这两年做ARAI巡检的公司在圈子里的曝光度越来越高电力、石化、矿山、制造这些行业都在聊“智能化巡检”很多企业也在认真看这个方向。但坦白说我见过不少甲方选型踩坑的案例有的是被供应商的演示Demo唬住了有的是在硬件和算法上摸不清底牌最后项目上线不到半年就闲置。今天这篇就是想系统聊一聊ARAI巡检服务商到底该怎么选。先说一个背景判断。巡检这个场景本身不复杂核心就是让人到现场看设备、记录数据、发现异常。但传统巡检的问题是效率低、漏检率高、数据不闭环。AR加AI的思路是用AR眼镜解放双手把巡检项、设备档案、历史数据直接叠加在视野里再用AI识别辅助人眼去发现跑冒滴漏、表计读数、设备状态异常。听起来很美好但它不是一个纯硬件买卖也不是一套纯软件订阅而是“硬件算法平台行业知识”的组合交付。所以选型本质不是买一盒眼镜而是在选一条长期的技术路线和一个能一起落地的合作伙伴。这篇文章会从需求澄清、技术评估、实施路径、商务与安全、常见坑点这几个维度展开结合我自己服务过的一些模拟项目经验和行业观察来写。适合正在做服务商筛选和立项准备的负责人参考也适合被领导安排做前期调研的技术同事拿去做底稿。1. 选型前先分清巡检场景需求定义比技术本身更关键ARAI巡检听着是通用能力但落到具体行业差异其实非常大。我见过不少选型失败的案例不是技术不行而是需求定义就错了。1.1 按巡检任务类型拆解场景优先级巡检任务基本可以分成几类日常例行巡检、设备点检保养、故障应急巡检、特殊作业监管。每类任务对AR和AI的需求侧重点完全不同。日常例行巡检是最容易落地AR的因为路线固定、点位固定、操作动作标准。这类场景要解决的痛点是记录规范性和漏检率AR的价值主要是作业指导叠加和实时数据采集。选型时要重点问服务商的AR工作流编辑器能不能支持快速配置巡检路线和点位模板现场拍照、扫码、语音记录的交互是否顺手设备点检保养更依赖AI能力尤其是振动、温度、声音、油位这些参数的辅助判断。有些服务商会宣传自己的AI模型能识别几十种设备异常但你要追问模型是在什么数据基础上训练的是否覆盖你们现场的设备和品牌有没有实际项目的验证数据这里很容易被“通用模型”忽悠因为工业现场的同一类设备不同品牌、不同安装环境的表现差异都很明显。故障应急巡检对实时通讯和远程协作要求最高。这时候AR的远程专家指导功能是不是稳定、延迟多少、是否支持多人会话就比AI识别更重要。选型时要单独测试网络环境别在办公室演示时很流畅到了现场信号一弱就断线。特殊作业监管要的是合规留痕比如动火作业、有限空间作业。这类场景需要AR设备记录完整过程并且把数据对接到安全管理系统。需要问服务商是否做过这类监管系统的对接有没有标准化接口。1.2 盘点存量系统明确数据流向很多企业选型时只看“巡检能用起来”忽略了一个大问题巡检产生的数据去哪了之前很多企业已经有ERP、EAM、工单系统、安全生产系统。如果ARAI巡检形成的数据是一个信息孤岛那价值直接砍半。选型前建议先拉一个存量系统清单明确哪些系统需要接收巡检数据哪些系统需要把任务下发到AR终端。这个工作在内部确认清楚后再问服务商平台的接口能力。当年我们项目组对接一个EAM系统服务商没提前了解它们的数据模型结果接口开发多花了两个多月都是钱和时间。需要特别注意的是老系统的数据标准普遍比较差比如同一个设备的编码可能在不同系统里都不一样。服务商如果具备主数据治理的经验甚至能帮你们梳理统一编码这种供应商的加分项很高。1.3 内部需求调研的三个必问清单如果把需求调研做成一份结构化表格会大大降低后续选型沟通成本。我常用的三个问题是最痛的三类巡检问题是什么列出来排序而不是笼统说“巡检效率低”。效率低的具体表现是什么是路上花时间多还是现场查什么不清楚是记录誊写工作量大还是异常响应链路太慢痛点定义越具体服务商方案越有的放矢。有多少巡检点位和人员这个直接关系到硬件采购量、系统并发能力和培训成本。有些服务商平台并发能力有限两百个人同时上传巡检记录就卡这种风险在POC阶段就要测试。一线班长的接受度如何AR眼镜戴不戴得住重不重夏天热不热会不会影响作业这些都很影响项目成败。建议在需求调研阶段就邀请一线的班长和几位老师傅参与座谈他们提出的问题往往比管理层想象得更接地气。2. 服务商技术底牌怎么摸清硬件、AI、平台逐项拆解选型必然要评价服务商的技术实力。但多数用户不是技术出身很容易被演示效果牵着走。这里分享我自己看技术方案时的一套拆解方法按硬件、算法、平台三层来评估。2.1 硬件评测AR眼镜不是越贵越好AR眼镜是员工每天戴在头上的设备好不好用会直接影响落地接受度。不要只看参数表上的分辨率、视场角要从一线员工实际佩戴和作业场景去考察。重量和佩戴舒适度是第一位的。工业级AR眼镜要做到长时间佩戴不累重量得控制在80克以内而且重心要平衡。有的眼镜数据上很轻但重心靠前戴半小时就压鼻梁很难推行下去。防爆等级和防护等级也是硬门槛。石化、煤矿、粉尘车间的环境下防爆认证不是可选项而是准入门槛。要确认设备是不是具备本安防爆认证Ex标志和等级是否清晰别只听销售说“应该没问题”。防护等级至少IP66起步现场有雨淋、水冲洗环境的话要问清楚具体的防护指标。电池续航和热管理这个经常被忽略。工业现场一个班次动辄四小时以上眼镜如果没电需要频繁更换作业就会中断。同时连续运行时的发热也很关键AR眼镜如果核心处理器发热严重谁戴谁知道。摄像头和传感器决定AI的上限。巡检要看清表计读数摄像头至少要1600万像素要识别漏油之类的细微瑕疵变焦能力和镜头防抖也是要考虑的。另外激光扫描、红外测温这些附加传感是否支持要看现场是否需要。我建议在POC阶段直接把设备拿到生产现场让一线员工戴一个完整班次让真正干活的人说行不行而不是在会议室里戴五分钟说“还挺轻的”。实测下来的结果往往能挤掉不少参数水分。2.2 AI能力评估识别模型的准确率要现场验证AI部分是整个方案里水分最大的区间。不要听“我们支持几百种识别场景”要看这些场景是不是你需要的模型精度是不是在你的现场数据上测试过。评估AI能力有三个层次的方法。第一是让服务商提供已交付行业案例的白名单和现场演示注意不要看PPT截图要看真实运行系统的视频或直接远程演示。第二是把你们现场的典型照片给到服务商让他们发回实验室跑一遍识别效果。第二点是很多服务商不愿意配合的因为一测就知道他们的模型在真实数据上表现如何。第三是POC阶段拿小批量设备在现场跑至少两周记录识别准确率、漏报率、误报率三项指标。巡检场景里的AI识别最容易踩的坑是“鲁棒性不足”。实验室环境光线均匀、角度稳定识别准确率做到95%不稀奇但到了现场下午三点的逆光、设备表面的油污、表计的冷凝水雾都会让识别准确率剧烈下滑。所以选型沟通时一定要问模型在逆光、夜间补光、低照度、遮挡情况下表现如何有没有对应的数据增强策略还要关注AI推理是本地还是云端。巡检场景网络条件千差万别在线分析对网络要求很高一旦网络波动识别直接不可用。比较成熟的方案是本地端侧推理为主云端训练为辅。要问服务商的模型能否在眼镜端上稳定运行推理延迟是多少断网边缘情况下还能不能识别。2.3 平台软件看开放性、灵活性和易用性平台是ARAI巡检的中枢决定这套系统能多大程度融入现有工作流。平台评估要看四点。内容编辑的灵活性。巡检点位变化、SOP更新、识别模型更新是常态化事情如果每次调整都要服务商派人来做成本很高。好的平台应当支持现场人员通过可视化编辑器自己配置。这一点要重点考察我见过一个供应商只能在开发环境改交付后运营起来非常痛苦。开放集成能力。平台是不是提供标准API、SDK能不能对接企业已有的账号体系单点登录、消息系统。有些服务商做成封闭系统数据导不出来接口要单独收费这种事情签约前就要在商务条款中写清楚。数据看板和报表能力。巡检管理的核心是管理层能看见过程和结果。看板要能按照部门、班组、人员维度统计巡检完成率和及时率异常记录要能自动汇总并推送给相关负责人。有些平台报表做得很浅只有几张大屏图深层次的统计分析做不了会让后面运维决策缺乏数据支撑。多端协同能力。现场人员用AR眼镜班长用平板办公室管理人员用电脑和手机这些终端的数据要实时同步、状态可见。我特别建议考察移动端App的体验因为日常管理用得最多的其实是手机端。3. 服务商分类与选型策略三类玩家各有短板目前市场上的ARAI巡检服务商大致可以划分为三类各有优势也都各有短板。了解这个格局有助于去匹配你的项目预期。3.1 硬件背景型服务商产品扎实但算法和平台能力容易缺位第一类是AR硬件厂商基因较强的服务商核心优势在眼镜设计、供应链和生产品控产品迭代速度快硬件稳定性和交付能力普遍有保障。短板是一部分这类服务商的AI算法和平台软件能力相对薄弱要么是外购算法做集成要么是自研算法模型比较单薄。项目如果偏硬件采购集成这类服务商的成本控制会比较好但如果你需要重度的场景AI定制和平台打磨他们就不够能打。选这类服务商时需要仔细辨别他们的AI能力到底是自研还是OEM平台是否对外开放。实操中可以问一句“你们的算法团队多少人、核心模型的训练框架是什么、样本数据主要来自哪些行业”答得含糊的基本就是集成方。3.2 算法平台型服务商AI强但硬件和现场交付是短板第二类是AI算法或软件平台起家的服务商核心优势在算法研发和软件产品化。他们的识别模型精度高、平台功能完整数据闭环能力强能帮企业真正把巡检数据用起来。短板也比较明显就是硬件不是他们的核心资产往往会采购第三方AR眼镜再集成适配。硬件供应链的控风险能力、终端设备的现场备件服务和维修时效可能不如硬件厂商。另外这类服务商在行业Know-how上可能不够深需要甲方在项目沟通中花更多时间讲清楚业务细节。选这类服务商时要把硬件交付和售后的责任边界问清楚。谁来负责设备维修设备坏了几天内给替代品要不要额外服务费这些落到实处避免日后扯皮。3.3 行业集成商有行业积累但产品化能力可能偏弱第三类是深耕某特定行业的系统集成商。他们最大的价值是熟悉行业业务流程和组织关系能更贴合行规和标准去设计巡检体系并且能在项目落地上协调内部资源。短板是技术积累往往比较薄弱。他们所谓的AR更多是外采硬件AI多为第三方引擎自研产品有限。如果他们拿的是别家产品来打包价格通常没有优势技术演进路线也不受控后续升级迭代能力存疑。选这类服务商时建议把合同里“技术所有权和升级路线”一条看清核心平台是谁的如果核心是第三方品牌有没有原厂的服务承诺函3.4 组合策略建议大项目拆分小项目整包结合项目规模选型策略会不同。大型集团项目建议拆成“硬件及终端集成”和“算法与平台”两个标段来采购分别选择更擅长的服务商减少单一供应商短板影响。中小规模项目或首次试点优先级是“稳定交付”和“减少协同成本”选综合能力均衡的服务商做整包更合适同时把关键指标写进合同。无论哪种策略都建议保留“试点不超过总预算20%”的原则。先用小范围验证技术、流程、员工接受度再决定是否全面推开。这是很多大项目没有走的步骤结果全部铺开之后发现水土不服再回退成本就非常高了。4. 从POC到落地一套可以直接照抄的评估流程选型和评估如果只停留在“看方案、听宣讲、比价格”的层面很难真正判断服务商的实战能力。我建议每个准备上ARAI巡检的团队都走完下面这套评估流程。4.1 第一轮筛选用打分表逐项对比服务商初筛建议用一套标准化打分表维度包括巡检场景匹配度、硬件参数满足度、AI能力可信度、平台开放性、行业案例、实施服务能力、安全合规等。每个维度设置权重总分排序。打分表不是用来“精准算分”的而是让评审团队在同一维度上对话避免“我觉得A很强你觉得B很稳”这种没有标准的讨论。每个维度都请服务商提供书面证明材料比如防爆认证证书、产品检测报告、合同案例列表而不是口头承诺。打分表里特别建议设置“一票否决项”比如不具备现场防爆认证在需防爆的环境、无法提供标准API、没有同行业落地案例、不具备本地化服务团队这些情况直接淘汰后续谈判不要浪费时间。4.2 POC测试方案边跑边看真实效果POC是模拟一个真实生产的过程目的是验证服务商宣称的能力是否实际。POC周期建议缩短到2-3周聚焦最关键的三件事硬件佩戴接受度、AI识别的准确率、平台在真实业务场景中的好用程度和稳定性。POC设计有几个关键细节。选定两到三个真实巡检点位场景覆盖日常巡检和异常识别要求服务商在真实环境下完成配置。准备一套“对比记录”同一组设备点位传统人工巡检记录一遍ARAI巡检记录一遍对比耗时、漏检项和记录完整度。压力测试也不能省要求服务商在POC阶段处理高峰期的数据并发把巡检记录批量上传观察平台响应时间。POC结束后要输出一份涵盖测试数据、现场反馈、遗留风险清单的报告。报告应记录识别准确率分点位、网络占用情况AR设备实时视频传输的带宽要求、设备佩戴舒适度评分、平台操作易用性评分。POC最大的价值是逼出隐藏问题。我们在一次POC中看到某家服务商在实验室的识别模型准确率不错但到了有粉尘和水雾的现场误报率超过三成。还有一家是眼镜发热严重一位老师傅戴了二十分钟就摘下来了。这种发生在POC阶段都是低成本试错如果直接签了合同再发现项目就挂了。4.3 试点小范围验证小步快跑积累一线意见POC验证通过后真正进入试点阶段。试点范围建议选定一个班组或一个区域覆盖不少于两到三个完整巡检班次这样才足以验证任务分配、执行、上报、复检的完整闭环。试点阶段要重点关注一线员工的使用习惯和反馈。很多项目战术上成功了战略上失败了就是因为一线不愿意用。要安排专人记录一线员工遇到卡顿到什么程度会放弃使用、简单问题多久处理一次、班组管理者的使用意愿如何、数据录入的完整率什么时候开始下降。有个很典型的现象是“试点蜜月期”。刚开始两周员工觉得新鲜积极性高到了第三周该发现的问题开始暴露。所以我建议试点期至少跑满一个月并且在每周做一次一线访谈不要等试点结束才收集反馈。4.4 复盘机制与决策报告模板试点结束后把数据和反馈收敛成一份决策报告提交管理层审批。报告模板可以参考这样几页第一页项目背景与目标。第二页POC和试点期间的核心数据识别准确率、效率提升、漏检率变化。第三页一线员工反馈汇总正面、负面、改进建议。第四页成本测算包含硬件采购、平台订阅、实施服务、培训与运维的成本。第五页风险清单与缓释措施网络风险、设备损耗、人员接受度等。第六页推荐方案与下一步计划。试点的真实诉求是用数据说服管理层不是船到桥头再决策。我个人经验是试点阶段如果数据表现优秀一线反馈也正面后面全量推广就容易得多反过来如果试点阶段发现一堆硬伤说明还得回炉重造别急着放大范围。5. 商务与安全报价模式、数据合规、长期合作技术层面聊得差不多了还得落到商务和安全上。很多人以为商务只是价钱问题但报价模式和合同条款里的坑后期往往比想象中更影响合作质量。5.1 报价模式认清楚买断、订阅和分成怎么选ARAI巡检的报价模式一般有三种一次性买断、年度订阅、按效果分成。一次性买断适合硬件采购比重高的项目企业希望一次性把资产买下来长期拥有。但软件平台的后续升级通常不包含在内要单独签升级维护协议要问清楚年度维护费的比例大致是多少以及升级是否强制。年度订阅是目前主流降低初始投资服务商会持续更新平台和算法。要关注的是订阅费用是按人头、按终端数还是按点位来计费不同计费方式对后期扩容成本影响很大。价格模型务必要在合同里写清楚避免因考核口径不清导致费用纠纷。按效果分成目前还比较少见一般是服务商愿意从“节省的损失或提升的效率”中提成对服务商信心要求高对甲方则是风险更低的一种模式。但这种模式合同比较复杂对巡检效果的量化口径要提前定义得非常清楚否则结算容易互相扯皮。5.2 数据合规与安全评估不能跳过ARAI巡检必然会采集现场照片、视频、位置信息甚至涉及部分人员的作业行为数据。数据安全评估要重点关注四个方面数据传输是否加密、存储位置是否符合监管要求、AI模型的训练数据使用权界定、系统权限管理是否支持分级授权。这里特别要提醒的是合同里要写清楚“AI模型的训练数据使用权”。有的服务商合同里写“甲方数据可用于模型训练改进”这意味着你们现场的数据会被用于他们的模型迭代甚至可能间接进入服务其他客户的模型基础里。如果你们有自己的数据边界要求这一条一定要删除或者改为“匿名化处理后仅用于本项目模型优化”。系统是否支持私有化部署也很关键。有些能源和制造企业数据敏感度很高要求所有数据不准出内网。服务商的平台能不能完全私有化部署成本是多少升级的时候是怎么同步这些都要在选型时确认。5.3 合同条款的注意点别让售后成为空话合同里的“服务响应时间”和“服务内容边界”是我最看重的地方。很多合同写得笼统“提供及时的技术支持”这种话等于什么都没写。建议明确远程支持响应时间比如工作时间内2小时响应、现场支持时限比如24小时内到场、设备损坏维修和替代方案、平台可用性SLA比如月度可用性不低于99%、算法模型迭代次数和更新频率。还有一个细节是项目验收标准要可量化。什么叫“系统验收通过”对照POC阶段设定的指标识别准确率达到多少、巡检数据完整率达到多少、平台稳定运行无重大故障多少天。这类具体条款能大幅减少验收时拉扯。5.4 长期合作的技术演进路线巡检服务商如果技术路线跟不上行业演进你的系统就会逐渐落后。选型时要考察服务商的研发投入方向和路线图。比如他们是否跟进大模型在工业巡检中的应用是否能把自然语言交互、自动生成巡检报告等新能力带给未来的版本迭代。如果服务商的技术路线是封闭的或者说只能绑定他们的硬件那以后想要扩展新的智能传感器或接入新的算法难度就很大。选型时宁可多问一句“你们的平台能不能集成第三方算法”远好过被一家服务商绑死。多模态大模型已经在改变巡检行业。比如用自然语言与系统交互现场作业人员可以直接说“帮我查一下这组设备上次检修记录”系统自动调取并展示。再比如训练一个小样本模型只需要几十张图片就能完成漏油、锈蚀等常见异常识别。这些能力会在未来两到三年成熟选择服务商时要看他们是否在技术投入上和大模型趋势靠近。6. 典型踩坑场景与速查表这部分整理我在各种项目交流中以及自己实际经历中高频踩到的坑分享出来希望能帮你少交点“学费”。6.1 被Demo误导演示效果不能代表生产环境我见过一个极端案例某服务商演示AI识别功能的时候在会议室用三脚架固定检测设备、光线均匀、背景单一识别准确率接近99%。结果到现场试运行光线杂乱、设备上有油污、角度也不会那么正识别准确率直接掉到70%不到。这种落差的核心问题就是没有提前用真实环境数据做测试。所以我在对接服务商时特别坚持一个原则所有识别类功能必须在甲方现场环境做POC验证至少2周以上数据说话。别用会议室Demo作为采买依据这是最值得铭记的一条。6.2 伪AI识别表面上智能其实是人工打标还有一种不可忽视的情况部分服务商宣称的AI自动识别在实际流程中是“前端拍照后端人工打标”。运营人员戴着一副看起来很智能的眼镜拍了照片后台其实是真人在看图片再手工填记录。这种情况通常发生在外包属性更强的项目中报价看似很便宜但那都是人工成本堆出来的。识别方法在POC阶段专门设计一个测试让服务商在无人干预的情况下连续识别50个标准化测试图像记录端到端准确率和响应时间。如果是后台人工响应时延会明显异常且准确率分布会有明显的人为规律。6.3 忽略网络基础设施上线就卡壳ARAI巡检对网络的要求明显高于普通办公系统。现场的视频流、照片上传、远程协作都需要稳定的网络带宽和覆盖。部分企业工厂内部Wi-Fi覆盖不全4G/5G信号又弱前端数据传不回来直接导致系统“不可用”。选型前建议做一次车间级网络评估AR眼镜最远巡检路线上的信号覆盖和带宽实测、巡检高峰期的并发流量估算、断网情况下的本地缓存能力。这些数据既能为选型做决策依据也能推动企业内部补网络基建。6.4 忽视培训与组织推动系统很好但没人愿意用很多企业以为系统采购回来员工就会用这是低估了组织惯性。AR眼镜戴起来有异物感巡检流程发生变化一线员工一开始总会抵触。方案落地必须配套培训机制和组织推动手段。培训不能只做一次。AR设备的新员工上手、班组长的管理端使用、系统维护人员的后台操作都是不同角色、不同程度的培训需求。还要指定一两位内部“种子用户”由他们在现场做传帮带效果远好于外部讲师来上课。组织推动上的抓手也很重要试点阶段设立使用率考核指标把“巡检及时率”和“记录完整率”纳入班组绩效。系统落地不是时间问题而是人推动的问题。6.5 常见审批与合同陷阱速查表陷阱类型典型表现应对建议硬件报价低于市场均线硬件赔本卖后续靠软件坐地起价签订合同前明确各硬件和软件价格细化到可执行的程度订阅费模糊只说一个总价不说是按人头还是按终端明确计费口径测算未来三年扩容成本模型精度宣传过度宣传识别精度99%但不说明测试条件要求以现场POC数据作为合同验收指标数据权限不清晰合同默认甲方数据可用于模型训练按自身数据边界删除或修改该条款售后响应时间含糊只说“5×8小时服务”不含到场时限明确到场时效和备件替换时间写入SLA平台开放性不足没有标准API所有集成都要商务谈判前置评估API文档可在POC阶段做接口联调测试7. 行业观察与服务商演进趋势聊完具体的评估方法最后再花点篇幅说说我对这个赛道现状和发展趋势的判断也算帮大家在选型时建立一个更宏观的坐标系。7.1 巡检服务商正在从“卖设备”转向“卖服务”最早一批AR眼镜厂商商业模式很简单把眼镜卖出去就完了。但随着客户需求复杂化硬件价格不断下降只靠硬件利润撑不起商业闭环服务商已经普遍转向“软件平台数据服务”的持续性商业模式。这对甲方是好事说明服务商有动力把系统调好、把模型持续优化。选型时可以观察服务商的商业重心是不是已经转移到平台和数据上而不是死守硬件差价。这个转变也带来新的评估维度服务商有没有独立的运营团队他们是不是有巡检运营专家岗位如果一个服务商只会谈硬件参数和模型技术连你行业巡检的业务逻辑都说不清楚那他们服务深度会很难到位。7.2 巡检机器人与ARAI的长期协同还有一个值得关注的趋势是ARAI人巡与智能机器人巡检的协同。有些极端危险或重复性极高的点位更适合机器人替代人。而AR眼镜适合的恰恰是那些需要人类判断力、需要现场处置的作业场景。把这二者作为一个整体来规划而不是只看单一技术是更稳妥的策略。选型时可以问服务商是否具备与巡检机器人平台对接的能力。现阶段不一定立刻用到但平台若从一开始就预留接口未来扩展会顺畅得多。7.3 从单点工具到组织知识资产ARAI巡检最大的长期价值不止是“少漏检几次”而是把老师傅的经验逐步沉淀为组织的数字知识资产。老师傅看到异响知道是轴承磨损前兆看到微渗油知道是密封圈老化——这种经验以前藏在大脑里现在可以通过AR标准化作业和AI识别模型留存、复制、传承。所以选型时不妨多问服务商一个问题你们的系统和模型怎么帮我们把老师傅经验变成组织可复用的资产这个问题的答案质量往往能体现服务商是否真正理解巡检业务的价值链而不只是在卖技术。我个人的体会是ARAI巡检这个领域还远未到成熟收割期现在入场的玩家各有各的优势也各有各的软肋。没有完美的服务商但可以通过完善选型流程、做好POC验证、把商务条款落到纸面这些动作把合作风险降到最低。多花一个月做选型和测试往往比后面多花半年修复一个错误的合作关系要值得多。希望这篇文章能帮正在做这个决策的团队省下一点踩坑的成本。