同属离散制造，汽车与家电的AI质检却走出了两条截然不同的路。这不是技术能力的差距，而是由产线节拍、SKU复杂度、容错成本三个变量共同塑造的选择。
一、节拍决定架构
汽车行业的典型节拍是60-120秒/工位。在这段时间里，AI视觉系统要完成对白车身焊点、涂装表面、总装线束等数十个检测点的分析。
奇瑞芜湖工厂的焊装车间给出了一个参考值：每条线配备18台工业相机，单帧推理时间控制在200ms以内，检测精度要求达到0.1mm级。整个系统的核心架构是”边缘推理+云端训练”——推理必须在产线侧的边缘计算盒子里完成，延迟不能拖慢节拍。
家电行业的节拍则快得多。美的冰箱合肥工厂的产线节拍是12-15秒/台。但检测项目反而更复杂——外观划痕、喷涂均匀度、门缝间隙、贴标位置等，且同一产线常混流生产多个型号。
这种”快节拍+多SKU”的组合，逼出了另一套架构：以深度学习模型为核心，通过自动标注工具快速适配新机型，不追求单一模型的极致精度，而以多模型组合覆盖柔性需求。
二、ROI逻辑的底层差异
两个行业的投入产出账算得不一样。
汽车行业单台质检失败的成本极高——一台豪华车的返修成本可达数千元，品牌声誉损失更难以量化。因此ROI计算的锚点是”漏检率”而非”设备成本”。一汽-大众长春工厂引入AI漆面检测后，漏检率从人工的3.2%降至0.08%，每年减少返修损失超过2000万元。
家电行业则不同。一台冰箱的返修成本不过百元级，但年产量动辄百万台。ROI的锚点是”替代人工数”。格力电器在珠海基地的压缩机外观检测站，1套AI系统替代了6个质检员，年节省人力成本约48万元，设备投资回报周期约14个月。
三、部署策略的分野
汽车行业走的是”系统级部署”路线。AI质检不是单点工具，而是MES/SCADA系统的一个子模块。数据回流到质量管理系统，与工艺参数、设备状态数据联动分析。这要求AI团队不仅要懂算法，还要理解整车厂的IT架构。
家电行业更多采用”轻量化单点突破”。在一两条关键产线上先行部署AI质检站，跑通之后再横向复制。海尔郑州互联工厂的实践表明，这种策略让AI质检从”试点到全厂覆盖”的周期缩短到了6个月，比传统系统级部署快了将近一倍。
四、互鉴的价值
两条路径并非泾渭分明。家电行业的快速换型能力，正在被一些二线车企借鉴——用于处理小批量定制化车型的检测需求。而汽车行业的数据闭环能力，也开始被高端家电品牌引入，用于建立产品质量的数字孪生模型。
核心启示：AI质检的落地不在于技术先进性，而在于是否匹配了所在行业的”节拍-成本-SKU”三角约束。先看清自己行业的坐标，再选择对应的技术架构，比追求通用方案更有意义。
本文基于公开案例资料整理，数据来自企业公开发布的智能制造实践报告。