1 问题背景如果工业AI前景这么大，为什么很多AI公司进入工业诊断领域后，很难长期做下去？这其实已经不是技术路线问题，而是行业落地问题。很多AI团队在进入工业领域之前，往往会带着互联网行业的经验：数据驱动、模型训练、快速迭代。但真正进入工业现场后才会发现：工业并不是互联网，很多困难并不来自算法，而来自行业本身。1.1 工业数据并不天然存在在互联网行业，数据往往是系统运行的自然产物。用户行为、点击记录、交易信息等数据，会随着系统运行持续被记录下来。但在工业现场，数据并不会自动出现。很多设备如果没有部署监测系统，实际上是没有任何历史数据的。即使企业已经开始建设设备监测体系，数据获取仍然依赖一整套工程系统，包括监测点规划、传感器安装、数据采集系统部署、网络与存储建设，以及后续运行维护。在不少工业AI项目中，团队进入现场后才发现：算法还没开始做，数据系统本身就需要先建设。很多时候，最耗时间的不是模型训练，而是把数据稳定地采回来。从工程角度看，工业数据其实是一条完整链路的产物。设备信号需要经过传感器感知、数据采集、网络传输和数据平台，才能最终进入分析系统。下图展示的，就是数据从设备进入算法系统的典型路径：