工业视觉踩坑实录（番外篇）：数博会归来，一个AI落地者的冷思考-平芜编程栈

工业视觉踩坑实录（番外篇）：数博会归来，一个AI落地者的冷思考

关于作者

我接触视觉整整10 年。
机器视觉、烟草、煤矿等行业都有深度开发经验。从硬件选型、算法开发、模型训练，到上位机开发及部署，都在一线磨过。
之前是多家公司人工智能团队的技术负责人。现在自己创业了，还在继续做视觉落地这件事。

作者说

公众号停更了两周。

原因是8月底数博会在贵阳开——就在我家门口。作为一个base贵阳、做工业AI落地的人，这种会不去说不过去。我本来打算去看一天展览就回来写代码，结果展览没看多少，交流活动倒是一场接一场地泡。

泡完之后有些话不吐不快。系列文章先往后放放，这篇插播一个番外，聊聊我在数博会上听到的三组概念——数据编织、数据运河，还有具身智能阵营口中的Scaling Law和模型母机——以及它们是怎么把这几年做SOP行为检测的感受，突然串起来的。

先说结论：大会讲的是"数据要素价值释放"，而我这一年干的，其实就是这件事的最小可行版本。

只是以前没人这么告诉过我。

01 我去数博会干什么

先交代背景。2026数博会，8月28日到30日，贵阳，主题是——词元：数据要素价值释放新路径。

“词元"就是Token，大模型处理世界的最小单位。把数据要素的价值释放比作"把数据变成词元”，这个主题定得很聪明，后面我会专门讲。

数博会的规格不用我多说：国家数据局主办、贵州省政府承办，6万平方米展馆、300多家参展企业，华为首发了智能体设施和数智工厂，还有各种签约、发布、路演，热闹得很。

但我这次的身份有点不一样——我是以嘉宾身份、代表公司去参会的。接到邀请的时候还挺高兴，毕竟以前都是隔着屏幕看别人的演讲，这次终于能坐进现场。

所以展览我反而看得不多。机器人咖啡、无人驾驶巴士这些体验项目，路过看一眼就走了。我大部分时间泡在交流活动上。道理很简单：展台上站着的是销售，讲台上站着的是把一件事想透了的人。我这样天天蹲车间的人，最缺的就是把行业大势想透的机会——人是会蹲窄的。

好几场听下来，印象最深的有两场。

一场是8月27日下午的大模型与数据智能创新国际合作交流活动（贵阳国际生态会议中心，舞阳厅）。两位讲者的内容，我记了整整三页笔记：

一位是云基华海的张宝龙，讲数据编织。

一位是澳琴数据运河实验室的王岩，讲数据运河。

另一场是人工智能数据工厂创新发展交流活动，主题是"建设数据工厂，释放数据价值"。这场谈的是数据怎么"生产"——具身智能的两位大佬，穹彻智能的卢策吾和智平方的郭彦东，讲的东西让我这个做视觉的老兵，既看到了行业下一个十年的方向，也照见了自己的位置。

一个"编"，一个"运"，一个"生"。这篇就围绕这三个字展开。

02 张宝龙的「数据编织」：原来我在工厂里干的就是这件事

张宝龙是云基华海的联合创始人、常务副总裁，那天的演讲题目是《数据编织：面向AI的新型数据基座》。

他先讲行业痛点：存算成本高、治理难度大、多模态兼容难，这些挑战正在倒逼数据架构变革。然后抛出数据编织带来的两个根本性转变：

一、从控制数据位置到协调数据关系；
二、从先汇聚后使用到先需求后服务。

最后是那句我记到笔记本第一页的话：

数据编织的核心价值，在于将分散在各系统的数据和知识编织成一张Agent可直接消费的实时语义网，让AI智能体既有感知能力、又懂业务知识推理。

说实话，前五分钟我以为这就是又一套数据中台的新包装——我们做乙方的，见过的"XX中台""XX底座"太多了，PPT都长得差不多。

但听到"Agent可直接消费的实时语义网"这句，我在台下坐直了。

这不就是我在车间里干的事吗？

你们回想一下第6篇讲的SOP行为检测系统。摄像头对着工位，抽帧、检测、姿态估计，最后进状态机。状态机干什么？就是把一串冷冰冰的关键点坐标，翻译成一句人话：

“3号工位，第5步扭矩确认被跳过，操作工张三，14:32:17。”

你看，我的车间里散落着多少种数据：工位摄像头的视频流、扭矩扳手的读数、PLC的节拍信号、贴在墙上塑封的SOP卡。这些数据各有各的格式、各有各的归属，谁也不认识谁。

我那套系统干的事情，本质上就是把这些散落的数据"编织"成一条状态机驱动的语义流水线——视频帧变成关键点，关键点变成动作，动作变成SOP步骤，SOP步骤变成告警语义。

那行推给班长的告警信息，就是"Agent可直接消费"的东西。班长消费它，质量追溯消费它，月度的合规报表也消费它。

数据编织的术语	我在车间里的对应物
分散在各系统的数据	摄像头流、扳手读数、PLC信号、SOP卡
实时语义网	状态机的步骤转移判定
Agent可直接消费	推给班长的「跳步告警」那一行字
先需求后服务	先定义"跳步检测"，再倒推要采什么数据

张宝龙讲的是给大企业和政府做的新型数据基座，我做的是给一条装配线装的行为检测。规模差了一万倍，但思想是同一个：别想着把数据都搬到一个池子里，而是让数据保持原地，在它们之上建立"关系"和"语义"，让消费者直接消费语义，而不是消费原始数据。

还有一句是会后我翻报道看到的。张宝龙在第二天另一场圆桌对话里说：

大模型卷参数的架构红利正在收敛，真正拉开差距的是数据质量。

这句话我在之前文章里其实写过一个大白话版本：

工业AI的核心竞争力不是算法有多新，而是工程化能力有多强。

一个讲的是数据，一个讲的是工程化，其实是同一枚硬币的两面。模型是买得到的，数据质量买不到。人体检测、姿态估计、状态机，全是成熟得不能再成熟的技术，我拿它们拼出了能上线运行的系统——真正值钱的不是这些组件，是每个车间里那堆乱七八糟、没有结构、没人整理的现场数据和现场知识。

大会台上台下，隔着规格、规模和一万倍的项目金额，我们在同一件事上达成了共识。这是数博会给我的第一个收获。

03 王岩的「数据运河」：修运河的人，和我有什么关系

第二位让我记了三页笔记的，是澳琴数据运河实验室副主任王岩，讲数据运河。

先简单复述一下这个概念。澳琴，就是澳门+横琴。他们要建一个"数字贸易国际枢纽港"，核心架构是一条数据运河+两个数据中心+四大体系：按照"多级提升、分段设计"的原则，把境内外的数据分类导入不同的安全可信数据空间，再统一调度，连接境内外两个数据中心——相当于在数字世界里挖一条巴拿马运河，让数据安全合规地"过境"。下一步以中国—巴西合作共建为切入口，向葡语、西语国家推广。

坦白讲，听完的第一反应是：这是国家战略层面的大工程，跟我一个在贵阳蹲车间做落地的人，有关系吗？

关系约等于零。

我在台下甚至有点走神，想起了我自己的"数据跨境"问题。

7月份那个项目给我的教训之一，就是工厂数据出域比跨境还难。车间的视频流涉及生产安全、工艺机密，药企车间还涉及GMP合规审计——客户的数据你根本拿不出来。我以前总想着把数据拿出来，拿到自己环境里标注、训练、调模型，结果发现每一步都在跟客户的安全部门掰扯。

后来我的做法彻底反过来：数据不动，我动。模型部署进厂，就在客户那台工控机上跑，数据出厂不出门，甚至不出那个车间。标注在客户现场做，训练的增量也在现场闭环。

然后我翻资料的时候看到，张宝龙在圆桌上也有一句话：

数据不动，模型动。

以可信数据空间保障数据主权，以数据编织技术实现逻辑集中，在保障数据安全的同时满足模型训练需求。

你看，“运河"的智慧其实就三条：数据分类分级、分段提升、逻辑集中物理不动。这跟一个车间里的现实是完全同构的——GMP车间的数据管理本身就像一套"境内关外”：原始记录必须留在企业内部满足审计追溯，但它的"语义"（比如"这批次的灯检工序合规"）可以流出去，给监管、给客户、给供应链上下游消费。

运河是为大船修的，但运河修通之后，最先活起来的，是运河边的小码头。

数据基础设施这场大建设——可信数据空间、数据编织、数据运河——最终会把"数据语义化、语义可流通"变成一种行业常识。到那一天，我跟小企业老板解释"检测记录怎么留痕、告警语义怎么对接你的质量追溯系统"，教育成本会比今天低得多。大厂们正在替我把"什么是数据要素、为什么要语义化"这门课，给全国的客户上完。

这是我这个层面能从"数据运河"里捞到的东西：不是生意本身，是市场认知的水位。

04 万亿赛道的机器人，卡在我天天面对的问题上

从"运数据"到"生产数据"，是我听「人工智能数据工厂创新发展」交流活动时的感受。这场活动8月29日举行，主题"建设数据工厂，释放数据价值"，来的是国家工业信息安全发展研究中心、中国电信这些"国家队"，讲的是怎么把数据资源标准化、规模化地加工生产。

但真正让我这个做视觉的老兵心里一动的，是具身智能阵营的两位：穹彻智能联合创始人卢策吾（上海交大人工智能学院副院长），和智平方创始人郭彦东。

先交代一个行业背景：具身智能，就是给AI装上身体——让机器人不只会聊天，还会干活。2026年被称为具身智能规模化落地的"部署态"元年，中国具身智能市场规模今年预计冲到1.09万亿。数博会展区里机器人弹钢琴、做咖啡、做调酒，观众里三层外三层。

按理说，做具身智能的和我是同行——都是"用AI改造物理世界"这一波的。但坐在台下听他们讲，我的心情经历了三个阶段：好奇、危机感、然后是踏实。过程我慢慢说。

第一个阶段：好奇——他们的技术源头，我居然认识。

卢策吾的题目是《具身智能的前沿研究与产业化》。他往台上站的时候我在心里笑：这位的来头，做视觉的都知道。他是AlphaPose的作者——那个曾经全网最流行的人体姿态估计开源框架，还有GraspNet机器人抓取系统。而我第6篇写的SOP行为检测，第二层就是姿态估计，从技术谱系上讲，我算是在消费他们团队十年前种下的树。

他这次讲的东西很硬。两个"本质"，两个观点，我一个做工程的人听得手心发热——不是因为技术多炫，而是因为每一条我都能在自己那一亩三分地里找到对照物。

本质一：Scaling Law已在具身智能领域被证实。喂给模型多少有效数据，就得多少智能。

观点1：行业的核心指标是——单位成本的有效数据、单位数据的模型能力增长。说白了，拼的不是谁家模型大，而是：花一块钱，能搞到多少"有效"数据；喂进去一斤数据，能长出几两智能。

跟张宝龙那句"大模型卷参数的架构红利正在收敛，真正拉开差距的是数据质量"，也是同一个意思的三种说法。台上台下、万亿赛道和车间里的落地者，在"数据决定智能"这件事上，认知完全收敛了。

那"有效数据"从哪来？卢策吾接着给了他们的解法——一个「数据平衡点」配方：

人类真实第一视角数据为辅+ UMI海量穿戴式数据为主+ 落地时少量遥操作数据纠正。

拆开看，这是一张严格按"单位成本有效数据"设计的饲料配方表：

第一视角真实数据：最真、信息最全，但靠人一天天地采，成本高、量上不去——所以为辅，当种子、定基准线；
UMI穿戴式数据：采集员戴上装着相机的手持夹爪，人正常干活，第一视角的演示数据顺手就采下来了，成本极低、可以海量铺开——所以为主，当主粮；
遥操作纠正数据：机器人真下场干活暴露出的毛病，遥操作补一小批针对性数据，药到病除——少量、按需、点对点。

单一数据源要么贵、要么糙、要么偏。不是越真越好，也不是越多越好，是按成本和用途配平了才好。

我在台下听着又想笑——这套配方我熟啊。第6篇写过，我们的SOP定义流程是"先用摄像头录几天视频，人工标注一遍操作流程，再跟客户一起确认SOP定义"：

卢策吾的配方	我在车间里的配方
第一视角真实数据（为辅，定基准）	跟客户逐帧确认SOP定义（贵，但定调子）
UMI海量穿戴数据（为主，喂模型）	车间监控里几天几夜的历史视频（海量、近乎免费）
遥操作纠正数据（少量，治大病）	现场调试针对误报补标的那几十张图

又对上了。这张配方后来被他收进"数据工艺"这个词里——而数据工艺怎么和训练、评估串成一条线，就要说到他讲的第二个本质了。

本质二：模型是冰山一角，冰山底座是"模型母机"——模型的生产流水线。

观点2：单个模型不重要，关键是"模型母机"生成线——"数据工艺-训练Infra-评估系统"一体化，核心指标是单位时间证明或证伪一个算法架构的效率。

这条更狠，直接命中了我这十年最痛的领悟。

什么是"模型母机"？就是生产模型的机器。不是那个checkpoint文件，而是围绕它的一整套流水线：数据怎么采、怎么标、怎么清洗（数据工艺）；怎么训练、怎么部署（训练Infra）；怎么评估、怎么回归（评估系统）。卢策吾说，单个模型不重要——重要的单位时间里，你能证明或者证伪多少个算法架构。

翻译成人话：比的不是谁的模型聪明，是谁的迭代速度快。

我第6篇讲的YAML配置化，本质就是这个。客户的SOP从6步改成5步，别人改代码、重新测试、重新部署，一周起步；我改配置，5分钟重启。为什么？因为我的"数据工艺-检测流水线-告警评估"是一体化的，新流程进来，当天就能证明行不行、哪里不行。我这套系统，其实也是一台小号的"模型母机"——只是以前我不知道它叫这个名字。

一个工厂里的SOP检测系统，和一台万亿赛道的机器人，底层方法论竟然是同一套。宇宙的尽头是流水线，智能的尽头也是流水线。这是数博会给我的第二个惊喜。

第二个阶段：危机感——郭彦东的一句话，让我后背发凉。

智平方的郭彦东在交流活动上提了一个观点：

让1万个机器人拧100万次螺丝，不如让1万个机器人分别完成100种不同的任务。

这句是讲数据哲学的：重复一万次的单一动作数据，不如多样化任务数据对智能的推动力强。真实场景的多样性，才是智能演进的燃料。

对机器人行业，这是数据策略。但落到我耳朵里，是另一番滋味——

我做的SOP行为检测，客户最常问的第二个问题就是（第一个是"多少钱"）："能不能顺便检测机器人干活干得对不对？"以前我会说：目前主要检测人。但今年的风向变了：数博会现场四足巡检机器人已经"干活"了，南方电网的机械狗能负重200公斤爬60度坡进高危环境，具身智能白酒检测机器人几秒完成基酒液位计量。机器人上岗之后，SOP合规检测的对象，就不再只是人，还有机器。

而郭彦东那句话反过来读就是：**机器人恰恰是在多样化的真实场景里变强的。**它今天在展会上拉花咖啡，明天就可能站上装配线。检测"人是否合规"这套系统，未来要不要检测"机器人是否合规"？我的状态机、我的ROI、我的告警语义，对象从人换成机械臂，骨架还能用几成？

说实话，坐在台下那一刻，我想起十年前深度学习刚起来时，有人说传统算法工程师要失业。后来没失业，是因为我们学会了往前站半步。这次也一样——与其等机器人来抢SOP检测的活儿，不如想清楚：机器人执行SOP的检测标准，谁来定？

危机感这一段的心路怎么变成踏实，得等我讲完这场会给我的最大启发——它跟前面两场竟然是通的：

具身智能行业最缺的，恰恰是"操作数据"。卢策吾为什么把"单位成本的有效数据"当核心指标？因为机器人干活的知识在互联网上根本不存在——这些知识只能去真实场景里采。于是行业里出现了"数据工厂"：贵州首个具身智能数据工厂这次也在数博会宣布投用，搭了16个全真模拟场景，专门给机器人采集"干活的数据"——截至今年6月底，全国已建成超70家具身智能训练场。

你看，绕了一大圈——机器人行业终于也承认：智能的天花板，卡在具体场景的高质量数据上。这跟张宝龙说的"拉开差距的是数据质量"，跟我的"死数据变活词元"，是同一件事的三种说法。

用一句话总结这场会的感受：

具身智能不是来抢我饭碗的，它是来验证我的饭碗价值的——它证明"把物理世界翻译成可计算的数据"这件事，值一万亿。

至于踏实——一个万亿赛道、融了几轮、估值百亿的机器人公司，今天最缺的不是算力、不是模型架构，而是愿意一个场景一个场景去抠数据的人。这事我干了十年，很熟很熟。我的危机感，到这就转变成了踏实。

05 「词元」这个词，戳中了我

再回头说大会主题——词元。

做过大模型的都知道，词元（Token）是模型消化文本的最小单位。你输入一句话，模型先把它切成一个个词元，再逐个处理。一篇文章对模型来说不是"一篇文章"，是几千个词元的序列。

本届数博会把"词元"当主题，用意很明显：数据要素的价值，最终要以能被AI"消化"的形态来计量和释放。

发布会上有一组数字：截至目前，全国智算总规模240万PFlops，八大国家算力枢纽建成的智算规模占比超80%；6月份，全国已建成高质量数据集超12万个，总体量超过1565PB。

数字很震撼。但我坐在台下，脑子里浮现的是另一组没有出现在任何PPT上的数字：

我跑过的那些中小工厂里，DVR硬盘上躺着的、没人看的监控录像，随便一家就是几十个TB。它们是"死数据"——没有标签，没有结构，没有语义，没有消费者。录完就躺在那，直到硬盘录满被循环覆盖。

工厂老板以为自己装了摄像头就是"数字化"了，其实他只是把"没人看"变成了"录下来也没人看"。

这就是我理解的AI落地最后一百米：算力是国家的事，模型是大厂的事，而把一个具体场景里的死数据变成活词元，是我的事。

车间的一段视频，是死数据；
“14:32:17，3号工位，跳过扭矩确认”——这是活词元。

从前者到后者，需要有人去现场装相机、避频闪、标ROI、写状态机、对着视频一帧帧确认动作定义。这活儿没有发布会，没有大屏，没有路演，只有车间。

词元是数据要素价值的计量单位，但每一个有效词元，都是有人在具体场景里一个一个"抠"出来的。

06 冷思考：落地者的位置

数博会三天，收获很大，但我必须把话说全——回来冷静下来，有几件事要想清楚。

第一，热闹是大厂的，场景是没人做的。

展馆里最亮的展台属于华为、曙光这些头部，发布的是智能体、数智工厂、十万卡超集群。这些是"基座"。但基座之上，贵州165家药企，每家车间布局不同、每份SOP不同、每个工序的判定规则不同——这部分工作，大厂不会做，也做不了。它太碎、太具体、太没有规模效应。它只能由懂算法、又肯蹲现场的人，一家一家去做。

郭彦东那句"1万个机器人做100种任务"还提醒了我另一件事：连万亿赛道的机器人公司都放下身段去追多样性的真实场景了，我一个做场景落地的人，更没有资格只守着一两个熟悉的行业吃老本。具身智能那章说的"踏实"，答案其实也在这——我的壁垒从来不是某个算法，是"愿意钻进下一个具体场景"的意愿本身。

第二，我的壁垒不是模型，是"母机"。

卢策吾那句"单个模型不重要"还有后半句的分量：既然模型会过时、架构会迭代，那攒下的一堆checkpoint，三年后一文不值；但养一台自己的"模型母机"——一套采数、标注、部署、评估的流水线——它能生出一代又一代的模型。我这一年看似在交付几个项目，实际上在攒的就是这条流水线。落地者的复利，不在项目数，在母机的转速。

第三，我这种小厂打法，反而踩中了"标准"的要害。

去年那个大项目让我最痛的一点：甲方自己都没有检测标准，精度要求从95%一路漂到99.5%，需求没有边界。今年我转向医药GMP车间，最舒服的一点恰恰相反：GMP法规就是一份现成的、成文的、不容扯皮的"标准词元表"。哪些工序必须留痕、哪些行为必须合规，白纸黑字写在法规里。标准不由客户口头定义，而由外部法规定义——这一条，够小厂吃十年。

第四，政策窗口是真的，但不等人。

贵州安全生产治本攻坚2024-2026，满打满算还剩一年多。数博会在家门口连开三天，等于把本地工厂老板集体"数字化教育"了一遍——认知水位在涨，这是红利。但窗口期就是窗口期，过了这个村，预算和注意力都会去别的地方。

所以数博会归来，我的战略没变，战术上更笃定了：