概念验证只回答一个问题：某项技术假设在这个应用场景下能不能成立。它不关心节拍、成本和运维，跑通了也不代表可以投产——那是试点该管的事。
概念验证（PoC）针对的是一个具体的技术疑问：这种材质的工件视觉系统能不能可靠识别、这个抓取力度会不会压坏产品、在这样的地面条件下 SLAM 定位精度够不够。它的范围应该窄到只验证这一个假设，其他变量全部简化掉。
因此 PoC 通常在实验室或半模拟环境里做，用少量样品、固定光照、人工上料。这种简化不是偷懒，而是必要的——引入太多变量后就无法判断失败究竟出在哪一环。
PoC 和试点的分界要划清楚。PoC 回答『技术上能不能』，试点回答『生产上值不值』。把两者混为一谈，最常见的后果是 PoC 做通之后直接下单采购，随后在产线上撞见节拍、来料波动和运维负担的问题。
合格的 PoC 会给出量化结论，而不是一句『可行』。比如：在 300 个样本上识别准确率 97.2%，失败的 8 例全部集中在表面反光的黑色工件上。这样的结论既支持决策，也指明了下一步该解决什么。
为了自动化一段重复的物料搬运，项目团队用概念验证作为决策依据之一。他们只验证一个假设：机器人能否在无固定标识的通道里稳定定位。测试用两周时间在实际通道上跑了 500 趟，定位偏差超过 5 厘米的有 11 趟，均发生在叉车临时堆料改变环境特征之后。
PoC 的风险是被过度解读。实验室里 97% 的准确率到了车间可能掉到 80%，因为光照、来料一致性和人员操作都变了。PoC 的结论只应该用来决定『要不要继续投入做试点』，不应该用来签量产合同。
实践应用
为了自动化一段重复的物料搬运，项目团队用概念验证作为决策依据之一。他们只验证一个假设：机器人能否在无固定标识的通道里稳定定位。测试用两周时间在实际通道上跑了 500 趟，定位偏差超过 5 厘米的有 11 趟，均发生在叉车临时堆料改变环境特征之后。
优势
- 范围窄到只验证一个假设，失败原因容易定位
- 在实验室或半模拟环境即可完成，不占用产线
- 投入小、周期短，能在早期筛掉技术上走不通的方案
- 量化结论同时指明下一步需要解决的具体问题
局限性
- 简化环境下的结果无法直接外推到真实车间
- 不覆盖节拍、成本和运维，跑通不等于可投产
- 结论常被过度解读，成为跳过试点直接采购的理由
- 样本量偏小时，低频失效模式根本不会出现
典型应用领域
常见问题
- 概念验证要回答什么问题？
- 一个具体的技术疑问，比如这种材质能否被视觉可靠识别、这个抓取力度会不会压坏产品、这种地面条件下 SLAM 精度够不够。
- PoC 和试点怎么区分？
- PoC 回答技术上能不能，试点回答生产上值不值。把两者混同，往往导致 PoC 通过后直接采购，然后在产线上撞见节拍和运维问题。
- 合格的 PoC 结论长什么样？
- 带数字的。例如：300 个样本准确率 97.2%，失败的 8 例全部集中在表面反光的黑色工件上——既支持决策，也指明下一步要解决什么。
- PoC 的结论能用来做什么决定？
- 只能用来决定要不要继续投入做试点。实验室里的准确率到车间可能大幅下滑，用它签量产合同风险很高。