近期韩国制造 AI 领域的两组实践，展现了从质检到设备操作的能力延伸，值得参考。
Asiana IDT 的做法
三个能力方向：
第一，MLOps 解决方案。检测 AI 性能下降，并通过重训练和部署自动化整个流程。官方说明是可以主动预防数据随时间变化、AI 错误和性能漂移。
第二，EasyVibe。面向对话式 AI 编码和数据可视化，在客户内网环境中使用，用于提升源码编写、质量检查、数据处理的生产力。已应用于某制造客户的生产管理（MES/POP）系统项目。
第三，Ondocs。文档处理，某制造客户在发票和报价单上做了 PoC 后落地，把金额和品目的手工录入改成 AI 自动化。因为部署在本地，发票这类敏感数据可以留在内部。
Kolon Benit 的做法
自主训练视觉和多模态 AI 模型，结合已验证的韩语 LLM 与 RAG，做面向生产、质量、设备、能源、安全的专用 AI。
具体能力包括：虚拟传感、视觉 AI 质检、通过 Golden Recipe 与配方驱动执行（RDE）推导并自动执行最优生产条件、预测性维护。
有个落地案例：Kolon Industries 金泉第二工厂在酚醛树脂产线上应用了虚拟传感、视觉 AI、Golden Recipe 和 RDE，把原有的六道检验环节改为 AI 自动化。
值得注意的组合
Kolon Benit 把 EXAONE（LG AI 研究院）与 ATOM（Rebellions 的 NPU）组合成主权 AI 包：用 GPU 训练，用 NPU 部署。
这个「训练在云、推理在边缘芯片」的模式，对成本敏感且数据不便外传的场景很有参考价值。
能提炼出的三条经验
第一，模型上线不是终点。Asiana IDT 把 MLOps 单独拎出来做，说明行业已经认识到「性能漂移」是常态，必须建立自动化的重训练闭环。
第二，本地部署是刚需。发票、工艺参数这类数据，很多客户不允许出内网。做制造 AI 产品时，本地化能力不是加分项，是准入条件。
第三，从检测到执行是能力升级，也是风险升级。质检 AI 判断错了，人工可以复核；控制 AI 判断错了，直接影响生产。所以 Golden Recipe 这类能力，必须有可靠的回退机制和人工接管入口。
对我们的启示
做工业 AI 产品时，优先解决「数据能不能留下来」和「模型漂移了怎么办」这两个问题，比追求模型指标更实际。
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。