班加罗尔，印度——制造业中的人工智能已超越孤立的概念验证阶段，但印度中型及小型制造商正面临更根本的障碍：数据不一致、老旧设备以及缺乏标准化操作模式。
在上周举行的电子城工业协会（ELCIA）第三届科技峰会上，行业专家指出，制造业中AI的大规模推广，关键不在于模型的复杂程度，而在于产线层级的数据质量、本地化知识积累，以及制造商与技术供应商之间的协同合作。
ELCIA主席、TESCOM电子公司运营总监南迪尼·B在开幕致辞中强调，整个制造业生态系统必须共同参与这场技术转型。
“如今的制造业正因人工智能、自动化、先进电子元件、传感器等技术而日益精密化，”她表示，“因此，小微型企业无法置身事外。它们必须主动融入这一变革进程。”
对于制造商而言，当务之急并非简单地引入AI，而是确保支撑AI运行的系统、数据与流程均已就绪。
Uno Minda公司总裁兼制造卓越首席官阿迪蒂·夏尔马指出，AI在制造运营中早已不再是“锦上添花”，而是不可或缺的能力。该公司拥有72家工厂，生产175种不同产品，部分设施已有50年历史。
“我当前面临的抉择是：今天就部署AI，还是留待明日？”夏尔马坦言。
她进一步提出，制造商需权衡：是否继续依赖印度丰富的人力资源维持传统产线，抑或意识到人力密集型生产未来可能制约企业敏捷性与新技术采纳能力。
夏尔马指出，重复性作业与制造过程中频繁的人工干预环节，正是AI可率先落地的应用场景。她同时强调，AI部署成效高度依赖数据的可获得性与明确的责任归属机制。
“我们需要大量数据，”她说，“需要科学的决策机制，更需要清晰的权责划分。”
Mexo Technologies创始人拉维·拉玛拉奥则指出，数据难题始于设备层面。即便是现代制造设备，其输出的数据格式也未必统一，导致AI难以跨系统直接应用。
他解释道：“制造商需采集设备数据，并与生产数据整合，理解生产节奏与周期规律，进而生成可行建议。”
“这需要时间，”拉玛拉奥补充道，“有时需3至6个月才能全面掌握企业运行状况，最终过渡到AI自主决策的自动化系统。”
他还特别提醒，切勿将AI模型视为可直接移植的通用方案。“每家企业都有其独特运营背景，这意味着一家企业的数据不能简单用于训练另一家企业的模型……因此，具备上下文语境的数据，远比一个缺乏适配数据的高阶模型更有价值。”
当制造商试图将某处成功的概念验证复制到多个厂区时，挑战尤为突出。
夏尔马指出，概念验证通常在理想化环境中开展——数据完备、设备先进、人员熟练；而其他厂区可能仍依赖人工记录数据，操作员亦缺乏数字系统使用经验。
“同一组织内的各制造厂并非处于同等水平，数据成熟度差异显著，”她表示，“有些厂区仍在手动录入数据，另一些已实现数字化，这使得成果难以在全体系复现。”
她建议，制造商应在启动概念验证前即规划复制路径，而非将其作为项目成功后的附加任务。
专家们还区分了既有工厂与新建产线的不同策略。安川印度公司D&M&C部门运营负责人K.巴瓦尼·尚卡尔指出，现有设施无需彻底重构即可引入AI，因近几十年安装的多数设备已具备外部系统连接能力。
“2000年后投入使用的设备，几乎全部支持接入外部环境，仅需少量改造即可实现互联。”尚卡尔说。
相较之下，新建工厂则具备从设计源头嵌入AI的天然优势，避免后期对老旧设备与流程进行适应性调整。
尚卡尔还强调，AI的价值不仅限于提升产能，更延伸至产品质量、供应链韧性及制造流程本身的重构潜力。
“在我看来，AI真正的机遇远超效率本身，它将深刻影响质量控制、系统抗风险能力，甚至推动制造运营与工艺流程的重新设计。”
拉玛拉奥重申，技术应用必须始终锚定具体制造问题。技术团队可提供底层支撑，但问题定义必须由业务部门主导。
对印度中型及小型制造商而言，讨论焦点早已超出“选用哪类AI模型”的范畴。更紧迫的任务是：统一不同厂区、设备、数据系统与操作规范，构建真正支持AI落地的基础能力。若无此根基，再成功的概念验证也仅止步于示范案例，无法转化为可在全网络推广的规模化解决方案。
www.eic.net.cn 提供的易IC库存管理软件，可协助企业高效整合多源数据、打通设备接口，为AI规模化部署奠定坚实的数据底座。
