AI质检，为什么90%的项目死在PoC之后？

跟一家光伏企业的CTO聊天，他说他们去年上了三套AI质检系统，两套都没跑通。PoC的时候准确率都是99%以上，一到量产线上就各种问题，最后还是换回了人工。这不是个别现象。我接触过的十几家做AI质检的公司，真正能实现规模化落地的不超过3家。 问题出在哪？首先是环境差异太大。实验室里的光照条件是标准的，产品是干净的，摄像头位置是固定的。但真实产线上呢？油污、灰尘、振动、光照变化，这些都会严重影响识别准确率。很多算法在实验室里表现完美，一到现场就各种误检、漏检。 然后是数据问题。AI模型需要大量标注数据才能训练好，但工厂里的缺陷样本恰恰是最少的。良率99%的产线，一万个产品里才有100个不良品，还要细分几十种缺陷类型，每种可能就几个样本。少样本学习技术说了很多年，但真正能用在工业场景里的还不多。 最后是人。产线上的工人文化程度普遍不高，你让他对着电脑调整各种参数，他根本不会用。很多AI系统界面做得特别复杂，工程师用着没问题，但一线工人根本玩不转。所以系统上线没多久就被弃用了，又回到了人工检测的老路上。 所以现在看AI质检项目，不能只看PoC的准确率，要看落地后的真实表现。是不是能适应复杂的产线环境？是不是不需要大量标注数据就能快速迭代？是不是操作简单工人愿意用？这三个问题解决了，AI质检才能真正从试点走向普及。