提到MLOps，多数人脑子里浮现的画面是：训练模型、验证、打包、部署上线。就算基础设施分了开发、测试、生产三套环境，它们也通常属于同一个IT体系，网络稳定，管理原则一致。但在工业企业里，这个假设往往不成立。

一个ML系统可能横跨多个地理位置，穿过企业网和技术网，连接工业设备，运行在部分隔离的网段里，还得在中央环境断网时保持可用。这就是工业MLOps和普通MLOps的本质区别——它不是“更复杂的CI/CD”，而是管理一套跨越不同信任边界、运维约束和可用性要求的分布式ML系统。

打开网易新闻 查看精彩图片

一个ML生命周期，多个运行环境

为了把这件事讲清楚，文章引入了一家虚构公司：Northstar Mining Group。这家假想的矿业公司有一个总部和三个选矿厂——Aurora Plant、Red Valley Concentrator、Silver Ridge Processing Site。所有名称均为虚构，不代表任何真实公司架构。

Northstar的一个ML用例是浮选优化模型。它分析矿石特性、矿浆参数、药剂消耗、充气指标等工艺变量，给出能提升回收率或减少药剂浪费的操作建议。这个例子能直观说明：无论底层是云、裸金属还是混合架构，工业MLOps都会比传统集中式ML环境复杂得多。

大型工业企业的MLOps很少只存在于单一平台。有的系统负责模型开发和训练，有的支撑集中治理或企业级ML服务，有的直接连到本地生产运营。一个典型的技术版图可能包含：企业IT环境、企业数据网络、DMZ或传输区、厂区技术网络、本地生产网段。

为什么工业架构要把环境分开？

先定义三个关键术语，理解这些环境为什么必须隔离。

企业网络：承载常规企业IT系统的地方——员工服务、业务应用、分析方案、开发环境、数据存储和集中式基础设施服务。它的职责是支撑公司业务和IT运营。

问题在于：当模型要部署到厂区技术网络甚至生产网段时，它面对的是完全不同的信任边界。企业网络里的数据可以自由流动，但到了生产网段，每一次数据传输都要经过审批和隔离检查。这不是流程繁琐，而是工业安全的底线。

更麻烦的是可用性要求。企业网络断网半小时，最多是员工没法用OA。但生产网段的模型如果因为断网而失效，可能导致整条产线停摆。工业MLOps的核心挑战，就是在这种多环境、多信任边界、多可用性要求的前提下，让ML系统仍然可靠运行。

Northstar的浮选优化模型就是一个典型例子：它在总部训练，在厂区的技术网络里做推理，还要在中央连接中断时继续工作。这意味着模型不仅要“部署”到生产环境，还要能在离线状态下自主决策——这已经超出了传统MLOps的范畴。