智产社
首页
资讯
科技
生活
家居
教育
制造
商讯
热点
资讯
科技
最新
生活
家居
综合
教育
制造
动态
商讯
教
教育
科
科技
制
制造
家
家居
资
资讯
热门标签
教案
门锁
床垫
最新发布
当门锁开始“认”人,而不是“认”指纹
2026-11-19
当床垫开始“读”你的身体
2026-11-19
一面墙的三十年:当涂料品牌开始“卖颜色”而不是“卖桶”
2026-11-19
当家居卖场开始“收留”线上品牌
2026-11-19
量子计算的“多机互联”:当一台不够用的时候
2026-11-19
空芯光纤:当光开始在空气里跑
2026-11-19
硫酸车间的“零点”:当操作工从三千五百次按键里消失
2026-11-19
注塑车间的“一模之间”:当工艺参数开始自己找路
2026-11-19
当质检员开始“训练”自己的替代者
2026-11-19
紧固件车间的“万元盒子”:小微工厂的AI,不必从大模型开始
2026-11-05
焊接机器人的“大脑”之争:一个垂类大模型如何改变车间里的知识分配
2026-11-05
领航级智能工厂:当制造业开始“自己思考”
2026-11-05
最新文章
十亿基金的“耐心”:当知识产权开始要求资本等一等
2026-11-19
审查员的“新同事”:当专利局开始用AI审专利
2026-11-19
证明你“做过什么”:知识产权正在重新定义“智力投入”
2026-11-19
2.6万个“学习惩罚”背后,谁在用AI做一件正确的事
2026-11-19
九千个应用“长”出来之后,谁在整理它们
2026-11-19
莱州的老教师,和那个“学得慢”的反转
2026-11-19
教案开始“自己写”:AI进课堂的第一道坎不是技术
2026-11-19
资讯
进入频道 >>
十亿基金的“耐心”:当知识产权开始要求资本等一等
知识产权和资本之间的关系,过去一直不太体面。 专利质押、知识产权ABS、证券化,这些词喊了几年,落地的方式大多是把专利当成抵押物,评估作价,银行放款,企业拿钱。逻辑和拿厂房抵押没什么本质区别:知识产权在这里扮演的是“资产”的角色,能折价、能变现、能兜底。至于这项专利本身好不好、有没有转化前景、能不能长出新产品,银行不太关心,企业也不太需要它关心。 无锡在11月专交会上要做的一件事,把这个惯性撬了一下。全国地级市首只知识产权股权投资基金,规模10亿元,围绕半导体、航空发动机、人工智能等领域签约一批拟投资项目。股权投资基金,不是质押贷款,不是风险补偿,是拿真金白银买企业的股份,赌的是这项技术未来能长成什么东西。 这个区别值得多看两眼。质押贷款的逻辑是“你的专利值多少钱,我借给你多少钱”,风险在估值环节被锁死。股权投资的逻辑是“你的技术现在不值钱,但我相信它以后可能值钱”,风险被延后到退出环节,用时间换空间。前者要求知识产权已经具备可量化的资产属性,后者允许知识产权还只是一张图纸、一个原型、一组实验室数据。 这恰好是知识产权领域长期存在的一个裂缝。专利审查在提速,发明专利平均审查周期从“十三五”末的20个月压到了15个月。司法保护在加码,惩罚性赔偿案均判赔超过3500万元。但转化环节始终卡着:一项技术从实验室到量产,中间那段最难的路,没人愿意陪着走。银行不愿意,因为风险太高;企业自己扛,往往扛不过去。 无锡的十亿基金,赌的就是这段路。半导体、航空发动机、人工智能,三个方向都是长周期、高投入、技术密集的领域。这三个领域的专利,恰恰是最难用传统质押逻辑定价的。一项芯片设计的专利,离开流片验证就只是一组代码;一项航空发动机工艺的专利,离开试车台就只是一份说明书。它们的价值不在授权证书上,在“跑通”之后。 把这件事放在11月知识产权领域其他动静里看,会看到一条不太响亮但方向一致的线索。第十五届专交会的主题被定为“专利链通创新转化释放价值”,展会现场专门设了“人工智能赋能转化运用”展区,40余场配套活动里大量的环节是供需对接。同期,江苏数据知识产权登记平台发证超4200件,其中可用于AI模型开发的高质量数据集占45%,以数据知识产权为底层资产的ABS在上交所发行,首期规模1.37亿元。这些事发生在不同的场景里,用的语法不同,但指向同一件事:知识产权的“资产”属性正在被重新定义。它不再只是拿来抵押和兜底的东西,它开始被当作一种可以被投资、被持有、被等待的东西。 这个转向对“耐心”的要求,比对“资本”的要求更高。质押贷款是一锤子买卖,估值做完,钱到账,关系结束。股权投资要陪跑五年、七年、甚至更久,中间要经历技术路线摇摆、团队更迭、市场波动,退出之前谁也不知道这笔钱最后是赚是赔。无锡这个基金能不能跑通,不取决于10亿的规模,取决于有没有人愿意在项目还没长出利润表的时候,坐得住。 这和之前写过的审查端AI化、老焊工训练机器人、夜班机修工问海睿,底层是同一件事的不同切面。审查端的AI辅助,是把审查员的判断力从检索比对中解放出来,去做那些机器做不了的创造性判断。老焊工训练机器人,是把“手感”从退休的老师傅身上抽出来,变成可调用的参数。无锡的股权基金,是把资本的耐心从“看报表”的惯性里拽出来,挪到“看图纸”的阶段。三个动作,三个尺度,都在做同一件事:**让某种原本不被计入账本的东西,正式进入账本。**审查员的判断力,焊工的手感,一项技术还没变成产品之前的价值。 智产社的域名 Szellemi Tulajdon 在匈牙利语里是“知识产权”。但知识产权这四个字在今天真正在做的,已经不只是给已经完成的东西发一张证书。它在试着承认那些还没有变成利润、还没有变成产品、还没有变成抵押物的东西,也有被投资、被等待、被保护的价值。十亿基金赌的不是十家企业的现在,是十项技术可能的以后。至于赌不赌得中,那是另一个问题。方向是清楚的:有些东西,值得让资本等一等。
3小时前
审查员的“新同事”:当专利局开始用AI审专利
知识产权制度有一个不太被公开讨论的效率悖论:创新在加速,审查在排队。 一件发明专利从申请到授权,平均周期以年计。审查员要读完说明书、比对权利要求、检索全球在先技术、判断创造性,每一步都是高密度的智力劳动。申请人等不起,产业等不起,但审查质量又不能降。这个矛盾在过去几十年里,靠增加人手和优化流程来缓解,缓解得有限。 2026年11月,国家知识产权局印发的《专利和商标审查“十五五”规划》给出了一个不同的解法。规划里有一句话被反复引用:“构建人机协同智能审查新模式”。配套的专项工程叫“人工智能+”审查工程,要求稳步推进多模态大模型技术在审查各环节中的应用,建立人工智能辅助审查应用研究机制,持续跟踪技术趋势,及时试用、验证、应用和迭代新技术。 翻译一下:审查员要开始和AI一起干活了。 这件事的分量,不在于“专利局买了新软件”。它指向的是一个更底层的转变:知识产权制度的核心环节——审查——正在从“纯人工判断”往“人机协同判断”迁移。 审查员的核心能力过去是“读得懂技术、找得到对比文件、判得准创造性”。当AI开始承担检索、初步比对甚至部分创造性初筛的时候,审查员的价值锚点会发生位移。从“做判断的人”变成“审核判断的人”,这两个角色之间的差距,比听起来大得多。 把这条规划放在11月知识产权领域的其他动静里看,会看到一条隐约的线索。这个月,4.3亿元涉外化工发明专利侵权案二审完胜,被告方靠的是逐页拆解环评报告、用禁止反言原则框定权利要求边界、请专家辅助人厘清蒸馏与吸收的机理差异。同一时间,北京知识产权法院在药品专利链接制度运行五周年之际集中发布了九件涉医药专利典型案例,涉及马库什权利要求解释、中药组方创造性判断、仿制药四类声明认定标准等高度专业化的规则问题。第十五届专交会上,WIPO总干事邓鸿森说了一句值得留意的话:知识产权工作不仅应致力于申请和保护,还应延伸至转化运用、商业化融资等更多层面。 三件事,三个尺度。化工侵权案是司法端的专业化对抗,拼的是对技术细节和程序规则的极致拆解。药品专利案例是规则端的精细化沉淀,把五年积累的特殊类型案件规则一次性摊开。专交会和WIPO的表态是运用端的向外延伸,专利不能只停在证书上。 而审查端的AI化,恰好卡在这三者的上游。审查是所有专利价值的起点。一件专利如果审得不准,司法端就要花几倍的力气去纠偏,运用端就要承担权利不稳定的风险。审查如果审得慢,创新主体就等不起,转化就无从谈起。 “人工智能+”审查工程要解决的,正是这个上游的效率和质量问题。但这里有一个需要留意的张力:AI辅助审查,辅助到什么程度?检索和比对可以交给机器,创造性判断呢?一件专利“对本领域技术人员是否显而易见”,这个判断依赖的是审查员对技术脉络的理解和对“非显而易见”边界的把握。AI可以给出相似度分数,但它给不出“这个改进在当时的产业语境里算不算巧思”的判断。 规划里用了“辅助”这个词,没有用“替代”。这个措辞的克制是对的。但“辅助”的边界在哪里,规划没有说,留给实践去填。 这和之前写过的焊接机器人训练老焊工、海缆知识图谱夜班值班、注塑机自己修正下一模参数,底层是同一件事。工业车间里,老师傅的“手感”被拆解成可采集的数据,喂给模型。审查员的“眼力”正在被拆解成可训练的特征,喂给AI。两者的共同前提是:**人的判断力值得被记录、被结构化、被复用。**区别在于,焊工的手感错了,废的是一批工件;审查员的判断偏了,影响的是未来二十年一件专利的法律效力。 所以审查端的AI化,节奏注定比车间慢。车间可以试错,审查不能。规划说“及时试用、验证、应用和迭代”,试用在验证前面,验证在应用前面,这个顺序本身就是一种审慎。 智产社关注知识产权,关注的不是又印发了多少份规划、又签了多少个协议。我们关注的是那些**“判断力被重新分配”的时刻**。一个审查员从埋头检索变成审核AI的检索结果,一个法官在4.3亿标的的化工案里靠禁止反言原则守住权利边界,一个药品专利链接案件在五年积累后终于有了可参照的规则。这些事发生在不同的房间里,用的是不同的语法,但指向同一个方向:知识产权的核心资产从来不是那张证书,是证书背后那些被反复验证过的、关于“什么是创新、谁配拥有它”的判断。 AI进审查,不是来替审查员做判断的。它是来让审查员有更多时间,去做那些机器还做不了的判断。至于那些判断具体是什么,规划没说。大概得等审查员和他们的新同事处上一段时间,才知道。
3小时前
证明你“做过什么”:知识产权正在重新定义“智力投入”
2026年11月,两起涉及AI生成内容的著作权判决几乎同时进入公共视野,结果却指向相反的方向。 武汉江岸区法院审结的AI短剧案里,47集微短剧被完整搬运、改名、植入广告,法院认定构成侵权,判赔2万元。关键不在于短剧用了AI,而在于创作者完整参与了剧本策划、分镜提示词设置、素材甄别、剪辑排布、伴音匹配的全流程,“投入了大量连续性、实质性的智力劳动”,成片“并非简单一键自动输出的机械产物”。同一时段,另一起AI文生图案中,原告仅输入简单场景描述,未做实质性调整,生成结果高度随机,法院认定“人的智力投入过于薄弱”,驳回全部诉求。 两起判决并排放在一起,分水岭很清楚:法律不再问“是不是AI生成的”,而是问“你在这个过程中到底做了多少”。 四川高院在同期发布的典型案例中,把这个标准概括为“连续性智力投入与实质性表达转化”。苏州“蝴蝶椅案”的原告之所以败诉,不是因为没有输入提示词,而是因为拿不出生成具体图片的原始过程记录,无法证明自己对“具体表达”作出了个性化、实质性的投入。 一个不太被明说但已经生效的规则正在浮出水面:知识产权开始要求你证明过程,而不仅仅是主张结果。 你的提示词怎么调的、参数改了哪几轮、筛选掉哪些不符合预期的生成片段——这些“创作痕迹”正在从花絮变成证据。 这条规则不只作用于AI创作。它正在以不同的语法,出现在知识产权的其他分支里。 数据:从“谁拥有”到“谁证明得了” 数据知识产权的困境,比AI版权更早,也更沉默。科研数据、工业数据、训练数据集,长期处于“权属不清、维权无据、流通不畅”的状态,谁都在用,谁都不敢说自己拥有。 江苏的解法是把“登记”作为确权的起点。截至2026年4月中旬,江苏数据知识产权登记平台累计发证超4200件,其中可用于AI模型开发、训练的高质量数据集达1884件,占比45%。登记不是终点,但它提供了一个可被司法采信的“初步有效证明”:这份数据由谁持有、什么时间形成、内容快照是什么,被固定下来了。苏州圆壳生物把器官芯片的科研数据登记之后,以数据知识产权为核心资产,与核心团队签订了认股权协议,5%的股份以认股权形式绑定数据价值,全国首个“数据知识产权+认股权”案例落地。更激进的一步发生在资本市场:以数据知识产权为底层资产、不依赖传统知识产权增信的ABS在上交所发行,首期规模1.37亿元,纯数据资产的独立融资可行性被完整验证了一次。 数据要变成资产,第一步不是定价,是证明它是你的。而证明的方式,和AI短剧案里证明“创作过程”是同一种逻辑:留下痕迹,留下记录,留下可被第三方核验的东西。 专利:从“卖一张纸”到“陪一段路” 高校专利转化率长期在10%上下徘徊,这个数字背后是一个更具体的死结:一项职务成果定价低了,审计说不清;定价高了,企业不买账。中间没有容错空间。 2026年1月1日起施行的新修订《江苏省促进科技成果转化条例》做了一件很具体的事:把奖励下限拉到净收入的70%,且不受绩效工资总量限制,配套资产单列管理和尽职免责清单。截至2025年底,高校和科研机构发明专利产业化率分别达到10.1%和17.2%,约8万件发明专利在专项行动期间实现产业化。数字的提升幅度不算惊人,但方向是清楚的:把转化的动力从“行政推动”挪到“发明人自己的收益预期”上。 吉林农业大学的做法提供了另一个切面。王玉华团队的“红法夫酵母生产饲用虾青素”技术,转让协议不是一次性买断,而是500万元技术秘密入门费加项目投产后30%的净利润持续分成。张艳荣团队围绕玉米精深加工打包转让4项发明专利,从籽粒到秸秆构成完整闭环,合同金额150万元。转化从“卖一张专利证书”变成了“陪企业跑通量产”。“入门费+效益分成”的逻辑和AI短剧案里“算力成本纳入赔偿考量”是同一种思路:承认智力投入的价值,需要一种能够追踪其后续实现的计量方式,而不是一次性结清的买断。 惩罚性赔偿:威慑的另一面是定价 2026年1月,最高法公布了一组数据:知识产权法庭运行七年来,58案适用惩罚性赔偿,合计赔偿20.5亿元,案均超3500万元;超1000万元高额赔偿案件73件,合计52.4亿元,案均近7200万元。技术秘密类案件在高额赔偿中占比突出。 广州“虚拟数字人”技术秘密案是一个典型的切片。七名被告通过内网穿透、电子侵入等非法手段获取源代码,相似度超过90%,法院以165万元预期利益损失为基数,适用三倍惩罚性赔偿,判赔495万元。三倍这个倍数的选择,本身就在传递一个信息:恶意获取他人智力成果的成本,需要被重新定价。 惩罚性赔偿的威慑力,和AI版权判例中“过程证明”的要求,看似在两个方向用力,其实指向同一件事。一端在入口,要求主张权利的人拿出真实的智力投入证据;另一端在出口,让窃取他人智力投入的人付出高于实际损失的代价。两端合起来,是在为“什么算智力投入、智力投入值多少钱”建立一套更可操作的度量标准。 同一个方向 把这几条线索放在一起,2026年知识产权领域正在发生的,不是某一条规则的修补,而是一个更底层的转向:保护的重心从“已经想出来的东西”往“想的过程”挪了一步。 AI版权问的是“你在生成过程中做了什么”,数据确权问的是“你怎么证明这份数据是你持续采集和整理的”,专利赋权问的是“发明人能不能从转化中得到可预期的份额”,惩罚性赔偿问的是“窃取他人过程性投入该付多少代价”。四个问题,四种语法,指向同一件事:智力投入不再是不可见的背景,它正在成为需要被记录、被证明、被定价的前台。 智产社的域名 Szellemi Tulajdon 在匈牙利语里是“知识产权”的意思。但知识产权这四个字在今天真正在做的,已经不只是保护一个已经完成的“知识产品”。它在试着承认和保护那些还没有变成专利、还没有变成作品、还没有变成资产的、分散在过程里的判断和投入。一个短剧的分镜调试,一组器官芯片数据的采集标注,一项实验室技术从样品到产品的陪跑,这些事过去不被计入“产权”的账本。现在,账本正在被重写。 至于重写得对不对、够不够快,那是另一个问题。但方向已经清楚:你做过什么,比你声称拥有什么,越来越重要。
3小时前
热门推荐
教育
进入频道 >>
2.6万个“学习惩罚”背后,谁在用AI做一件正确的事
昆山给全市2.7万名教师每人配了一个AI助手。太原小店区建了102间人工智能教室,培训覆盖全员。青海果洛的牧区小学,教师备课时间从3小时压到40分钟。这些消息密集地出现在11月的新闻流里,指向同一个方向:AI进校园,正在从“试点”变成“标配”。 减负的数字很漂亮,但有一组数字不那么漂亮。 2026年6月,三位研究者发布了一篇工作论文,追踪了中国中部一个县9所中学的26811名初高中生,时间跨度30个月。结论是:使用AI后,周末作业分数平均提高约18%,作业时间从64分钟缩短到45分钟;但校内闭卷月考成绩平均下降约20%,累计使用AI至少两年的学生,中考成绩下降约24%,高考下降约18%。 论文给这个现象起了个名字:“生成式人工智能的学习惩罚”。 有意思的是,惩罚最重的不是差生。研究团队发现,成绩处于前三分之一的学生,损失反而更突出。吴延晖教授的解释是:考试拉开差距的从来不是基础题,而是那几道需要深度思考的难题。过去好学生靠自己啃下这些题,现在AI一秒钟给出答案,思考的过程被跳过了,难题的能力反而在退化。 更值得留意的是另一组分类。论文把使用AI的学生分成两类:一类是“作业外包”,占81%,作业完成时间极短、分数很高,学习损失显著;另一类把AI当“导师”,保留独立思考过程,完成时间与非AI用户相近,损失幅度小得多。 换句话说,AI本身没有制造“学习惩罚”。是用AI跳过思考这件事在制造惩罚。 这就把前面那些减负叙事的问题翻了出来。减负的数字在说“省了多少时间”,但没有人追问:省下来的时间去了哪里?如果一个教师用AI省下了备课的两小时,然后把这两小时用来更仔细地看每一个学生的作业、更深入地琢磨一个知识点该怎么讲,那是好的。如果省下来的时间只是让一天的工作提前结束,那AI就只是一个效率工具,和一台更快的打印机没有本质区别。教师端和学生端,逻辑是通的。 天津职业大学的一群学生,做了一件跟这个逻辑有关的事。 王诚瑞、杜环宇、曹瑞峰、范一唯,机电学院的学生,每个人都泡过电气实训台。他们太清楚那个场景里的麻烦了:实训台数量有限,排队等实操;接错线路只能等老师巡检才被发现;书本上的原理图和实物元件对不上号。大多数学生遇到这种麻烦,忍一忍就过去了。他们几个决定自己做一套东西来解决它。 “AI智孪工坊”就是这么长出来的。数字孪生加大模型RAG,电气教材、故障案例被整理成知识库,虚拟仿真和真实设备打通。学生可以在虚拟环境里先接线,接错了系统指出来;再到真实设备上操作,AI在旁边对话指导。校内286名学生参与试点,系统还在根据师生反馈持续迭代。 这件事的关键不在于技术难度。一个学生团队做的实训系统,不可能比大厂的产品更精密。关键在位置:他们是学习者,同时也是工具的设计者。他们用AI解决的是自己学习中真实卡住的地方——排队等设备、接错线没人告诉、理论跟实物对不上。AI在这里没有替他们写作业,没有替他们考试,而是帮他们把“学”这件事本身变得不那么费力。 这和“作业外包”是两种完全不同的关系。外包的逻辑是:把认知劳动交给AI,自己拿结果。设计的逻辑是:把重复的、卡壳的、低效的部分交给AI,自己保留判断和思考。前者产生“学习惩罚”,后者产生一套别人也能用的系统。 论文里那81%的“作业外包”学生,和天津职大这几个学生之间的差距,不在智商,不在资源,在于谁在决定AI用来做什么。前者让AI决定自己的学习路径,后者自己决定AI该替自己干什么、不该替自己干什么。 吴延晖在访谈里说了一句话:真正需要思考的是,什么能力应该交给AI,什么能力必须由人类自己获得。这个问题,教育系统目前还没有给出答案。昆山给了每个老师一个AI助手,太原建了102间AI教室,但这些是“供给端”的答案。需求端的问题——学生拿AI做什么——还没有被认真地问过。 天津职大那几个学生无意中提供了一个参考答案:让学习者自己成为AI工具的设计者,而不是被动的使用者。他们造出来的东西,装的是自己对“学不会”这件事的理解。这种理解,AI替代不了。
3小时前
九千个应用“长”出来之后,谁在整理它们
无锡梁溪做了一个很多地方想做但没做成的事:给全区8000多名教职工人手一个AI账号,不搞试点、不挑年轻老师、不预设“谁更适合用AI”。一个月后,9000多件由一线教师自己搭出来的教学应用,从真实的课堂里冒了出来,汇成了一个叫“万象应用工坊”的案例库。 南长实验中学的朱玉绵做了一个“编钟演奏模拟器”,仿曾侯乙编钟的双层钟架,学生点钟体就发声,音名和音高标准同步显示。音乐和历史课上一直有个遗憾:编钟讲过,没听过,课本上的“宫商角徵羽”是死的,现在它响了。积余实验学校的顾炀做了一个“智能公交系统”,把物联网教材里那张流程图变成了3D可交互场景,学生跟着B12路公交从北斗定位看到云端处理再到手机推送,全链路跑一遍。 这些应用单独看,是一个个聪明的点子。九千个放在一起,是另一回事。 梁溪区教育局局长李力说了一句很克制的话:案例的价值在于真正解决问题。这句话里藏着案例库这件事真正的门槛。做一个应用是创造力,让九千个应用被看见、被检索、被另一个学校的另一个老师拿去用,是另一套能力。央广网的报道里有一句描述很准:“案例不需要被刻意制造,它会从每一堂课里‘长’出来。”但“长出来”只是前半句。后半句是:长出来之后,得有人除草、分畦、留种。 这恰恰是大多数区域推进AI进校园时摔跟头的地方。工具发下去了,培训也做了,公开课打磨了几节,热闹一阵,然后归于沉寂。原因不复杂:成果散在每个人的电脑里,散在每一间教室里,没有汇聚的通道,也没有复用的机制。一个老师好不容易搭出来的东西,另一个老师不知道它存在,知道了也未必拿得到,拿得到也未必改得动。经验变成了孤岛,孤岛变成了沉默成本。 梁溪的做法是把“汇聚”这件事做在了前头。“万象应用专家”和连接器部署在WorkBuddy开放平台上,教师登录就能调用,案例全自动汇集到工坊里,后续还要做属性建档、循证评星和案例导创。翻译一下:先让东西长出来,再给东西上户口。一个应用属于哪个学科、解决哪个学段的哪个痛点、用了什么工具、效果怎么验证,这些信息被结构化了,下一个老师才搜得到、看得懂、敢拿来用。 这和智产社之前写过的焊接车间、注塑车间、硫酸车间,底层逻辑是通的。老师傅的手感被编码进模型,硫酸操作工的三千五百次按键降到零,注塑机的参数自己找路。工业场景里,知识从人身上剥离的方式是“参数化”。教育场景里,知识从人身上剥离的方式是“应用化”。一个编钟模拟器,封装的是一位音乐老师对“学生从来没听过编钟”这个遗憾的判断;一个智能公交系统,封装的是一位信息科技老师对“流程图太抽象”这个痛点的理解。应用是用代码写的,但里面装的是教学判断。九千个应用汇在一起,装的就是九千个具体的教学判断。 当然,应用库有它天然的局限。一个应用解决的是一个老师在一个班遇到的一个问题,换一个班、换一批学生、换一种教材版本,未必直接能用。所以“属性建档”和“循证评星”不是行政流程,是让复用变得可能的前提。没有这些,九千个应用就只是九千个作品。有了这些,它才是一个可以检索、可以比较、可以迭代的资产池。 把梁溪的案例和淄博淄川特教中心放在一起看,会看到这件事的另一面。淄川特教中心的万荣慧老师用AI给孩子们做虚拟练习场景,教他们去超市怎么买东西、问路怎么开口、见到奶奶怎么说过年好。她说了一句很实在的话:以前既要创设场景,又要扮演不同角色,还要观察孩子的反应,确实忙不过来。现在腾出了精力去观察孩子“为什么犹豫,哪里需要提醒,什么时候应该鼓励一下”。 AI把“扮演”这件事接过去了,老师回到了“观察”的位置上。而观察到的那些东西——一个孩子在哪一步卡住、哪一种提醒方式有效、什么时候该等一等——恰恰是下一个应用该从哪里开始的地方。梁溪的案例库做的是把已经发生的判断存下来,淄川的特教课堂做的是让新的判断有机会发生。一存一取之间,教师的角色从“做应用的人”变成了“用应用的人”,再变成“决定应用该往哪里走的人”。 中建电子的“数字鲁班”在职业教育的尺度上做的是同一件事。他们把劳模工匠、特级技师的工艺诀窍数字化留存,“数字人师傅”一比一还原标准作业动作,支持方言语音交互,7×24小时在线示范教学。AI实操陪练用VR还原高危场景,骨骼识别实时纠偏,让过去只能靠经验判断的“手上功夫”变得可量化、可评估。建筑工地上老师傅的“手感”,和特教课堂里老师对孩子“什么时候该鼓励”的直觉,和音乐老师对“编钟没响过”的遗憾,本质上是同一种东西:只存在于个别人身上的、很难被写进教材的判断力。数字鲁班把它变成可训练的东西,梁溪把它变成可复用的东西,淄川把它变成可等待的东西。 九千个应用“长”出来,说明工具平权做到了。但九千个应用之后的事,才决定这件事能不能走出梁溪。一个案例库的价值,不在于它收了多少件作品,在于下一间教室里的人,能不能在需要的时候,找到上一间教室里的人留下的那一点判断。
3小时前
莱州的老教师,和那个“学得慢”的反转
教育AI的叙事里,年轻教师通常是天然的受益者。他们熟悉工具,上手快,能把提示词玩出花来。老教师则被默认为“需要被培训的对象”,甚至是被时代甩下的那一批。 山东莱州的数据把这个默认假设翻了过来。今年秋季学期,莱州在全市中小学推广腾讯WorkBuddy AI助教,覆盖6000多名教师。一个多月后的摸底显示,80.3%的教师用上了智能体,八成以上认可效率提升。但真正让我多看两眼的,是莱州市人工智能教育工作室主任任军涛的一个判断:中年以上的教师,搞人工智能反而有好处,更得心应手。 理由不复杂。云峰中学初一数学组里,24岁的马椿源用WorkBuddy做了一个立体图形的拖拽演示模型,三视图能同步显示。59岁的胡长存不太会操作智能体,但他看了一眼教案就指出:这个知识点学生接受起来有困难,练习时长不够,讲得不够深。马椿源把建议“喂”回智能体,课件很快改了。胡长存知道学生会在哪里卡壳,那是几十年课堂攒下来的东西,年轻人暂时还没有。 这个场景和之前写的焊接车间、注塑车间、硫酸车间是同一件事,只是角色换了。工业车间里,老师傅的手感被编码进模型,年轻人负责调参。莱州的教室里,老教师的判断力被“喂”回智能体,年轻人负责操作。两代人各出一半,合起来才是一个完整的闭环。任军涛说老教师“有经验、有想法,提出的问题更有针对性”,这句话放在任何一个行业的师徒关系里都成立,只是在AI的语境下,它被重新发现了。 莱州的做法有一个细节值得注意:他们定了一条原则,“不强推、不考核、不摊派”。任军涛的原话是,这项工作本来就是给老师减负,如果为了考核压任务,就起了相反的作用。这个克制在当下的教育AI推广里不太常见。大多数地方的做法是培训、打卡、纳入考核,一套组合拳下来,老师学会了用工具,但学会的原因是“不得不”。莱州把顺序倒过来了:先让老师感受到省时间,再让他们自己决定要不要用。 实验小学英语老师王锋教三个班120名学生,以前检查背诵打卡根本听不完。她搭了一个口语训练工作台,学生传语音,系统自动反馈发音问题。“以前是抽查,现在是全覆盖。”三年级班主任迟洁把家访待办、表格汇总、生日提醒这些事交给了智能体,日常事务少了三分之二,不用熬到八九点才下班。这些事不宏大,但它们发生在一线教师每天都要面对的琐碎里。 把莱州和之前写过的青海哇赛乡小学放在一起看,有一条共同的线索。哇赛乡的老师用AI备课,单节课从3小时降到40分钟,但他们同时建了提示词模板和人工审核台账。莱州的老教师不会用工具,但他们提供的判断让工具变得有用。两件事指向同一个结论:教育AI落地的瓶颈,从来不在技术那一端。技术已经在那里了,够用了。缺的是让技术接上“地气”的那一层——知道学生会在哪里卡壳的人,知道一道题该练几遍才够的人,知道一份教案哪里“不对劲”的人。 这些人过去只存在于各自的教室里,他们的判断随着退休一起离开。现在,一部分判断被“喂”进了系统,另一部分还在老教师的脑子里,等着下一次教研被年轻人问出来。智产社关注教育,关注的就是这些“经验从一个人身上流到系统里”的时刻。它不发生在发布会和备案公告里,它发生在一个24岁和一个59岁的人对着同一份AI教案争论的时候。
3小时前
教案开始“自己写”:AI进课堂的第一道坎不是技术
教育AI的叙事,过去两年被两种场景主导:一种是学生拿着手机问AI解题,一种是学校采购了一堆平板和智慧大屏。两者都热闹,但都绕开了教室里最核心的那个人。 青海果洛州久治县哇赛乡民族寄宿制小学的数据提供了一个不太一样的切口。这所高原牧区学校引入AI工具后,教师单节课备课时间从3小时降到了40分钟,批改工作量减少了50%。数字很漂亮,但真正值得琢磨的是他们同时做的一件事:建立提示词模板和人工审核台账。 这个细节说明了一件事:AI进课堂,不是把工具扔给老师就完事了。它需要一套“怎么用”的方法,以及一条“什么能用、什么不能用”的底线。 快手公益今年11月发布的《启智星计划·AI赋能教育创新案例集》,做的事情和哇赛乡小学的逻辑一脉相承。他们征集了21个省份135份申报,最终选出30个可复制的案例,覆盖双语教学、分层教学、科创体育融合等场景。项目团队在调研中发现了一个共同的痛点:大部分乡村学校硬件在改善,但能用好AI的老师稀缺。用快手公益基金会秘书长喻文博的话说,“教师缺的不是一台电脑,而是一套能落地的教学方法”。 这句话值得多看两眼。过去几年教育信息化的惯性思路是“配设备”,电脑、平板、大屏、网络,一样样配齐。但设备到了教室,老师不会用、不敢用、不知道怎么融进四十分钟的课堂,最后设备就成了角落里的摆设。哇赛乡小学的做法是把AI用在最耗时的环节上:备课和批改。这两个环节不直接面对学生,容错率高,老师可以先在“幕后”熟悉AI的工作方式,再慢慢往前挪。 四川广元范家小学的冯义走得更远一步。他用一部手机和免费AI工具完成了全校学生的动作分析和体测分层,学生运动受伤次数下降了60%,台账制作从3天缩短到20分钟。一个乡村体育老师,没有等学校采购专业设备,用手里已有的东西解决了自己的问题。这种“从现有条件出发”的解法,比任何顶层设计都更接近真实课堂的运作方式。 把视线拉回城市,海亮科技的教育大模型HaiModel近期通过了国家生成式人工智能服务备案,形成了多模态课堂分析、AI自适应学习、备课Agent等场景专长模型。北京语言大学的“汉桥”智能体则走了一条更垂直的路:面向全球中文学习者,基于20TB的权威多模态语言资源,让系统根据学习者的水平和兴趣自动生成专属课程。北京语言大学党委书记曲昭伟给这件事的定性是,“把因材施教从教育理想转化为可工程化、可规模化的现实”。 这句话放在哇赛乡小学和范家小学的语境里看,多了一层意思。因材施教这件事,过去依赖的是老师对每一个学生的了解。一个班四十个人,老师能记住谁数学差、谁阅读好,但很难为每个人设计不同的路径。AI的介入,让“课找人”在技术上成为可能。但技术可能是一回事,教室里能不能落地是另一回事。 哇赛乡小学的提示词模板和人工审核台账,范家小学的一部手机和免费工具,指向的是同一个方向:知识从“少数人手里的方法”变成“多数人可用的流程”。过去一个优秀教师的备课思路、批改标准、分层逻辑,藏在她自己的经验里,别人拿不走。现在这些被拆解成模板、提示词、审核规则,装进一个系统里,另一个老师拿到就能用。快手公益说案例集的目标是让乡村教师“拿走就能用”,这句话的分量和工业车间里“老师傅退休手感还在不在”是同一件事。 当然,教育比工业多一层复杂。工业AI调错一个参数,废的是一模产品。教育AI给错一个判断,影响的可能是一个学生对自己的认知。福田区在11月的一场供需对接会上,给入校的AI产品划了一条线:面向未成年人的教育类AI,数据安全、隐私、伦理是前置条件,评价类应用中AI只作辅助、不做标签化排名。这条线的存在本身就在提醒一件事:课堂不是车间,效率不是唯一指标。 智产社关注教育,关注的不是又备案了多少个大模型、又采购了多少块大屏。我们关注的是那些具体的变化:一个高原小学的老师从3小时备课里省下2小时20分钟,一个乡村体育老师用手机把台账从3天压到20分钟,一个中文学习者在系统里找到了一套为自己生成的课程。这些事今天看起来还是散点,但它们指向的方向是清楚的:那些曾经只属于少数优秀教师的判断和方法,正在变成更多普通教师可以调用的东西。 技术进课堂,第一道坎从来不是技术本身。是人愿不愿意用,会不会用,以及用了之后,教室里的那个孩子有没有被更好地看见。
3小时前
热门推荐
家居
进入频道 >>
当门锁开始“认”人,而不是“认”指纹
智能门锁这个品类,过去几年的竞争逻辑很单一:解锁方式越多越好。指纹、密码、刷卡、钥匙、人脸、掌静脉,堆上去就行。消费者也买账,觉得功能多就是安全。 但有一个问题一直被忽略:这些解锁方式,本质上都是在问同一个问题——“你是谁”。你手指按上去,它比对指纹;你脸凑过去,它比对图像。答案只有两个:是,或者不是。 华为今年在鸿蒙智家技术沟通会上展示的门锁方案,把这个逻辑往前推了一步。他们搭载的AI 3D人脸识别3.0和AI掌静脉识别,解决的其实是传统指纹锁的一个老毛病:老人指纹磨损、小孩指纹太浅,按半天解不开。掌静脉识别读的是皮下血管分布,不存在磨损问题。这件事的技术含量不在于“又多了一种解锁方式”,而在于它承认了一个事实:不是每个人的手指都能被机器读出来。 萤石走的是另一条路。他们的Y31 Ultra配了一块4.4英寸OLED室外大屏,取代了传统密码区,门外全景镜头做近乎360度监控。更有意思的是那个“山海瑞兽”养成类智能体,用户每天抽卡、换装、看它旅行奇遇。门锁开始做“陪伴感”了。这个东西听起来和安防没什么关系,但它指向一个微妙的变化:门锁不再只是拦人的,它开始和家里的人产生某种日常互动。 德施曼在AWE2026上展示的东西更直接。他们的哨兵猫眼系统2.0在展台上连续拍了117个小时不换电池,AI智能管家2.0能分析门外人的行为意图,还能无接触取外卖快递。门锁从“被动防护”往“主动看护”挪了一步。过去门锁的工作是“不让不该进的人进来”,现在它开始管“该进来的人怎么更方便地进来,以及门外发生了什么”。 把这几件事放在一起看,智能门锁正在经历一次角色转换。它的核心能力从“识别身份”变成了“理解场景”。指纹和密码只回答一个问题:这个人有没有权限。摄像头、传感器和AI开始回答更多问题:门口这个人站了多久,他手里拿的是快递还是工具,家里老人今天出门了没有,孩子放学回来有没有按时进门。 这和智产社之前写过的床垫、涂料、注塑车间是同一个方向。床垫从“躺上去三分钟”变成“看一周数据”,涂料从“色卡上的色块”变成“带回家刷在墙上试”,注塑机从“老师傅调参”变成“上一模的结果自己修正下一模”。知识从人身上剥离,落到一个可感知、可验证、可执行的东西上。 门锁的“知识”是什么?是判断。过去判断门口有没有危险,靠的是人的耳朵和直觉。现在这个判断被拆解成了摄像头、传感器和算法,装在一个挂在门上的金属盒子里。它不一定比人的直觉更准,但它不会睡着,不会出门买菜,不会因为年纪大了听不清敲门声。 当然,门锁这个品类有一个天然的克制:它不能太复杂。一个每天要用的东西,交互每多一步,体验就差一分。萤石把大屏和养成游戏塞进门锁,有人会觉得有趣,有人会觉得多余。德施曼的意图分析听起来很聪明,但如果误报率高了,用户三天就会关掉通知。智能门锁的边界在哪里,目前还没有答案。 但方向是清楚的。门锁正在从“一个需要你操作的设备”,变成一个“自己会看、会想、会提醒的东西”。它不再只是问你“你是谁”,它开始试着理解“你正在经历什么”。 智产社关注家居,关注的就是这些“知识从人身上挪到物件里”的时刻。一把锁不会说话,但它如果知道你今天叫了外卖、老人下午出了门、有个陌生人在楼道里站了五分钟,它就有了一些原本只属于人的判断力。这些东西不会写在产品参数里,但它们决定了你回家的时候,是掏钥匙,还是直接推门。
3小时前
当床垫开始“读”你的身体
床垫这个品类,在家居行业里一直有点尴尬。它不像沙发能坐上去感受软硬,不像柜子能打开看板材,消费者买一张床垫,本质上是在买一个“睡上去之后才知道好不好”的赌注。 双十一的榜单把这个尴尬摆上了台面。喜临门拿下天猫、京东床垫类目双第一,抖音直播间同样夺冠。源氏木语靠全屋成套登顶家装榜,但床垫类目只排到第二,蓝盒子靠抖音千川投放抢跑,挤进前三。三个品牌,三种路径,但指向同一个事实:床垫的竞争,正在从“谁的材料更厚”转向“谁能让消费者在买之前就知道自己会睡成什么样”。 喜临门的打法值得多看两眼。他们主推的不是某一款爆品,而是分层矩阵:0胶系列打环保牌,呼呼系列打智能牌,白骑士系列打性价比。智能床垫“呼呼”被放在天猫和抖音的显眼位置,功能指向很具体:监测睡眠状态、自动调节支撑。这个东西的技术含量未必有多高,但它解决了一个真实问题:消费者躺上去的那三分钟,感知不到一张床垫八年使用周期里的差异。智能功能把“睡得好不好”从主观感受变成了可看的数据。 这和前面写的涂料、注塑、焊接是同一件事。颜色从色卡回到房间,焊工手感从脑子变成参数,床垫的睡感从“躺三分钟”变成“看一周数据”。知识从人身上剥离,落到一个可感知、可验证的东西上。 但床垫比涂料更难的一点在于,它的“效果”发生在人失去意识之后。你没法在店里试睡八小时,也没法在展厅里知道自己半夜会不会翻身醒。喜临门把智能监测塞进床垫,本质上是在把那个“八小时之后才知道”的反馈,前置成购买决策之前就能看到的东西。 当然,智能床垫的争议也在这里。一张床垫的核心功能是支撑和舒适,传感器和算法是加分项还是噱头,取决于数据到底有没有用。如果监测了一堆数据,用户看了三天就不再打开 App,那智能就只是个标签。但如果它能真的根据睡姿自动调节硬度,或者提前预警腰椎问题,那它就是在做和注塑闭环、硫酸车间AI一样的事:把原本靠人感知和判断的东西,交给系统去持续执行。 喜临门同时挤进家装榜第三,说明它在从单品向全屋延伸。这个动作放在当下家居行业的语境里不意外。源氏木语靠全屋成套拿下家装第一,林氏家居靠多品类矩阵站稳第二。单品类品牌的天花板肉眼可见,往全屋走是必选项。但床垫品牌往全屋走,比家具品牌做床垫要难。沙发和柜子的逻辑是搭配,床垫的逻辑是信任。一个人认了一个床垫品牌,未必会认它的餐桌。 所以喜临门的智能床垫,真正在赌的不是“消费者愿意为传感器多付多少钱”,而是“消费者愿不愿意把对睡眠的信任,延伸到对这个品牌其他判断的信任”。智产社关注家居,关注的就是这些“信任从哪里来、又落到哪里去”的时刻。一张床垫不会说话,但它的数据会。数据说这个人翻身次数多、深睡时间短,品牌就有了下一个产品该往哪走的依据。而消费者如果信了这组数据,信的就不仅仅是一张床垫了。
3小时前
一面墙的三十年:当涂料品牌开始“卖颜色”而不是“卖桶”
家居行业有一个奇怪的现象:墙面是家里面积最大的表面,但消费者在选漆这件事上,得到的专业支持最少。 去建材市场买一桶漆,导购能告诉你耐擦洗多少次、VOC含量多少、几升装够刷几平米。但你问他“这个米白在我家朝北的客厅里,下午三点是什么颜色”,没人答得上来。色卡上的色块和墙上刷出来的效果,中间隔着一整间屋子的光线、层高和家具色调。 美巢旗下华彩品牌今年11月在成都富森美开了全国首店,做的事情就是把这个断层补上。新闻稿里的说法是“华彩国际色彩中心”,听起来像个展厅,但真正有意思的是它做的事:把调色能力从工厂搬到终端。330mL迷你罐精准调色,消费者在大面积施工之前可以先拿一小罐回去,刷在自家墙上,看看不同时段的光线把它变成什么样。 这个细节很小,但指向一个变化:涂料品牌开始承认一件事,颜色这件事,消费者一个人搞不定。 华彩背后是美巢做了三十年“一面墙”的积累。从易呱平、墙尼、墙锢、坊水固、占瓷宝到华彩,六大品牌覆盖了从基层处理到饰面层的完整链条。张经甫说华彩项目立项十余年才推向市场,这个节奏在家居行业里算慢的。但慢有慢的道理:墙面漆这件事,环保标准、耐洗刷次数、色彩体系,每一项都需要时间沉淀。华彩的耐洗刷数据是最高6万次以上,NCS专业色彩体系支撑1058个专业色卡和429个精选色卡。数字本身不稀奇,稀奇的是它们被整合进了一个消费者能摸到的终端场景里。 把这件事放在当下家居行业的语境里看,会看到一条更大的线索。今年双十一的家居榜单显示,竞争重心正在从“抢流量”转向“拼履约”。源氏木语线下门店突破1600家,双十一期间线下销售额反超线上;京东送装一体订单量同比增长200%。线上种草、线下取信,这个逻辑在家具大件上已经被反复验证。华彩做的事情本质相同,只是品类换成了涂料:线上看色卡、线下看真实光线下的墙面效果,决策链条从“猜”变成“看”。 但涂料比家具更难的一点在于,它的“体验”不在产品本身,而在产品刷上去之后的效果。一张沙发可以坐上去感受软硬,一桶漆刷上墙之前你永远不知道它和你的地板搭不搭。华彩的迷你罐调色、实景体验、专业咨询,都是在把那个“刷上去之后”的不确定性往前挪,挪到购买决策之前。 这其实是在做一件事:把颜色从“标准色卡”里解放出来,让它回到具体的房间里。 智产社关注家居,关注的不是又开了多少家店、又签了多少经销商。我们关注的是那些“知识从工厂流向终端”的时刻。过去,调色是工厂的事,消费者只能从有限的成品色里挑。现在,调色的能力被前置到了门店,甚至被装进了一个330mL的罐子里,让消费者带回家自己试。专业判断没有消失,它只是换了一种方式存在:不再是导购嘴里的一句“这个色好看”,而是一个可以被带走、被验证、被自己确认的东西。 一面墙的事,说到底就是让颜色先经过那扇窗,再决定要不要留下。
3小时前
当家居卖场开始“收留”线上品牌
家居零售有一个持续了十几年的分裂:线上买的和线下摸的,不是同一件东西。 同一品牌,线上专供款和线下门店款型号不同、价格不同、材质也不同。消费者在直播间看中一张沙发,跑到实体店发现压根没这个型号。这种“两盘货”的操作,在过去是渠道保护的常规手段,品牌用不同货物规避线上线下打架。但对买家来说,这件事从头到尾都不太体面。 今年双十一前后,事情起了变化。红星美凯龙在上海、天津推出上万平方米的新零售家具馆,22个线上原生家居品牌集中入驻。源氏木语、林氏家居、黑白调,这些起家于电商的名字,开始成规模地出现在实体卖场的实景展厅里。朴愫木作创始人陈柳林把这件事概括得很直白:“线上负责认识人,线下负责取信人。” 这句话值得多看两眼。它承认了一个事实:家居这个东西,图片和直播传不了材质,滤镜和话术换不来手感。线上效率再高,到了沙发和床这类大件上,信任的闭环终究要在线下完成。 驱动这场渠道迁移的,不只是体验问题。国家统计局的数据显示,2026年前8个月二手房交易占比达到52%,家居消费的主引擎从新房交付切换到了存量翻新。上半年限额以上家具类零售额同比下降3.7%,规模以上家具制造业利润下降52.7%。数字很冷,但指向很清楚:旧模式在失效。 线上流量越来越贵,线下坪效持续下滑。两个渠道各自都在漏水,品牌能做的只有一件事:把船拼在一起。源氏木语2025年全渠道交易额突破200亿元,线下门店超1700家,计划年底冲到2000家。居然智家全年引进互联网新零售品牌的经营面积超过三万平方米,红星美凯龙已在全国152家商场落地452家新零售门店。 这些数字放在一起看,趋势是明确的。但真正有意思的不是规模,是那个“一盘货”的承诺。新零售品牌坚持线上线下同款、同价、同服务,这在家居行业里是件新鲜事。过去线上线下是两套人马、两条供应链、两种定价逻辑。现在要把它们捏成一套,意味着品牌得重新算账:线下门店的体验成本谁来扛,线上引流的功劳怎么分,经销商和直营体系怎么不打架。 红星美凯龙的朱家桂预测,未来三到五年内,中国家具行业70%的品牌会变成新零售品牌。这个数字准不准不好说,但方向大概是对的。当存量翻新成为主战场,消费者要的是“看到即买到”,而不是“线上种草、线下扑空”。 这件事放在智产社的语境里看,有意思的地方在于:家居行业正在经历的,是一次“知识从哪里来、信任在哪里落地”的重新分配。过去,线下门店的价值被简化为“展示和成交”,品牌的核心能力在线上——流量采买、内容种草、转化率优化。现在反过来了。线上负责让人知道你,线下负责让人相信你。两个环节的知识结构完全不同:一个靠数据驱动,一个靠材质、光线和坐上去那一下的真实感受。 陈柳林说“取信人”三个字的时候,大概不是在说一句漂亮话。家居是少数几个线上渗透率始终推不动的品类,原因不复杂:人不会因为一张精修图就花几千块买一张沙发。现在线上品牌想明白了这件事,开始往线下走。卖场也明白了,开始腾地方。 线上线下打了一二十年,最后发现谁也替不了谁。这个道理放在别的行业里好像也成立。
3小时前
热门推荐
科技
进入频道 >>
量子计算的“多机互联”:当一台不够用的时候
量子计算有一个不太被公开讨论的尴尬:单台机器的比特数,总有天花板。 超导路线受制于稀释制冷机的空间和布线密度,离子阱受制于激光操控的串扰,中性原子受制于光镊阵列的规模。每条技术路线都在往上推比特数,但推的速度和上限,各有各的难处。业界心照不宣的一件事是:通用量子计算不可能靠一台机器堆到百万比特,迟早得靠多台机器连起来干活。 11月8日,合肥发布了一台叫“乾阵”的原型机。新闻稿里的关键词是“中国首款可互联中性原子量子计算机”。可互联,这三个字比“中性原子”更值得多看两眼。 中性原子这条路线的特点,科技日报的报道说得很清楚:光镊阵列囚禁中性原子构建量子比特,扩展性强、保真度高、易于多机协同互联。乾原量子董事长李刚给出的数据是:1000余个物理比特验证,单比特门保真度超过99.96%,双比特门保真度超过95%。这些数字放在当前中性原子路线的国际坐标系里,不算惊艳,但够用。够用来做什么?够用来验证一件事:多台机器连起来,能不能当一台更大的机器使。 他们的技术路线写得很直白:“模块化高性能量子计算单元+标准化多机互联接口”。翻译一下:不追求单机比特数无限膨胀,而是把每台机器做成一个标准模块,用互联接口把模块拼起来。算力不够,加一台。这和经典计算集群的逻辑如出一辙,只不过经典集群连的是CPU和GPU,量子集群连的是光镊阵列和真空腔。 这件事的意义,不在于“乾阵”现在能算什么题。1000个物理比特,离容错量子计算还有很长的路。意义在于它把“多机互联”从论文里的设想,变成了原型机架构设计之初就纳入的东西。李刚说,团队计划通过多机集群模式突破单机算力上限,面向科研和行业用户开展互联验证与示范。先做互联验证,再做算力扩展,顺序是对的。 把这条消息和同期其他科技进展放在一起看,会发现一个隐约的共同节奏。空芯光纤千公里验证,撬的是“光必须走玻璃”这个五十年的默认前提。乾阵的可互联架构,撬的是“量子计算机必须是一台机器”这个更年轻的默认前提。两者都在做同一类事:在底层假设上动手,而不是在既有框架里修修补补。 当然,量子计算的互联,比光纤通信的互联难得多。经典信号可以在光纤里无损(或低损)地跑,量子态的传输和保持,每一步都是退相干的战场。多机互联意味着要在不同真空腔之间分发纠缠,这件事的工程难度,比把比特数从1000推到2000要大得多。乾原量子自己也清楚,所以他们的措辞是“为更大规模量子算力扩展提供可行技术路径”,路径,不是答案。 但方向是清楚的。合肥已经集聚了百余家量子产业链企业,山西大学的光量子技术与器件全国重点实验室在这个方向上深耕了四十余年。一个从实验室走出来的原型机,落在了一个有产业土壤的城市,背后是一条从核心器件到处理器系统再到互联技术的全链路自主研发链条。这不是一次孤立的发布,是一个技术路线在工程化路径上迈出的第一步。 智产社关注科技,关注的是那些“默认前提被重新审视”的时刻。光可以在空气里跑,量子计算机可以不止一台。这些事今天看起来还是实验室里的原型和验证,但它们指向的方向是明确的:下一个十年的计算和通信基础设施,不会完全沿着上一个十年的路走。 乾阵的1000个比特,今天能做的事有限。但它验证的那件事——多台量子计算机可以连起来当一台用——如果走通了,天花板就不在单机里了。
3小时前
空芯光纤:当光开始在空气里跑
光纤通信这件事,过去五十年有一个默认前提:光在玻璃里跑。石英玻璃做得再纯,光在里面终究跑不快,也跑不远。损耗、非线性、色散,这些词说到底都是玻璃的物理属性带来的麻烦。 今年11月,央视的一条消息把这个前提撬开了一道缝:我国完成了全球首个千公里空芯光纤双向实时传输验证试验。消息不长,画面也不多,但放在光通信的脉络里看,分量不一样。 空芯光纤的逻辑很朴素:既然玻璃有损耗,那就别让光走玻璃。把光关进一个微结构的中空管道里,让它在空气——或者更准确地说,在接近真空的微结构纤芯里——传播。空气的损耗比石英玻璃低两个数量级,非线性效应几乎可以忽略。这意味着什么?信号可以跑更远不需要中继,容量可以做得更大而不受非线性制约。 这件事的理论前景,通信圈讨论了十几年。难的是把它从实验室的几米、几百米,做到千公里级的双向实时传输。千公里是个门槛,跨过它,空芯光纤才真正具备了在骨干网层面替代实芯光纤的想象空间。这次验证试验的价值不在于刷新了某个指标,在于它证明了这条技术路线在工程尺度上走得通。 把这条消息和同期中国移动发布的通量一体成果放在一起看,会看到一个更有意思的图景。中国移动联合产业伙伴发布的量子城域最高成码率纪录,正是基于空芯光纤实现的:在C+L满波配置下,QKD成码率超过100kbps;同时实现了2kbps成码率下超300公里无中继传输。 量子密钥分发对信道噪声极其敏感。经典光信号和量子信号共纤传输时,玻璃中的非线性效应会产生噪声,把量子信号淹没。空芯光纤的低非线性特性,恰好解开了这个死结。量子信号和经典信号可以在同一根光纤里跑,互不干扰,城域范围的密钥“一跳直达”成为可能。 这就把空芯光纤的意义从“更快的管道”推到了“更安全的管道”。在量子通信从点线示范走向规模商用的关口,底层光纤介质的更换,比上层设备的迭代更具杠杆效应。中国移动说通量一体技术已具备规模商用条件,CV和DV路线均达到商用标准,首次实现异厂家异构网络互通。这些话放在空芯光纤千公里验证的背景下,不再是纸面上的规划。 当然,千公里验证和规模部署之间还有距离。空芯光纤的制备成本、与现有光缆的熔接兼容性、长期可靠性,这些问题不会因为一次试验就消失。但方向已经清晰:光通信的下一个增量,可能不在玻璃里,在空气里。 智产社关注科技,关注的不是又一项“全球首个”的称号。我们关注的是那些底层假设被撬动的时刻。光在玻璃里跑,这个假设支撑了五十年的光纤产业。现在有人证明光可以在空气里跑上千公里,而且跑得更好。那些围绕玻璃建立起来的器件、工艺、标准、运维体系,迟早要跟着变。 这和工业车间里正在发生的事,底层逻辑是通的。老师傅的手感被编码进模型,硫酸操作工的三千五百次按键降到零,注塑机的参数自己找路。空芯光纤做的是同一件事,只是尺度不同:它把“光必须走玻璃”这个五十年不变的判断,从物理约束里剥离出来,换了一条路。 智慧落地的方式,有时候是车间里的一个盒子,有时候是一根中空的玻璃管,里面跑着光。
3小时前
紧固件车间的“万元盒子”:小微工厂的AI,不必从大模型开始
工业AI的讨论,很容易被领航工厂和大模型备案占据版面。49家领航级智能工厂、焊接垂类大模型、海缆知识图谱,这些故事有技术厚度,也有叙事张力。但它们有一个共同前提:企业得有足够的产线规模、数据积累和预算,才玩得起。 河北邯郸永年区的情况是另一套逻辑。那里有8000多家紧固件企业,螺丝、螺母、钻尾丝,3万余种产品销往海外。产业集群很密集,本地产钢,周边配套,模具和线材一两公里内配齐。但绝大多数是小微企业,数智化转型的口号喊了几年,落到车间里,卡在一个很朴素的问题上:转不起。 一套完整的AI质检方案,加上算力、部署、运维,报价往往超出一个小厂全年利润的承受范围。中国移动河北公司在这里做的事,提供了一个不太一样的解法。 他们把模型训练放在云端,把推理装进一个大约一万元的智算终端,搁在冷镦机旁边。工业相机逐件扫描螺母,屏幕上跳红框、标概率,全产线100%实时检测。缺陷告警从过去质检员三四小时抽检一轮,压缩到分钟级,准确率九成以上。连续检出缺陷超过阈值,设备自动停机,同步提示换模具。 这个方案的逻辑很务实:小厂不需要拥有一个模型,它只需要能用一个模型。算力成本降了一半,因为训练这件事在云端完成,车间里那个盒子只负责推理,做它该做的那一小件事。 更有意思的是复用。同一个盒子,质检之外还兼着车间“千里眼”,识别烟火、未戴安全帽、违规作业。一个终端摊薄两份用途,对小厂来说,账才算得过来。 永年这个案例,放在当下工业AI的叙事里,容易被忽略。它没有“首个备案”,没有“领航工厂”,甚至算不上什么技术突破。但它回答了一个领航工厂名单覆盖不到的问题:当绝大多数中国工厂是小微企业的时候,智能化到底从哪里开始。 答案可能不是大模型,不是数字孪生,不是全域知识图谱。是一个一万元的盒子,搁在机器旁边,先解决质检员跑不过来的那批螺母。 这和领航工厂在做的事情,方向并不矛盾。东方汽轮机把工艺拆成积木,中天海缆把老师傅经验灌进本地模型,都是在做同一件事:让知识从人身上剥离,变成可调用、可复用的东西。区别在于尺度。领航工厂调用的是全厂数据,永年的盒子调用的是产线旁那台冷镦机的实时画面。前者是体系,后者是切口。 周济院士说制造技术是本体,智能技术是赋能者。在小微工厂的语境里,这句话还有一层意思:赋能的前提是让人用得起。一个转不起的方案,哪怕技术再先进,也只是展台上的东西。 紧固件被称为“工业之米”,小、多、不起眼,但缺了它什么都装不起来。小微工厂的智能化大概也是这样。它不会出现在领航工厂的名单里,不会有发布会和主旨演讲,但车间里那个一万块的盒子,让一个质检员从三四小时抽检一轮变成盯着屏幕看红框,这件事本身就在改变知识在车间里的位置。 过去,判断一个螺母有没有划痕,靠的是质检员的眼睛和经验。现在,那个判断被编码进云端训练的模型里,装进机器旁边的盒子里,每个班次都在执行。老师傅退休不会带走它,新来的工人也不需要重新学一遍。 智产社关注工业,不只看塔尖。那些发生在小车间里的、让知识变得可负担、可触及的尝试,同样是“智有所产”的一部分。智慧落地的方式有很多种,有时候它是一个大模型,有时候它只是一个盒子,搁在机器旁边,安安静静地看每一颗螺母走过去。
2026-11-06
领航级智能工厂:当制造业开始“自己思考”
2026年11月,南京世界智能制造大会上,一个数字被反复提及:49。 这是我国领航级智能工厂的总数。从首批15家到第二批34家,短短时间内翻了三倍有余。领航级,听上去是个体面的称号,但它真正的分量不在名单上,而在车间里。 我去过一些工厂,也读过不少智能制造的报道。大多数时候,“智能化”被简化成了机械臂的挥舞和AGV小车的穿梭。那是自动化的语言,不是智能的语言。真正让我停下来想一想的,是这次领航工厂名单里透出的一个细节:第二批领航工厂的人工智能场景应用比例超过70%,开发工业智能体超过1000个,日均词元调用量超过3亿。 词元。这个从大模型语境里借来的计量单位,出现在工厂的报表上,本身就说明了一件事:制造业正在学着用另一种方式思考。 东方汽轮机的做法很有代表性。高端发电装备,多品种、小批量、定制化,这是行业的老大难。他们的解法是把设计、工艺、制造能力拆解成“积木”——三大资源池,按订单拼装。听起来像乐高,但背后的逻辑远比乐高复杂:每一块“积木”都是一个可调用的能力模块,AI决定什么时候搭哪一块。结果是总装周期缩短了40%,典型生产单元换型时间从2小时压到3分钟以内。 换型时间从两小时到三分钟,这个数字放在车间里,意味着一条产线可以在半天内切换好几个完全不同的产品。过去这是柔性制造追求的目标,现在它成了领航工厂的日常。 中兴通讯南京滨江工厂的场景更直观。300多款机型混线生产,换线不停。调度产线的不是班组长,是数十个协同干活的工业智能体,信息流自主驱动生产,实物流实时反馈状态,“双流”协同之下,换线这件事变得“无感”。我在想,一个在车间干了二十年的老师傅,看到产线自己调整节奏、自己决定下一步做什么,心里会是什么感受。大概是某种复杂的敬畏——不是对机器的敬畏,是对那些把老师傅的经验拆解、编码、再重新组装成可调用逻辑的人。 赛力斯走的是另一条路。他们建了一个“汽车产业大脑”,横向贯通研发、制造、供应链、销售、服务,纵向把智能决策能力一直穿透到制造末梢。这个词很大,但落到实处,无非是让客户的需求变化能更快地传到产线上,让供需的波动能被提前看见,让制造过程在动态中自己找平衡。 沈鼓集团的切入点更窄,也更深。透平压缩机、核主泵,服役周期最长六十年。一台设备出厂,只是它漫长生命的开始。沈鼓把研发设计、生产制造与远程运维打通,让“工业心脏”在全生命周期里都处于可观测、可干预的状态。这其实是在回答一个问题:当一件工业品要活六十年,制造它的意义就不只是交付那一刻的验收合格,而是它在第六十年还能不能可靠地跳动。 把这些案例放在一起看,领航工厂在做的事情,本质上是在重新定义“制造”这件事的边界。制造不再是图纸变成实物的过程,而是数据、经验、判断和决策在一条链上持续流动的过程。东方汽轮机说他们从“装实物”向“装数据”跃升,这句话值得琢磨。实物还是那个实物,但附着在实物上的知识密度变了。 当然,49家领航工厂放在中国几十万家规模以上工业企业里,仍然是塔尖上的少数。它们带动了近4000家企业协同升级,这个数字有分量,但也提醒我们,从“单工厂示范”到“产业链合唱”,路还很长。领航的意义不在于它们自己跑得多快,而在于它们蹚出来的路径,能不能被更多工厂走通。 周济院士在大会上说了一句话,我记了下来:智能技术是赋能者,制造技术才是本体。这句话在AI热度高涨的当下,像一盆冷水,也像一根锚。工厂可以变得更聪明,但它首先得是一个好工厂。工艺的底子、管理的底子、人的底子,这些东西不会因为多了几个智能体就自动变好。领航工厂之所以领航,大概是因为它们在拥抱AI之前,先把本体的功课做扎实了。 智产社关注工业,不是因为工业是个热词。我们相信,那些发生在车间里的、关于经验如何被沉淀、判断如何被复用、知识如何变成资产的故事,才是这个时代最值得被记录的产业叙事。领航工厂的名单会继续扩容,今天的新鲜事明天就会变成标配。但有些东西不会变:对制造本体的尊重,对长期主义的耐心,以及对“把事做对”这件事本身的敬意。 这大概就是“智有所产”在工业语境里的含义。智慧不漂浮在概念里,它落在地上,落在一台燃气轮机的叶片里,落在一块按订单拼装的“积木”里,落在一条自己知道下一步该做什么的产线上。
2026-11-05
热门推荐
制造
进入频道 >>
硫酸车间的“零点”:当操作工从三千五百次按键里消失
湖北三宁化工的硫酸车间,有一组数字被反复提起:操作工日均手动操作次数,从三千五百余次,降到了十次以下,最低的时候是零。 这个数字放在任何一篇工业AI的报道里都足够亮眼。但真正让我停下来想一想的,是数智化部主任杨文华说的另一句话:工人从操作工变成了“智慧管家”。操作工和管家,这两个词之间的跨度,比三千五百到零的距离更大。 硫酸装置不是好伺候的东西。多重复杂特性叠在一起,温度、压力、流量,两百多个参数互相牵扯,过去全靠操作工盯着屏幕、凭经验调。一天三千五百次操作,意味着平均二十多秒就要动一次手。人累,风险高,效益还不一定好。这是典型的“经验密集型”工位,人的价值体现在“反应快、判断准”,但人的极限也摆在那里:会疲劳,会分神,会有情绪波动。 三宁的解法是把这套判断逻辑交给AI。工业大模型加深度强化学习,系统学会了“看”参数、“想”因果、“动”阀门。排污、倒罐这些高强度重复操作,全部由系统接管。人退到监督的位置上,工作强度降下来了,报警次数也降下来了。 更值得琢磨的是风险识别那一段。AI不是等参数越限了才报警,而是从温度爬升的斜率、压力波动的频谱里,提前十七个小时“嗅”出异常征兆,自己启动纠偏。十七个小时,放在化工生产里,意味着一次非计划停车被拦在了萌芽阶段。过去这种判断依赖老师傅的直觉,现在直觉被拆解成了可计算的趋势线。 这和柳钢集团“玄铁”钢铁大模型在做的事情,底层逻辑是相通的。柳钢的转炉炼钢,过去也是“黑箱”工序,老师傅凭经验看火焰、听声音、判断终点碳。玄铁大模型深度融入生产全流程,把冶金机理和海量数据揉在一起,给出精准的优化建议。永洋特钢的智能炼钢大模型走得更远一步,学习了二十万炉冶炼历史数据,结合每秒上万条传感器信息,实现“一炉一策”,终点碳合格率从人工操作的百分之七十五推到了百分之九十七。 百分之七十五,是老师傅的经验天花板。百分之九十七,是模型在老师傅经验之上又往前走了的那一步。这一步不是否定老师傅,是把老师傅脑子里那些“只可意会”的东西,变成了可迭代、可复用的参数逻辑。 三宁化工的车间里,这种逻辑被推到了更极致的状态:人工操作趋近于零。但“无人”这个词容易让人误解。三宁的人还在,只是不在操作台前按按钮了。他们变成了监督员,变成了异常处置的决策者,变成了那个在AI给出建议时说“可以”或者“再等等”的人。杨文华说“无人化不是不要人,而是让员工从高频重复劳动中抽身,向生产专家转型”。这句话和前面几篇里中天装备花季华说的“减的是等人的时间”,是同一种语法。 智产社关注工业,关注的从来不是“机器替了多少人”这个粗颗粒的账。我们关注的是那些具体的变化:一个硫酸操作工不再需要每二十秒按一次按钮,一个炼钢老师傅的经验被二十万炉数据重新表达了一遍,一个夜班的机修工不用等到天亮才有人告诉他故障在哪。这些事发生在不同的车间、不同的行业,但指向同一个方向:那些曾经只属于个别人的判断力,正在变成系统里可调用、可迭代、可传承的东西。 三千五百次到零次,是一个工位的解放。零次背后那些被编码的判断,才是一个行业的资产。
3小时前
注塑车间的“一模之间”:当工艺参数开始自己找路
注塑是制造业里最不起眼、也最难伺候的工艺之一。塑料粒子被加热熔融,射进模具,冷却成型,开模取件。听起来简单,但每一模之间的变量多得惊人:料温、模温、注射速度、保压压力、冷却时间,任何一个参数偏了,出来的就是缩水、飞边、变形或者短射。 赫比科技南通工厂的注塑车间里,工艺工程师杨铃铃说了一句很克制的话:在注塑工业4.0阶段,数据“看得到、追溯得到,但不会自己干活”。 这句话把大多数工厂的现状说透了。传感器装了不少,MES系统跑起来了,报表每天在生成,但数据是死的。它记录了过去发生了什么,却不会告诉你下一模该调什么。工艺工程师的工作,本质上是在海量的历史数据和当下的模具状态之间,靠经验和直觉找一条路。找得对不对,往往要等几十模打出来才知道。 博清科技在南通的焊接大模型走的是另一条路。他们的“际銮”大模型通过国家备案,能根据工件材料和焊缝要求,直接生成焊接工艺参数,工艺开发周期缩短了六成。焊接和注塑的物理逻辑不同,但底层的知识结构相似:都是把老师傅的手感,拆解成可计算、可调用的规则。 注塑的难点在于,它的“手感”比焊接更隐蔽。焊缝好不好,看一眼就知道;注塑件合不合格,要等冷却、开模、甚至装配之后才暴露。反馈链条更长,意味着试错的代价更高。一套模具上机,调参数调一整天是常事,废掉的料和工时都算在成本里。 赫比的做法没有走“大模型”的路线。他们把注塑机的实时数据接入了自适应系统,每一模的模腔压力曲线被采集下来,和标准曲线比对,偏差超过阈值就自动微调下一模的保压或速度。逻辑不复杂:不让工程师去猜,让机器根据上一模的结果自己修正下一模。 这听起来像是控制层面的小改动,但意义在于,它把“调参”这件事从人的经验里剥离了一部分出来。过去一个注塑工艺员的价值,很大程度上体现在“我知道这个产品打出来有问题该动哪个旋钮”。现在一部分判断被写进了闭环里,机器自己会动那个旋钮。人的位置往后退了一步,退到了设定边界条件和审核结果的地方。 这和领航工厂在做的事情,尺度不同,方向一致。中兴通讯南京滨江工厂的工业智能体调度三百多款机型混线生产,东方汽轮机把工艺拆成积木按订单拼装,都是在让“决定下一步做什么”这件事,从人的脑子里转移到系统里。赫比注塑车间的一模之间,是同一个逻辑落在了一个更细的颗粒度上。 当然,注塑的复杂性不会因为一个自适应闭环就被消解。模具的磨损、材料的批次差异、环境温湿度的波动,这些变量仍然需要人来判断。杨铃铃说的“数据不会自己干活”,在闭环上线之后依然成立,只是“干活”的含义变了:过去是手动调参,现在是定义什么算“好”、什么算“偏”,以及偏了之后允许系统动多大。 这大概是工业AI在车间里最真实的形态。它不总是宏大叙事里的“换脑”,更多时候,它是在一模注塑的几十秒里,把上一模学到的那么一点点偏差,在下一次射胶之前悄悄修掉。工人不一定感觉得到,报表上也不会单独列一行。但废品率降了,调机时间短了,那些原本要靠人盯着的东西,机器自己开始看了。 智产社关注工业,关注的就是这些“知识从人身上挪到系统里”的瞬间。焊接大模型把焊工的手感变成可调用的参数库,海缆知识图谱把老师傅的经验灌进夜班机修工的手机里,注塑车间的闭环把工艺员的直觉拆成一模一模的微调。形式不同,本质是一件事:让那些曾经只存在于个别人脑子里的判断,变成机器也能参与的东西。 杨铃铃那句话的后半句,或许可以这样接下去:数据现在开始自己干活了。干得不多,但每一模都在干。
3小时前
当质检员开始“训练”自己的替代者
工业AI的叙事里,质检是一个被反复书写的场景。摄像头替代人眼,模型替代经验,缺陷被框出来,报表自动生成。逻辑清晰,效率可量化,适合做案例。 但有一个细节很少被追问:那个被替代的质检员,后来去哪了? 中天装备电缆的编织车间提供了一个不太一样的答案。十八台编织机高速运转,锭子上的丝还剩多少,人眼在每分钟六十到一百二十转的速度下根本分辨不清。过去换一个锭子,完整周期约三百七十秒,真正创造价值的换锭动作只有四十秒,剩下近九成时间工人在停机、检查和等待。每月还会因为锭丝跑光、漏锭造成约九起返工返修。 他们上了一套视觉质检系统,边缘计算加YOLO模型,识别“快绞完”状态的精度做到百分之九十九点九九以上,自动判定并停机。连续运行十二个月,累计报警八万七千多次,误报为零,返工返修降为零,编织丝报废量下降百分之四十二。 数字很漂亮。但技术负责人花季华说了一句话,比所有指标都值得琢磨:“这套系统减的不是人,减的是‘等人的时间’。”恰逢车间扩产,原来一人操作三台机,现在可以操作六台,员工产量增加了,工资也涨了。 这个细节把工业AI的另一个面向翻了出来。在领航工厂和垂类大模型的叙事里,AI的角色是“替代判断”——模型学会老师傅的眼力,替人做决定。但在中天这个车间里,AI做的是另一件事:把那些因为信息不对称而被迫浪费的时间,从流程里挤出来。工人没有失去工作,他们从“等人来看”的状态里解放出来,一个人管了更多的机器,拿了更高的工资。 质检员的经验没有被编码进模型然后把人赶走。人被挪到了更有价值的位置上。 这和中天科技海缆公司那套“海睿全域智询”系统的逻辑是相通的。海缆工艺参数是核心机密,数据不能出厂,所以他们本地部署了DeepSeek大模型,灌入工艺标准、设备手册、作业规范。工程师查一份资料的时间从十二到十八分钟压到四到六分钟,全厂知识覆盖率超过百分之九十八。 但人工智能首席专家陈闻达注意到的不是这些。他注意到的是:夜班没有技术主管在岗的时候,系统使用率最高。一个刚入职的机修工养成了“先问海睿、有分歧再打电话”的习惯。 夜班是车间里知识最稀薄的时段。老师傅不在,新人遇到问题只能凭感觉或者等天亮。现在他们有一个随时可以问的对象。这个习惯本身,比任何效率数字都更能说明知识在车间里的位置发生了变化。过去经验集中在少数人身上,像孤岛。现在经验被抽出来、编码、灌进模型,变成每个班次、每个工位都能触及的东西。 把这两个案例放在一起,会发现它们和领航工厂在做的事情其实是同一个方向的不同尺度。中兴通讯南京滨江基地的八十多个工业智能体,调度产线、找供应商、排计划、管仓库,三百多款机型混线生产换线不停,不良率下降四成以上,生产周期缩短一半。那是体系层面的知识资产化。中天这两个车间做的事,是工位层面的。尺度不同,逻辑一样:让那些决定“什么时候该停机”“参数该调多少”“故障大概在哪”的判断,不再只存在于几个人的脑子里。 周济院士说制造技术是本体,智能技术是赋能者。在中天编织车间的语境里,这句话可以翻译得更具体一些:赋能的前提是,被赋能的人还在。花季华说“减的是等人的时间”,这句话里藏着一个容易被忽略的前提:等人这件事,本身就是一种浪费。工人等质检员来看,质检员等下一轮抽检,设备等人来判断该不该停。AI把等待砍掉了,人还在,只是去做别的事了。 智产社关注工业,关注的不是AI替了多少人。我们关注的是那些发生在车间里的、关于“知识从谁身上剥离、又落到哪里去”的时刻。有时候它落进一个模型,有时候它落进一个盒子,有时候它只是让一个夜班的机修工不用再等到天亮才能修好一台机器。 这些事不会出现在领航工厂的名单里。但它们每天都在发生。
3小时前
焊接机器人的“大脑”之争:一个垂类大模型如何改变车间里的知识分配
工业AI的叙事,过去两年被两种场景主导:一种是机械臂在产线上重复抓取,另一种是质检摄像头在流水线末端挑出瑕疵品。两者都是视觉与控制的游戏,算法替人看、替人动,但很少替人“想”。 真正让我觉得事情在起变化的,是一个不太起眼的细分领域:焊接。 焊接这件事,在制造业里地位特殊。它不像冲压、注塑那样标准化程度高,焊缝质量很大程度上依赖焊工的经验——电流调多大、速度走多快、角度偏几度,这些参数写在老师傅的手感里,不写在任何一本手册上。一个成熟焊工的培养周期以年计,而他们的经验随着退休离开车间,这件事一直在发生。 今年11月,南通博清科技自主研发的“际銮”焊接大模型通过了国家生成式人工智能服务备案,成为国内首个过备案的工业焊接垂类大模型。这条消息淹没在领航工厂扩容和世界智能制造大会的声量里,不太显眼。但把它放在工业知识传承的脉络里看,分量不一样。 “际銮”这个名字取自潘际銮院士,博清科技的技术源头是清华团队二十余年的焊接研究积累。他们的爬行焊接机器人吸附在大型工件表面,边爬边焊,全程不需要人扶。新备案的大模型是它的“大脑”,能做的不只是控制运动轨迹,还包括焊接工艺的智能生成、质量预测和参数优化。工业现场验证的数据是:工艺开发周期缩短60%,综合生产成本降低40%以上。 这意味着什么?过去接到一个新工件的焊接任务,工艺工程师要翻手册、查类似案例、试焊、调参数,一套流程走下来少则几天多则数周。现在模型基于积累的焊接知识图谱和海量工业数据,直接给出初始工艺方案。人的角色从“从零推导”变成“审核与微调”。 这不是替代焊工,这是把焊工的经验从个体记忆中抽出来,变成可调用、可复用的资产。一个老师傅退休,他的手法不会跟着消失,因为那些判断逻辑已经被编码进了模型里。新的焊工遇到问题,问模型和问老师傅,得到的答案质量可能差不多,但模型不会退休。 同样的事情也发生在海缆制造领域。中天科技海缆公司自主研发的“海睿全域智询”系统,基于本地化部署的DeepSeek大模型和厂区知识图谱运行,今年上半年完成全厂推广。超高压海缆的工艺参数是企业的核心机密,数据不能出厂,所以他们选择了本地部署。系统灌入了海缆工艺标准、设备手册、作业规范,持续学习之后,用他们人工智能首席专家陈闻达的话说,“相当于一名有3到5年经验的老员工”。 有一个细节很有意思。过去工程师查一份工艺资料,平均耗时12到18分钟;现在用自然语言提问,4到6分钟就能拿到答案,全厂知识覆盖率超过98%。但陈闻达注意到的是另一件事:夜班没有技术主管在岗的时候,系统使用率最高。 这个细节比任何效率数字都说明问题。夜班是车间里知识最稀薄的时段,老师傅不在,新人遇到问题只能凭感觉或等天亮。现在他们有一个随时可以问的对象,哪怕这个对象只是一个模型。一个刚入职的机修工养成了“先问海睿、有分歧再打电话”的习惯,这个习惯本身就在重塑车间的知识流动方式。 把这两个案例放在一起看,会发现一条共同的线索:工业AI真正在改变的,不是机器替人干活,而是知识在车间里的分布方式。过去,关键经验集中在少数老师傅身上,像一座座孤岛。现在,这些经验被抽出来、编码、灌进模型,变成每个工位上的人都能触及的东西。 这和领航工厂在做的事情其实是同一个方向的不同尺度。东方汽轮机把设计和工艺拆成“积木”按订单拼装,沈鼓把研发制造和远程运维打通让核主泵六十年都有人“盯着”。这些是组织层面的知识资产化。焊接大模型和海缆智询系统,是工位层面的知识资产化。 周济院士在智能制造大会上说,智能技术是赋能者,制造技术才是本体。这句话放在焊接和查资料这两个场景里,格外贴切。大模型再好,焊缝最终要靠焊枪走出来的;问答系统再快,海缆的绝缘层要靠挤出机一层层包上去的。AI做的,是让那些决定焊枪怎么走、挤出机参数怎么设的知识,不再只存在于几个人的脑子里。 智产社关注工业,关注的就是这些“知识从人身上剥离、变成可复用资产”的时刻。领航工厂名单会继续扩容,大模型会越来越多,但真正值得记录的东西,是车间里那些曾经只属于个人的判断,开始变成所有人都能调用的东西。焊接机器人的“大脑”之争,争的不是算力,是老师傅退休之后,那些手感还在不在。
2026-11-06
热门推荐
回顶部