性。它不是理解了“划痕”，它只是学到“这类像素组合在历史样本里常被标成划痕”。 这就像带新人。你不能只说“有瑕疵就挑出来”。你得告诉他：多长算划痕，多深算压伤，反光算不算，油污算不算，边界模糊的拿给谁复核。新人还得跟班看夜班、看换模、看不同批次材料。模型也一样。 麻烦在于分布漂移。样本的统计特征会变。白天样本多，夜班样本少；这批材料换了涂层，反光变了；相机挪了两厘米，视野变了。模型在旧分布上准，到新分布上就飘。夜班“瞎了”，不一定是代码错，是输入变了。 所以顾问做可行性评估，会盯三件事：缺陷定义能不能收敛，样本能不能覆盖长尾，误检和漏检的成本是不是对称。漏检一个安全件，可能赔大钱；过杀一个普通件，只是多返工。成本不对称，验收指标就不能只看一个“准确率”。 工厂质检缺陷样本标注工作台照片

土办法：先让失败便宜一点

我见过一种很贵的做法：一上来全产线铺开，预算几百万，三个月后开会吵架。科技咨询顾问的价值，有时就是让失败发生在小范围里。 具体怎么落地？先做PoC，小范围验证。固定相机和光源，白夜班都采样，盲测。让质检员和模型各判一遍，把分歧件拿出来复盘。连续跑两周，看指标漂不漂。验收别只写“准确率95%”，要写漏检率、过杀率、节拍、连续运行稳定性，还有换型时间。 再算账。相机、镜头、光源、工控机、算力、集成、维护、标注返工，都是钱。还有隐形成本：产线停线调试、质检员重新培训、供应商锁定。数据接口是不是开放？模型能不能导出？这些不问，后面很被动。 科技咨询顾问车间走访记录白板照片

有些问题，真不该交给AI

常见误解挺多。有人觉得顾问就是写PPT的，有人觉得上了AI就能减人，还有人觉得模型越复杂越厉害。现场看多了，人会冷静一点。 缺件检测，一个光电传感器可能更稳。尺寸测量，传统视觉加规则可能更可控。工艺参数优化，先把实验设计做扎实，再谈机器学习。AI适合什么？外观缺陷复杂、规则难写、样本够、容错空间清楚的场景。样本不够，先攒数据；缺陷定义不清，先统一标准；光照不稳，先改光。别把管理问题包装成算法问题。 风险也得说透。数据安全、供应商锁定、指标造假、组织阻力，哪个都能让项目翻车。科技咨询顾问不是替老板拍板，而是把不确定性摆到桌面上，让拍板的人知道自己在赌什么。 收个尾。那家南京工厂后来没换相机，先加了遮光罩，稳定了光源，重新采了夜班样本，PoC跑了一个月。误报降下来了，漏检还有长尾，但边界清楚了。老板说早该这么干。我心想，早这么干，顾问费可能就省了——不过话说回来，很多坑，不亲自蹲下去看灯，真看不见。