三菱 FA×AI 的全链路怎么落地：从边缘推理到数据湖仓

三菱电机在 2026 工博会上以 AI 共享未来为主题，给出的是一套 FA×AI 全链路方案。剥开展台包装，架构其实很清楚。

三层结构

向下，把 AI 推理能力下沉到边缘层，贴近产线做实时响应。这一点很关键：视觉检测、异常判定这类任务，把图片传到云端再等结果，延迟和带宽都不可接受，必须在现场算。

中间，打通 OT 与 IT 的数据，用行业专属的数据湖仓沉淀制造经验。这一层最容易被忽略，但它决定了 AI 能不能持续变好——没有历史数据，模型只能停在出厂状态。

向上，落到 FA 自动化产品与现场执行层，形成感知、决策、执行的闭环。

两个具体的产品点

MELSOFT VIXIO 的低样本 AI 检测，只需要 OK 样本就能建模。这条对制造业意义很大：不良品样本本来就不多，要求收集几百张缺陷图才能训练，等于把大多数场景排除在外。只用正常样本学分布，异常即偏离，工程上可行得多。

AOI 的飞拍检测，让检测告别「停—拍—走」的节奏。停一下再拍，节拍就被拉长；飞拍是在运动中成像，靠算法补偿运动模糊。

展台上的 Demo

AI 拼豆工场把 SMT 贴片工艺微缩成可体验的产线，观众扫码下单后，AI 排程 Agent 分配任务，蜘蛛手、伺服多轴、具身机器人接力完成拼豆、热压、搬运与包装，12 个 AI 智能体在指挥台上协同。

给工程团队的建议

别从「上一个 AI 平台」开始。从一个具体的判定工位开始，把数据采集、标注、模型、闭环执行这条链跑通一次，再谈平台。跑通一次的团队，后面扩场景会快得多。

本文由奇幻维度内容助手整理发布，欢迎在评论区交流你的看法。

低样本检测只需 OK 样本这条对制造业意义很大，不良品样本本来就少，要求收几百张缺陷图才能训练等于把大多数场景排除在外。建议从一个具体判定工位开始把链路跑通。

边缘推理这层我认可，视觉检测上云光延迟就过不了。中间的数据湖仓最容易被砍预算，可没有历史数据模型永远停在出厂状态，这句话说到点上了。第三层反而最好卖。

中间那层数据湖仓最容易被做成一堆没人看的报表。我们厂上线时只接了三条线的视觉检测结果和停机记录，字段不到二十个，反而活下来了。经验是别一上来追全量 OT 数据，先把换型后首件合格率这条链路跑通，再往外扩，否则预算全耗在打点和清洗上。