已投产2024 – 至今
工业机械 · 天津
工厂边缘计算机视觉质检
能不能在产线上、用工厂边缘的摄像头当场发现缺陷，而不是事后抽检？
- 做了什么
- 在工厂边缘运行的计算机视觉质检，是天津灯塔工厂项目的一部分，与工业物联网、MES、生成式 AI 和数字孪生配合使用。
- 结果
- 在产线上实现近乎完美的缺陷检出。整套方案成为可复制的全球工厂模板。
教训把模型放在缺陷发生的地方；建第一个工厂的时候，就为下一个工厂设计模板。
- 计算机视觉
- 边缘计算
- MES
- 工业物联网
成果 · 模式 · 研究
实验室皇家实验室
已经建成并在运行的东西，反复拖垮 AI 项目的模式，以及我仍在研究的智能体问题。经受住现实考验的东西，没经受住的留下的坑，还有我仍在拿棍子戳的问题。
- 已投产
- 运行中
- 本站在用
已建成，在运行经受住现实考验的东西
每一项都来自有据可查的项目，具体数字见案例页面。全是真的，全都还在跑。没有贿赂任何人。
已投产2024 – 至今
工业机械 · 全球
Digit-AI 用例关卡
怎样决定哪些 AI 想法值得投钱，并让好的想法更快投产？
- 做了什么
- 一套连接数字平台、数据架构和 AI 模型的框架，设置从概念到投产的各道关卡。
- 结果
- 中国业务整体效率提升 17.2%。现已成为集团全球用例管线的基础。
教训价值主要在关卡里，不在模型里。说不出成本或收入的用例，根本用不着模型。
- 用例管线
- MLOps
- AI FinOps
运行中2024 – 至今
工业机械 · 中国
亚太 AI 创新实验室
在中国验证过的用例，能不能成为集团标准，而不是本地的一次性项目？
- 做了什么
- 在中国设立的 AI 实验室，作为集团级用例的发源地，包括工厂边缘计算机视觉，以及面向供应链和消费者洞察的生成式 AI。
- 结果
- 在中国验证过的模式，已工业化为全球工厂模板和全球 AI 用例组合的一部分。
教训实验室的价值，体现在有多少东西从这里走出去。数投产的数量，别数想法的数量。
- 生成式 AI
- 计算机视觉
- 供应链
已投产2024 – 至今
工业机械 · 60 多个国家
一套安全基线，170 多项差异
如果把每个司法辖区都当作共享基线上的一个差异，一个平台能不能承载 170 多项法规？
- 做了什么
- 一个覆盖 IT 安全、OT/工控保护和 AI 驱动安全治理的全球信息安全平台，各司法辖区的差异部分自动处理。
- 结果
- 合规成本降低 40%，重大监管问题为零，包括 NERC CIP 审计。
教训合规要做成“一个产品加本地差异”才能规模化，而不是六十个本地项目。
- NIST CSF 2.0
- IEC 62443
- ISO 27001:2022
运行中2024 – 至今
工业机械 · 全球
AI 层的安全
当要保护的资产是模型、训练数据和提示词时，安全该是什么样子？
- 做了什么
- AI/机器学习平台的安全设计标准：在 GDPR 和《个人信息保护法》等监管下保护训练与推理数据，以及红队测试、对抗测试和模型监控。
- 结果
- 属于当前职责范围，与工业网络安全实践对齐。
教训提示词和训练数据也是数据流，有存放位置，也有负责人。要像管其他数据一样管它们。
- 红队测试
- 模型监控
- NIST AI RMF
本站在用2026
本站
企业黑话翻译机
一小套规则，能不能在不调用语言模型的情况下，翻译大多数英文和中文的企业黑话？
- 做了什么
- 中英两本词典，各约五十个词条和十个完整例句，词典没覆盖的句子可选用语言模型兜底。全部在浏览器里运行。
- 结果
- 大多数输入只靠规则就能处理，两种语气都有，不需要联网调用。
教训先写规则，规则覆盖不到的才调用模型，调用次数会少得多。
- TypeScript
- 词典
- 可选大模型
失败的模式AI 项目是怎么淹死的
在不同行业、不同项目中反复出现。早点认出这些模式，比事后补救便宜得多。每一条都有前车之鉴。拿别人的坑当教材。
永久试点
- 表现
- 几十个试点都还活着，没有一个结束。每来一位新领导，就再演示一遍同样的东西。
- 原因
- 没有“扩大还是叫停”的日期，也没有事先说清什么叫“好到可以扩大”。
- 应该这样做
- 启动前写下必须改变的数字和决策日期。到了那天，就做决定。
把乱麻自动化
- 表现
- 机器人把一个十二步的流程跑得更快了，包括其中九步根本没人需要的。
- 原因
- 商业论证默认现有流程值得保留。
- 应该这样做
- 先砍步骤。剩下要自动化的部分更小、更便宜，也更容易让人信任。
供应商的数据
- 表现
- 一场完美的演示，接着是一次缓慢而昂贵的失望。
- 原因
- 验证用的是干净的样例数据，而且在你的安全约束之外。
- 应该这样做
- 签合同前，要求在你的数据上、在你的安全边界内做一次价值验证。
数据还没有，先搞预测
- 表现
- 预测性维护的告警，操作工慢慢学会了忽略。
- 原因
- 记录在案的故障太少，传感器覆盖也有缺口，模型无从学起。
- 应该这样做
- 先用状态阈值，补齐仪表和传感器。等历史数据积累够了再做预测。
知识没理清，先上模型
- 表现
- 回答很流畅，但在认证、价格或规格上错得很自信。
- 原因
- 检索的是一个没人清理、也没人负责的知识库。
- 应该这样做
- 先把源内容理清，并指定负责人。模型是最简单的部分。
慢流程里的一步快
- 表现
- 其中一步自动化了，整体周期却纹丝不动。
- 原因
- 真正的卡点在别处，常常在审批链上。
- 应该这样做
- 端到端梳理整个流程，瓶颈在哪儿就解决哪儿。
研究议程：智能体我停不下来的问题
关于在工业、强监管和跨境环境中落地智能体的开放问题。欢迎合作研究。这些问题现在还没人有答案，供应商也没有。尤其是供应商。
智能体要可靠到什么程度，才能在没有人的情况下自行操作？
- 为什么重要
- 答案因流程和风险而异，而大多数组织根本没有写下这个门槛。
- 我怎么研究
- 基于真实评测集建立分风险等级的及格线：可撤回的操作能接受多高的错误率，不可撤回的又是多少。
智能体的审计留痕必须记录什么？
- 为什么重要
- 欧盟《人工智能法》、ISO/IEC 42001 和中国的生成式人工智能管理规定都要求可追溯，只是说法不同。
- 我怎么研究
- 设计一种留痕格式（输入、调用的工具、做出的决定、人工介入），逐一对照各监管体系的要求。
数据不能出境时，智能体应该在哪里运行？
- 为什么重要
- 《个人信息保护法》等法规下的数据驻留要求，限制了智能体可以使用的模型和云。
- 我怎么研究
- 比较各种部署模式，从中国的国内模型和云，到其他地区的主权云和公有云，以及同一套智能体设计如何同时覆盖两边。
谁说了算：智能体，还是业务系统？
- 为什么重要
- 当智能体在 ERP、MES 和 CRM 里执行操作时，“谁批准了什么”会变得模糊。
- 我怎么研究
- 把智能体当作业务系统的用户来设计，给它独立的身份、权限和审批额度。
智能体完成一项任务，真实成本是多少？
- 为什么重要
- 推理、工具、监督和返工落在不同的预算里，真实成本很少有人看得见。
- 我怎么研究
- 把 AI FinOps 从“每次调用成本”扩展到“每完成一项任务的成本”，包括它节省的人工时间和占用的人工时间。
哪些工业流程已经适合交给智能体？
- 为什么重要
- 智能体需要数字化的输入、清晰的规则和可撤回的操作。很多流程只具备其中一两项。
- 我怎么研究
- 基于这三项检验建立一套就绪度筛查，应用到报价、维修、质量和供应商流程上。