今年听到的 AI 质检项目，两种结局都不少见。

一种是真用起来了。上海一家做 PCBA 的电子厂，被上观新闻报过：AI 质检上线后，误报率从 10% 以上降到 1% 以内，换一条产线的编程时间从四到八小时缩到一分钟，原来一条线三个质检工，现在一个人能管三条线。

另一种就没这么顺。网上流传的各种复盘里，常见的剧情是：设备按实验室数据选的型，进了车间被油雾糊住镜头、被光线波动搅乱识别，误判降不下来，质检岗位一个没省，还多出专人擦镜头、复核误判，最后设备闲置。

同一个技术，结局差这么远，多数人第一反应是算法不行。其实算法恰恰是最不常出事的环节。真正决定成败的，通常是三件不起眼的事：算力、环境、维护。一个一个说。

角度一：算力——实验室跑得顺，车间要重新算

做过部署的都知道一个规律：模型在实验室的跑分，和车间的实际帧率，经常差着几倍。

举个真实的例子。有人做铸件缺陷识别，选了个大模型，检测精度确实高，92%。放到边缘盒子上跑，帧率只有每秒 11 帧，再算上车间的电磁干扰导致的丢帧，推理延迟从 100 毫秒涨到 300 毫秒——产线两秒出一个零件，上一个还没检完，下一个已经过来了。后来换了个小一号的模型，精度掉了三个点，帧率涨到 47，反而能用了。

还有一个容易被忽略的：算力会随温度缩水。有团队用的边缘盒标称 21 TOPS，夏天车间 42 度，散热跟不上，设备自动降频，实际只剩 5 TOPS，帧率掉一半。参数表上的 TOPS 是实验室温度下的数，车间里能不能站住，看的是散热设计。

所以选硬件该问的不是“算力多少”，而是“我这几个相机、这个节拍、这个车间温度下，能不能连续跑”。算力留两三成余量，散热按夏天的极端工况算，这两条做到位，实验室的成绩才有机会带到车间。

角度二：环境——油雾、粉尘、光线，是车间的日常

实验室是恒温恒湿、标准光源、干净台面。车间是另一回事：油雾糊镜头，金属碎屑落在检测台上，中午开个排风扇，光线一抖，识别结果就跟着抖。这些东西不会出现在任何参数表里——因为参数表只描述设备本身，不描述车间。

环境这一关，考的正是硬件的功夫：

一个项目要同时懂算法工况和硬件工艺才能把这些都想全。算法团队对车间环境的适应往往不在他们的能力圈里，结构厂又不了解推理负载的特性，中间这层衔接，恰恰是最容易留下盲区的地方。

角度三：维护——上线不是结束，是开始

不少项目死在第四个月。

原因说穿了很简单：产线是活的，模型是死的。换了个料号、换了批光源、季节一变温湿度不同，模型精度就往下掉。有家厂上线时误判率 2%，产品换型后升到 15%，每天停线两小时，三个月的损失远超当初省下的方案钱。

所以项目立项时就要把三件事想清楚：换型之后谁来重新标数据、调模型？设备跑久了内存泄漏、系统卡顿，谁负责？出了问题多久能响应？

还有一条要写进合同：验收标准定成车间良率，而不是实验室准确率。​ 验收标准定的是什么，整个项目各方就会朝着什么方向使劲。

这一层的活，正是我们干的

我们的位置很简单：不做算法，算法交给专业的伙伴。我们做的是把算法稳稳当当装进车间的那台设备——核心板、单板、整机定制，外壳、软件都能一起做。

落到 AI 质检这个场景：

AI 质检这个事，算法决定上限，硬件决定它能不能活到发挥上限的那天。

产线上打算上视觉检测、或者想提前把硬件底子打牢的，把工况发过来——几路相机、车间温度、什么节拍——我们帮你看一眼硬件方案该怎么配。