工业AI项目最容易被误判的地方，是把模型能力当成第一性问题。实际落地时，企业往往先卡在数据底座：设备数据是否能稳定采集，数据口径是否一致，业务系统之间能否流转，以及异常发生后能否追溯。数据不连续、不完整或缺乏上下文，AI质检、预测性维护、排产优化等应用就很难从演示走向生产。
数据底座决定AI能否进入现场
制造现场的数据并非天然可用。关键工位、核心设备和检测环节需要持续输出结构化数据，现有PLC、传感器、机器人和检测设备也要具备相应的工业协议适配能力。仅仅“接上设备”并不等于完成数字化，企业还要确认采集频率能否支撑工艺分析，边缘侧是否具备数据缓存与异常断点恢复能力。
更深一层的问题是数据语义。设备状态、工艺参数、质量结果和维护记录如果缺少统一口径，即使数据量不断增加，也难以形成可训练、可分析、可追责的资产。数据底座的价值，不在于把所有数据集中起来，而在于让数据与具体工艺、设备和业务结果建立稳定关系。
系统断点比模型选择更棘手
产线数据通常分散在设备、MES、QMS、SCADA、设备管理平台以及ERP、PLM等系统中。若这些系统之间存在数据断点，AI应用就可能只能读取局部信息，无法完成从生产过程到质量结果、再到维护决策的闭环。
因此，工业软件选型不能只看功能清单，还应核验现场协议适配程度、数据模型能否衔接既有系统，以及流程是否可追溯、规则是否可配置。硬件改造和软件建设也不宜分开决策，否则新增设备可能继续制造新的数据孤岛。
先做数据验证，再做场景扩张
企业不必一开始追求全流程智能化。更稳妥的路径，是先选择质检、预测性维护、能耗优化或排产等场景，检查数据质量、标注成本和工艺波动适应性，再判断是否具备扩大部署的条件。展会中的机器人、智能控制和AI平台方案，也应还原到自身产线工况中验证，而不是只依据演示效果采购。
政策和产业平台可以加快资源对接，却不能替代企业补齐数据基础。真正决定工业AI能否持续运行的，不是模型是否先进，而是现场数据能否稳定产生、准确解释，并最终回到生产流程中形成可执行的决策。