企业AI应用（三）：你花钱买了个"工业算命先生"

前两篇聊的是企业AI投资回报算不过来的几层原因——省时间不等于省钱、钱花错了方向、单点效率被整体流程吃掉。这些问题各行各业都存在，但制造业还有一个更扎心的问题：很多AI产品本身就是半成品，它只走了半程。

预测性维护就是一个典型。PPT上的故事特别好讲："AI实时监测设备状态，提前预判故障，减少非计划停机，降低维修成本。"听起来完美。但真正跟上了这套系统的人聊，才发现情况没那么简单。

知道要坏了，但不知道哪儿坏、怎么坏

系统确实能干活——通过振动、温度、电流这些传感器数据，算出设备的劣化趋势，告诉你"这台设备大概还能撑两周"。时间窗口的预判，做到周级甚至天级，技术上没什么问题。

但产线主管的反应是："然后呢？"

知道两周后要坏，但不知道是轴承磨损、齿轮点蚀、密封泄漏还是电机匝间短路。不知道该提前备哪个件，不知道该安排什么工种去修，不知道这次维修需要停机多久。预警倒是提前了，但还是没有办法提前安排维修，避免停机。

最后怎么办？要么等到真坏了再说，跟没装AI一样；要么保守起见搞一次大修，把可能出问题的部件全换一遍——成本比不装AI的时候还高。

这就是当下绝大多数工业AI预测性维护的真实处境。用一个可能不太恰当但极其贴切的类比：它本质上是个算命先生——告诉你"三个月内有血光之灾"，但开不出药方。

企业需要的是医生，不是算命先生

算命先生说你有血光之灾，磕碰、手术、炎症都算。设备异常也一样——这里面最核心的困境是"多因一果"。

举个具体的例子：一台电机的振动值突然超标了，传感器报警。但振动超标这个"果"，背后可能对应五六种完全不同的"因"——轴承外圈剥落、齿轮齿面点蚀、联轴器对中不良、地脚螺栓松动、甚至可能是上游皮带轮磨损导致的负载波动传导过来的。这些故障在早期阶段，反映到振动波形上长得几乎一模一样，都是某个频段的幅值升高。AI看到的只是"振动不正常了"，但到底是哪个部件、什么性质的故障，从单一传感器的数据里根本分不清。

这就像一个人说"肚子疼"，可能是吃坏了、阑尾炎、肾结石、也可能是心梗的放射痛——症状一样，病因天差地别，处理方式完全不同。没有进一步的检查手段，光凭"肚子疼"三个字，谁也开不出药方。

企业真正需要的是医生式的能力：精准定位病灶是哪个部件、明确病因是磨损还是松动还是超载、给出修复方案换什么件怎么修、最好还能从源头预防。

但现实是，市面上绝大多数工业AI产品——不管第三方的还是系统集成商的——只能做到算命这一层。原因很具体：

传感器数据维度不够。前面说了，单一传感器采到的信息维度有限，不同故障的前期劣化特征高度相似，AI看不出区别。理论上可以通过多源数据交叉验证来区分——振动加上红外热成像、油液分析、声学信号、工况参数，多个维度拼在一起，确实能把不同故障模式分开。但大多数工厂的传感器配置远没有达到这个密度。

缺少故障标签数据。精准诊断需要大量"什么时间、什么部位、什么故障、对应什么波形"的标注样本。但工厂的设备不坏不修，坏了直接换件，从来没有系统性地记录过。没有标签，模型训不出来。

没有设备的物理机理。设备是耦合系统，一个异常信号可能是上游部件连带引发的。纯靠数据特征，不懂设计结构和传动逻辑，AI没法区分根因和表征。

能开药方的，只有造设备的人

这里有一个让下游企业很不舒服的现实——精准故障诊断的能力，天然锁在设备原厂手里。

设备厂商手握物理模型和设计图纸，知道每一个部件的正常工况、磨损曲线、失效阈值。同型号设备在全国甚至全球运行了成百上千台，各种故障模式全部见过——相当于看过无数病人的专科医生。出厂自带定制传感器、专属采集协议，数据质量完全不是后期加装通用传感器能比的。

而且原厂能做到诊断、备件、维修的完整闭环：定位到具体部件损坏，直接推送备件清单，匹配标准维修流程。不只是告诉你哪儿坏了，还直接给你药方。

下游企业呢？设备的设计结构是黑箱，核心数据拿不到，传感器布局是出厂时就锁死的，连维修的配件型号和公差参数都在厂商手里。就算想自己加装传感器做监测，也不敢动核心部件——私自拆装一旦造成损坏，原厂维保协议直接作废，后面出了问题全得自己兜着，这个风险没几个工厂扛得起。就算勉强猜出哪里坏，没有专用工具和合规维修标准，修不标准。

造设备的人，才懂设备会怎么病；用设备的人，只能感知设备不舒服。

这笔账该怎么算？

回到投资回报的问题上。

一个工厂花了几十万甚至上百万部署预测性维护系统，最后得到的是算命级的模糊预警。备件提前备不了、根因找不到，该停机还是停机，该大修还是大修。

想要医生级的精准诊断？只能买设备原厂的维保服务——收费高、绑定深、生态锁死。等于花了一笔钱买了算命，发现不够用，再花一笔更大的钱去看医生。

这也解释了为什么制造业的AI项目失败率特别高。不是技术不行，是产品本身只做了半程——预警做到了，但从预警到行动之间的那段路，它走不了。而那段路，才是真正值钱的部分。

前三篇拆了企业AI回报算不过来的几层原因：省时间不等于省钱、钱花错了方向、效率被流程吃掉、产品本身就是半成品。

但MIT和McKinsey的数据也告诉我们，大约5%到6%的企业确实从AI里拿到了实实在在的回报。它们不是用了更贵的模型，也不是技术团队更强。

它们到底做对了什么？下一篇聊。