工业现场部署 AI：断网、老旧设备与无人运维三个约束

工业现场和办公场景不是一回事。网络会断、设备服役年限长、现场往往没有人守着屏幕。这三点约束决定了 AI 在工业现场能做什么、该怎么做，也决定了同一套方案在办公室能跑通，到了车间未必能用。

网络不可靠，离线能力是前提

工业现场的网络稳定性通常低于办公环境。产线附近的无线信号受金属结构影响，部分区域只能靠有线；厂区与外部网络之间往往还有隔离要求。这些条件意味着，依赖云端推理的方案在现场会遇到两个问题：一是响应时间受网络抖动影响，二是断网时功能直接失效。

因此离线能力需要作为前提设计，而不是可选功能。模型与推理引擎要在本地设备上完整运行，本地缓存要能支撑一段时间的连续工作。这里的时长需要结合具体工艺确定，连续生产线上，中断几分钟就可能造成批次报废。

联网时再把结果同步到中心，是更稳妥的分工。

老旧设备上先做减法

工业设备的更换周期通常长于软件迭代周期。现场同时存在新装设备与服役多年的设备，算力与内存差异很大。

在这类环境里，把模型直接装上旧设备往往行不通。较为务实的路径是先做减法：确认哪些环节必须用模型，哪些环节用规则就能覆盖。能用规则判定的逻辑不要交给模型，这既省算力，也更容易解释和验证。

剩下必须用模型的部分，再按设备能力选择模型规格。高配设备跑完整模型，低配设备跑裁剪后的版本，差距过大时宁可让该环节回到人工，也不强行部署。

还有一个容易被忽略的点：老旧设备的接口与协议往往不统一。数据能不能取出来，常常比模型准不准更早成为障碍。

无人运维要求自恢复

现场无人值守，意味着故障不能等到有人发现才处理。这类环境对系统提出的要求与其他场景不同。

服务需要有守护机制，进程异常退出后自动拉起。任务需要有重试与隔离，单条数据出错不应导致整批中断。资源需要有边界，内存占用超过阈值时主动释放，而不是等到系统卡死。

同时要能留下判断依据。现场没有人记录发生了什么，事后排查只能靠日志。日志要包含时间、设备标识、任务标识与失败原因，并且能在有限带宽下传回中心。