采访完识渊科技的茹彬鑫，我被震撼到了。
不是因为他们的AI算法有多强、融资规模有多大、客户名单有多亮眼。而是因为——他们是一群不懂制造业的人。
牛津博士、Google X研究员、一线大厂算法专家。这群人里没有一个在工厂待过一天。但他们一头扎进了中国制造业最苛刻的产线，踩了无数坑，然后真的干出来了。
当AI在制造业更多还停留在实验室和PPT里的时候，他们已经经受住了产线上秒级节拍、零容忍漏检的残酷考验。
我开始怀疑：行业know-how，真的还那么重要吗？
AI加制造，不是制造加AI
茹彬鑫给我讲了一个概念，我觉得这是理解他们一切做法的起点。
"制造加AI"是把AI当成一个功能，贴到传统设备上——设备还是那个设备，只是多了个"AI检测"按钮。"AI加制造"是从零开始，把整个设备当成一个AI产品来设计，从GPU架构到底层运控，全部围绕AI来构建。
听起来像文字游戏，其实是两套完全不同的产品逻辑。而一个不懂制造业的团队，天然只能走后面这条路——你想贴都没地方贴。
带来的结果是什么？他举了一个具体的例子：换线调试。传统AOI设备换一个产品型号，工程师要在产线上一颗一颗元器件画检测框、调参数、设阈值，搞不好大半天就没了，一次还未必能调好。识渊的设备同时识别全部元器件、动态生成全部检测区域、全局并行优化——几十秒完成。
这个效率差距不只是时间。它意味着工厂可以一天适配几十倍于过去的产品型号，产线柔性大幅提升。
但效率只是故事的一面。
Autopilot被退回来了
识渊的第一版产品做的是全自动——不需要人操作，AI搞定一切。
客户的反应让团队吃了一惊："太慌了。"
这是AI落地工业的一个隐秘门槛：技术能全自动，但客户不敢。漏检一个缺陷可能就是整批产品召回，没人愿意把这种责任交给一个黑箱。
识渊立刻改成了"AI干绝大部分，把不确定的挑出来给人看一眼、点个确认"。茹彬鑫管这个叫Copilot模式。客户的反应完全变了——他觉得整个过程还是他在掌控，AI只是帮他加速。
更决定性的变化发生在底层。传统深度学习给的是极端置信度，不同工艺的客户没法用同一套模型兼容——要改参数就得重新训练。识渊把置信度做成了精准刻度，不同客户只要调阈值就能适配。
"早期客户的产品迭代相对慢，一年半两年才成熟。"他说得很坦率。
80分容易，99分才要命
进入制造业AI，茹彬鑫走了一条和大多数AI创业者相反的路。
"好一点的AI团队肯定做大模型、做具身。那块融资更方便，落地容忍度还高。干嘛来做这个？"
他说这话的时候没有抱怨的意思，更像是在陈述一个结构性的行业机会——正因为在工业产线上做AI"恰恰很难"，才给了他们时间窗口。这个判断正在被验证。国家AI大基金成立以来只投了二十几家企业，识渊是其中之一。
但选难的那条路，代价是每天都在解决别人根本不需要面对的问题。
从早期客户产线的中等节拍，到后来遇到高速产线——整个技术方案推倒重来，从汇编层面管理内存和显存。从实验室里的AI准确率，到产线上对缺陷的零容忍。茹彬鑫说了一句我很长时间都不会忘的话——
"我们的AI做到七八十分很容易，但工业需要的是接近满分。大部分代码，是在解决现场少部分极端情况。"
这就是为什么第一款产品打磨了将近两年才真正成熟。
FAE的另一种活法
他们交付团队不到全员的四分之一，却服务着数百家客户。这个交付比近乎反常——在传统的工业设备领域，光是售后培训就能吃掉大量人力。
关键变化在于他们如何重新定义了现场工程师的角色。
传统AOI设备的现场应用工程师只有一个任务——教操作员用设备，教会了就走。识渊把同一个岗位变成了"一线需求采集"：每个客户都有专属沟通群，现场工程师每天总结新需求和新问题，快速回传到产研。
"这在传统设备公司是完全没有的——他们的设备买回来什么样，就一直什么样，不会变得更好了。"
但这个角色的能力要求极高：既要看得懂产线问题，又要能判断客户的真实需求。很多时候客户提的不是"我需要解决什么"，而是"海外那家品牌的设备有这个功能，你们能不能做一个一样的"。现场的判断力决定产品迭代是不是走在正确的方向上。
挖出来，不是培养出来的
采访最后，我问他怎么看待目前政府开始推FDE人才培训这件事。
"FDE不是能培养的，是得挖掘出来的。"他说的"挖掘"，是在年轻人里找到那些好奇心强、会用AI Agent、自己会动手搭东西的人——本科生甚至高中生里都可能藏着这样的人。
这个观点让我想起了之前的采访。北森的纪伟国说"三十出头的人更容易转型"。金智维的廖万里说"懂业务的工程师比懂算法的博士生更稀缺"。三个人从不同行业、不同角度，得出了同一个结论——FDE的人才问题不是靠培训解决的，是要重新定义什么样的人能胜任这个角色。
茹彬鑫还有一个观察让我印象很深。"现在大学里，所有专业的学生都只想搞AI，基础学科没人做了。但大部分人不一定真的适配，变成了资源误配。"
采访结束后，我一直在想那个问题：行业know-how还重要吗？
识渊的故事不是"行业know-how不重要"——他们把产品打磨了将近两年，被客户退回过，被高速产线逼着从汇编层重写技术方案。踩过的坑一个都没少。
但他们确实证明了一件事：不懂行业不是致命的，致命的是不愿意蹲在产线边上把客户的每一个需求吃透。
创始人季聪当初为了搞定一台设备，翻了一周多的书自己写运控程序——行业里专业工程师从零写一套要三个月以上。硬件商一开始以为他们是骗子。
茹彬鑫在采访里引用了一句肯尼迪登月演讲里的话来解释为什么选这条路——不是因为容易，恰恰是因为太难。
当AI在制造业还大多停留在实验室里的时候，这群从没进过工厂的人，已经在产线上活了下来。他们走出了一种全新的可能性——不一定非得在行业里泡了十年的人，才能理解这个行业需要什么。
可能这才是FDE这个角色最根本的启示：AI时代的竞争力，不是你知道多少，而是你学得有多快。
（崔强，崔牛会创始人。本文是「FDE：落地中国」系列访谈的第四篇。前三篇分别是句子互动李佳芮「她招了20个00后驻场写代码，一年半踩完两类坑」、金智维廖万里「他给银行写了一年尽调报告，发现AI最难的不是快，是准」、北森纪伟国「软件实施干不了AI？他把心理学顾问派上了前线」。我们正在系统研究FDE在中国的落地实践，白皮书研究同步推进中。）