夜雨聆风误区1："数据够了再开始"
表现：等数据治理完成/等数据中台建成/等所有设备联网，结果几年过去了，AI 还没启动。
真相：通威太阳能第一个ML 模型只用了3 个月的数据。西门子成都工厂的预测维护模型基于已有传感器数据，没有额外建设数据平台。
正确做法：用现有数据跑通第一个场景→用效果说服投入→逐步完善数据基础设施。
误区2："AI 必须全自动"
表现：要求AI 质检100%替代人工、要求AI 排产全自主。
真相：第5 章情景A 中，AI 排产是"系统给建议，我拍板"——这种"AI 建议+人确认"的模式才是未来3—5 年的主流。长虹电子AOI 的"一人多机"也不是全自动——人仍在监督和兜底。
正确做法：接受"人机协同"模式让AI 做人做不好的重复判断，人做AI 做不好的创造性决策。
误区3："用大模型解决一切"
表现：听说大模型好，就想用大模型做质量检测、做排产调度。
真相：167 个案例中，传统ML 占46.7%，机器视觉占20.4%，生成式AI 仅4.8%。大模型擅长文本理解，但制造业最需要的往往是机器视觉和时序预测。
正确做法：根据场景选技术——视觉问题用CNN/YOLO、时序问题用LSTM/XGBoost、文本问题用大模型。
误区4："AI 项目交给IT 部门就行"
表现：老板拍板→IT 部门采购→IT 部门部署→IT 部门运营。业务部门不参与。
真相：成功的AI 项目全部是"业务驱动+IT 支撑"。通威太阳能的50+用例全部由工艺工程师提出需求，AI 团队负责实现。
正确做法：AI 项目必须是业务负责人（生产副总/质量总监）负责，IT 部门是技术支撑方。
误区5："AI 部署完就完事了"
表现：模型上线→验收→IT 部门维护。数据漂移导致模型准确率持续下降。
真相：长虹电池钢壳检测的YOLO 模型需要持续用新缺陷样本训练，日月光半导体的VOC 监测需要随着新气体种类更新模型。
正确做法：建立"数据采集→模型更新→效果监控"的持续迭代机制。AI 不是一次性的项目，是持续的服务。