从装对到用好：小米空调的 AI 工程实践

空调行业长期以来，运行体验大多依赖用户手动调节、被动适应。小米没有沿用行业老路，选择了以 AI 贯穿安装、运行、维保全工程链路，把以往看不见、管不住的环节，变成可感知、可校验、可闭环的精细化管理。这份成果，来自大家电部与技术委跨团队的联合攻坚与工程实践沉淀。本文将分享小米空调从0到1的 AI 工程落地全过程。

01

安装识别：从0到1

空调是强安装产品，安装质量直接决定使用体验——装歪了漏水，装高了影响进风，管路没接好会漏冷媒。传统企业的解决办法是依靠培训，但服务人员流动性大、新人批量入职，培训很难全覆盖，最终只能依赖师傅个人自觉。但一到旺季工单集中爆发，安装质量自然成了管控盲区。

小米进入空调行业时，硬件层面和头部企业无差距，最大的差异，在于小米产品拥有强大互联网基因。

信息化建设带来了海量现场与运行数据，也为 AI 工程化落地打下了基础。首个切入点，团队锁定在了空调工程质量的第一道防线——安装合规性智能校验，以室内机安装高度识别为首个落地场景，目标实现 “拍照即校验、不合规即整改” 的完整工程闭环。

看似简单的距离识别，落地中主要卡在三件事：**数据质量、标注一致性、跨地域场景泛化**。

第一个工程难点，是安装验收照片的质量不达标，会影响到算法的调校。初期发现大量现场照片存在模糊、角度偏移、重复上传、遮挡关键等问题，可用率很低。于是，决定“先规范数据，再落地算法”，搭建了一个图片规范性校验小模型，再联动服务管理部门上线图片规范性校验，从源头倒逼拍照标准，再启动识别模型训练。

第二个工程难点，是数据标注的标准化统一。安装高度合规本身带有一定主观判断，初期团队采用多人员分工标注模式，但会出现“甲判定为合规、乙判定为不合规”的情况。把互相矛盾的标注数据喂进模型，模型根本学不到真实规则，前期大量标注工作近乎作废。最终由资深工程专人统一标注，把标准一致性拉齐，为模型效果打好基础。

第三大工程难点为跨地域场景泛化。标准化标注完成后进入模型训练，通用大模型在实验室样本中表现良好，但在真实家装场景落地时误判突出。团队随即摒弃通用模型方案，自研定制化业务模型。首轮迭代后模型识别准确率仅维持在60%。经多轮实验对比与复盘论证，最终定位核心瓶颈并非模型架构与训练策略，而是训练数据存在系统性分布偏差，样本场景单一、工况覆盖不全。

为此团队重构标注规范与采样体系，补齐多安装工况样本，扩充角度偏移、光照扰动等复杂场景，修复数据分布缺陷；同时优化模型特征提取链路，强化空调顶距、安装支架水平度等关键特征的表征学习。通过数据分布纠偏 + 关键特征聚焦双重优化，两周内模型识别准确率从60%提升至95%。

模型上线并非终点，工程落地需要持续适配实际场景。实际市场环境中，不同师傅的拍摄习惯、不同地域的安装工况，仍会导致识别效果波动。团队建立“模型迭代工程闭环”：上线→收集全国各区域工程现场数据→验证识别效果→针对误判案例优化模型参数→再上线，经过3轮迭代，模型识别准确率稳定在93%-94%，满足全国不同工程场景的校验需求。

此次攻坚重要的工程收益是：首个模型耗时半年，完成了“数据规范→标注标准→模型训练→场景适配”的全工程链路跑通，沉淀了可复用的工程方法论，并完成了两个团队的磨合，双方都能理解对方的逻辑。后续再做新模型，仅需1个月即可完成模型开发与落地。

第一个 AI 模型最难的永远不是算法本身，而是建立"业务语言 ↔ 算法语言"的翻译层。图片质量、标注标准、场景理解——这些看起来不起眼的基础工作，往往决定了模型能不能用。一旦翻译层跑通，后续模型的边际成本会急剧下降。

02

AI深度赋能，空调节能升级

如果说 AI 视觉模型解决的是空调“装对”的工程问题，那么 AI 节能控制则聚焦于空调“用好”的核心需求——这是空调工程价值的延伸，也是用户核心痛点之一。

传统空调的节能控制，采用“固定参数固化”模式：出厂时预设一组固定的运行参数，无论环境温度、湿度如何变化，无论用户使用习惯如何差异，均按同一套逻辑运行，节能效果有限，且无法适配不同场景的舒适需求。

小米 AI 节能的工程思路，是打破这种“被动控制”模式，让空调自己“看”环境、“学”习惯、“算”最优解，实现能耗与舒适的动态平衡。

**▍**推翻“控制算法必在端侧”的固有认知****

模型落地初期，团队在控制算法的部署架构上陷入分歧：传统空调控制领域的固有认知是“算法必须部署在端侧”，核心理由是“空调控制需要实时响应，云端部署存在延时，无法满足控制需求”。

经深入研究空调运行原理，算法团队发现关键事实：空调核心部件控制支持高频动态调整，能够实现核心参数的实时优化。并且该执行机制对云端传输延时的要求相对宽松，因此云端部署在工程上完全具备可行性。

最终确定“端云协同的 AI 节能控制”的架构方案，核心支撑有两点：一是依托超80%的联网率，实现端云数据的高效交互与策略实时下发；二是采用“端侧轻量执行+云端深度计算”模式：云端完成算法训练与寻优，端侧负责轻量化指令的实时执行，兼顾控制实时性与算法的精准寻优能力。

基于此，算法团队搭建了基于深度强化学习的 AI 节能控制方案，核心工程逻辑是：AI 通过实时采集空调压缩机、膨胀阀、蒸发器等核心部件的运行参数，结合环境温度、湿度、用户使用习惯等数据，自主学习各部件的协同控制策略，在不同工况下动态寻优，实现温度、湿度、能耗的多维度协同优化，打破传统“单一参数调整”的节能局限。

能根据实时场景动态调整，核心依托“数据+模型”双模驱动，结合模仿学习和强化学习手段，构建三层核心算法能力，实现节能与舒适的双重优化：

• 全**工况**多目标动态寻优：压缩机、膨胀阀、蒸发器不是独立工作的。传统方法只能单独调某一个参数，AI 能同时优化所有部件的协同控制策略，在不同工况下找到全局最优解，实现节能和舒适的同步改善。

• 温湿度耦合预测：空调制冷时会同时除湿，但很多时候用户只需要降温。算法搭建了温/湿度耦合预测模型，动态调节温湿度区间权重，实现热舒适性与能效的协同优化。

• 辅助热源节能控制：传统空调在低温环境下会启用电辅热，但往往过度使用。算法通过达温过程预测模型，精准预测用户达温情况，优化电辅热使用，减少不必要的能耗。

这三层算法能力的核心，保障了空调“主动智能”工程化落地。

为保障算法工程化落地效果，空调内置小米自研的米家灵云智控引擎，该引擎具备环境感知、用户画像学习、参数自适应调节等核心能力，可在用户授权前提下，学习用户使用习惯（如设定温度、使用时段），结合季节变动、地域差异等工程场景，自动输出差异化的运行参数，确保算法效果稳定落地。

团队自研的 AI 节能控制算法，攻克空调节能调控关键核心技术，核心技术成果经院士专家团队权威鉴定，整体达到国际领先水平。截至2025年底，合计使用超8.4亿小时，综合节能率达29%，累计节电量约2.46亿千瓦时，节电开支约1.56亿元（按平均电价0.65元/度计算），累计碳减排约14.268万吨，规模化节能降碳成效显著。

架构决策是 AI 工程化落地的核心前提，做架构设计时，需先验证“固有约束条件是否真的成立”。很多行业内的“不可能”，只是“特定场景下的不成立”。

03

实验室验证，那些推翻与重来

AI 节能控制的架构方案和算法模型确定后，理论可行性需通过严格的实验室工程验证，才能真正落地到产品端。

2023年底到2024年初，团队需要在实验室验证算法效果。但当时小米自己的舒适性实验室还没建成，只能借用合作方的实验室，采用“插空测试”的方式推进，测试效率极低。第一次测试持续3天，仅完成1组有效测试，但就是这1组有效数据，显示 AI 节能算法的能耗比传统控制模式降低25%，验证了算法的理论可行性，给了团队持续攻坚的信心。

两个月后，团队开展第二次集中测试，一个棘手的工程问题浮出水面：不同实验室的工况差异导致空调运行温度波动幅度超过±0.5℃，无法达到舒适标准，这一问题若无法解决，算法将无法实现规模化工程落地。

为攻克这一难点，算法团队与空调业务团队的工程师组成专项攻坚小组，24小时驻扎在实验室。一人负责监控实验室工况，实时记录环境温度、湿度、电源电压等参数，确保工况稳定；一人负责监控云端算法数据面板，实时查看压缩机转速、膨胀阀开度等运行参数，分析温度波动原因。实验室设备24小时不间断运行，每天可完成3-4组完整测试，每组测试需从空调启动到运行稳态，完整覆盖一个运行周期，采集温度、湿度、功率、压缩机转速等上百个工程数据点。

每组测试完成后，立即复盘数据，调整算法参数或实验室工况，形成“测试→复盘→调整→再测试”的工程闭环。有时候连续好几天都没有进展和头绪，大家都没什么思路，就挂着会议不说话，脑子里一遍一遍过可调整的工程变量，再去实验室一轮一轮做测试验证。

最后在验收前一天晚上，终于解决了温度波动问题，达到舒适标准，形成了可交付、可规模化的算法参数方案。

04

从节能到诊断的场景扩展

在 AI 节能控制的工程攻坚过程中，算法团队对空调的运行原理建立了极深的理解。这套业务知识沉淀下来，直接催生了智能诊断方向——“当空调脏堵、缺氟，知道要看哪几个信号来判断。”

**▍**脏堵诊断****

首个智能诊断场景锁定为“滤网脏堵识别”：空调滤网积灰是常见问题，积灰过多会导致风量衰减、制冷效果下降、能耗增加，甚至滋生细菌影响健康。传统企业采用“规则判断”的工程模式，如设定“运行1000小时提醒清洗”，但全国各地环境差异极大——南方潮湿地区滤网易发霉、北方干燥地区积灰速度快、沿海地区有盐雾附着，单一规则无法适配所有工程场景，误判率、漏判率极高。

团队的方案是通过 AI 算法学习滤网脏堵的特征模式：采集不同环境、不同脏堵程度下的压缩机频率、功率、环境温度等工程参数，构建脏堵识别模型，实现“脏堵程度量化识别”，而非简单的时间提醒。当模型识别到滤网脏堵达到预警阈值时，会在米家 App 弹窗提醒用户，同时从健康风险（滋生细菌）、使用体验（制冷下降）、能耗成本（耗电增加）三个维度，向用户说明危害，并提供标准化的自行清洗教程。

▍缺氟检测

第二个智能诊断场景是“缺氟检测”：空调制冷剂（冷媒）不足，会导致制冷效果下降、压缩机过热，严重时会损坏设备，是空调常见的故障类型。传统检测方法采用“压力测试”，需售后师傅上门操作，且不同工况下的压力参数差异较大，极易出现误诊、漏诊，工程落地性差。

团队提出了多源样本融合与时序异常识别算法的方案：从海量多工况样本中筛选有效数据，构建时序异常识别模型，识别不同制冷剂充注量下的运行参数序列关联规律，实现了空调缺氟的精准检测。相比脏堵识别的“提醒用户”，缺氟检测更进一步——检测到问题后可以主动干预，推动售后运维从被动维修向主动预判升级。

值得注意的是，滤网脏堵诊断与安装高度识别，在工程技术上存在共通性——核心都是“从海量运行数据或图像数据中，识别设备的异常状态”。首个安装识别模型积累的“数据质量优先于模型能力”“标注标准化是模型落地的前提”等工程经验，在智能诊断模型的开发中得到了复用，大幅缩短了模型开发周期，降低了工程攻坚成本。

空调上验证的能力，也开始向洗衣机、冰箱等品类横向扩展。

AI 赋能不是从零开始。你在一个领域积累的业务知识，往往是下一个 AI 应用的种子。关键问题是：你的团队有没有刻意把这些知识沉淀下来？

05

跨专业协作的双向奔赴

AI 算法在空调行业的工程化落地，除了技术本身的难点，另外的一大挑战在于跨专业团队的协同。

这次 AI 工程实践，是大家电智能部、软件部、产品研发部、质量及服务等业务方团队和技术委AI实验室算法团队之间的联合攻坚的成果。各团队深耕各自领域——业务方对空调硬件原理、端云架构与系统集成、及工程标准与验收规范等驾轻就熟，但对 AI 算法的落地边界理解有限；算法团队擅长模型与数据，却对空调真实的业务原理、安装规范、运行逻辑了解不足。多个团队语言体系不一样、思考维度不一样，天然存在认知鸿沟。

这种差异，在最早做安装高度识别时就体现得淋漓尽致。在业务同事看来：安装距离识别无非就是比例测算，按理应该很容易实现。但站在算法视角，现场拍照角度、墙面底色、机身倾斜、光线强弱，每一个变量都会干扰模型判断。很多在业务端眼里 “很简单” 的需求，落到建模落地层面，其实藏着大量工程细节。

反过来，算法团队初期也面临巨大的业务知识缺口。初期参与 AI 节能控制任务时，大家对空调冷媒循环、过热度、过冷度等专业概念完全陌生，看不懂运行曲线、读不懂控制逻辑，更没法把业务诉求翻译成可落地的算法目标。

为此，算法团队用小半年时间，沉浸式补齐空调业务知识。每周固定和业务团队对齐学习进度，把不懂的原理、专业术语逐一拆解讲透；业务方也带着算法同事走进产线、安装现场，从硬件结构到实际工况，从头到尾建立直观认知。

双方形成了高频沟通、双向学习的协作节奏：算法侧下沉吃透行业业务，业务侧慢慢理解 AI 的能力边界与局限；大家还一起参与行业交流，跳出固有视角，看清行业整体趋势。

正是前期三四个月扎扎实实的业务补课，为后续所有项目铺平了协作道路。算法团队的小伙伴说：“做 AI 赋能，你必须对这个行业有非常深的理解和认识，甚至说你必须得扎到这个行业里面去，核心知识的掌握要跟业务方达到同样的水平。不然的话，两边沟通起来、业务推动起来会非常困难。”

跨团队协作从来不是谁迁就谁，而是彼此补齐认知差、互相换位思考，朝着同一个产品目标，找到技术与业务的最佳平衡点。

AI 落地传统行业，写代码、训模型只是基础，最难也最关键的，是搭建好算法与业务之间的认知翻译层。

06

成果与展望

协作磨合一路走来，最终沉淀下看得见的产品成果、可量化的运行数据，更形成了一套可复用、可复制、能真正落地的 AI 工程方法论。

从首个视觉模型从零攻坚耗时半年，到如今新品类模型一个月就能完成开发落地；从最初三天才能测出一组有效实验数据，到团队常驻实验室连夜攻坚、稳定拿下工况标准；从单一空调品类摸索试错沉淀方法，到横向复用复制到全大家电品类；从跨专业沟通壁垒重重、语言不通，到磨合出一套成熟标准化协同机制。

我们也慢慢沉淀出一个共识：技术的终极价值，从来不是堆砌复杂架构和高深模型，而是把复杂的工程逻辑全部隐形，让用户只感受到简单、省心与舒适。

如今 AI 能力已解决了安装、运行、诊断三个环节，但在售后联动和主动服务上还有大量空间，我们会继续探索新的 AI 能力下，空调更主动智能的表现。