★ FEATURED ARTICLE 最近看了一个机器人领域创业者的访谈对方说了一句话过去十几年我犯的最大错误就是对AI还不够相信。这句话我反复琢磨了很久。做机器人的人过去习惯了用规则、模型、传感器融合来解决运动控制问题AI在他们眼里往往是锦上添花的辅助手段而不是改变产品上限的核心变量。这位创业者能公开承认自己低估了AI说实话比一大段技术演讲更有价值。这篇文章想围绕这句话认真聊一聊技术判断力的问题。不是要吹捧某个特定人物而是想借这个现象把“为什么一线从业者也会低估AI”“低估AI的代价到底有多大”“怎样才算真正相信AI”这些问题掰开揉碎。适合技术负责人、创业者、研发工程师以及所有被AI浪潮推着走但还没想清楚自己的位置的人。1. 先拆解这句话不是谦虚是普遍的认知陷阱1.1 为什么一线创业者反而更容易低估AI按常理说做机器人的人应该最懂AI的价值毕竟机器人就是AI的物理载体。但现实恰恰相反很多深耕硬件多年的从业者对AI的信任度反而低于纯软件背景的人。我自己的理解是这里存在这么几个思维陷阱。第一个陷阱是线性外推。你看到AI今天只能做到这个程度就默认它明天也就是在这个程度上缓慢爬升。做机器人的朋友尤其容易犯这个毛病因为机器人的反馈链条很长从感知到规划到控制再到执行任何一个环节出错都会体现为“走不稳”“摔倒”“抓不准”这种强烈的物理约束会不断强化你对“当前技术不成熟”的判断。你会忍不住把今天看到的缺陷当成未来十年都不会变的瓶颈。第二个陷阱是“主场偏见”。每个人都会高估自己熟悉领域的价值低估陌生领域的潜力。做机械出身的人容易觉得结构设计、传动效率、散热才是核心做控制出身的人容易觉得建模精度、响应带宽才是核心。而AI这种需要用海量数据训练出来的东西在早期显得“不严谨”“不可控”“像玄学”自然会被主流工程文化边缘化。第三个陷阱更隐蔽是机会成本的误判。当一个团队在传统路线上已经投入了五年、十年积累了大量的规则库、控制器代码、标定流程你让他们承认“这些积累在未来可能不是优势而是包袱”心理上是极其困难的。这就像你手里握着一副已经打了很久的旧牌突然有人说牌局规则要重写你的第一反应不是换牌而是证明旧规则仍然成立。这位创业者说的“不够相信”我猜很大一部分就是这种路径依赖带来的防御心理。1.2 “不够相信”在现实里缺的不是态度是行动很多人听到“不够相信”会理解成一种心态问题仿佛只要改变想法、拥抱AI就行了。但我觉得技术管理者的“相信”从来不是态度问题而是资源配置问题。你说你相信AI但你的预算里有多少给了AI团队你说你拥抱AI但你的技术评审会上谁说了算你说你重视AI但你的核心产品架构里AI是底座还是插件判断一个人是不是真的相信AI有个特别简单的方法看他把AI放在关键路径上还是放在边角料里。放在关键路径上意味着如果AI不work产品就出不来团队必须死磕数据、模型、算力、评测这些硬骨头。放在边角料里意味着AI只用来做一个人脸识别、一个语音交互、一个缺陷检测的小模块核心逻辑还是人工规则。这两种投入方式在短期内的产出可能差别不大但三五年后的分水岭会非常明显。我自己就经历过这个阶段。早期做一个跨平台的图像处理Demo时团队非常自然地把机器学习当成一个可选的软件模块排在传统图像算法的后面。当时我们花了大量精力去调各种滤波算子、边缘检测参数做得很辛苦精度也到了能用的程度。但后来接触了数据驱动的方法才意识到我们过去一个月的努力可能不如别人标注两千张图、训一个晚上的模型。那种被降维打击的感觉会让你重新审视“相信”这两个字的含金量。2. 以机器人行业为例看“不信AI”的真实代价2.1 技术路线上反复拉扯产品上限被锁死机器人行业是观察“不信AI”代价的绝佳样本。传统机器人走的是“感知—规划—控制”的分层架构每一步都需要人为建模。以四足机器人为例早期要让它稳定行走工程师需要做运动学建模、动力学建模、ZMP稳定性判据、全身力控每一步都要写大量代码调大量参数。这条路线不是不行它非常严谨可问题是它把产品的上限锁死在了工程师的理解边界上。你再看看后来被验证有效的路线用强化学习或模仿学习让机器人走起来。机器人在仿真环境里摔几万个跟头学会在各种地形上保持平衡再通过domain randomization把仿真里的不确定性泛化到真实世界。这条路线不是去理解运动学的每一个细节而是让一个神经网络从数据里自己学出“该迈多大步、该施加多大扭矩”。效果如何大家有目共睹同样一台机器人传统方法调三个月可能还只能在平地上走数据驱动的方法跑一个周末就能学会上台阶、下台阶、走沙地。这两种路线的区别本质就是“信不信AI”的差异。不够相信AI的人会把精力放在机械结构和控制器的极限压榨上真正相信AI的人会先保证硬件本身够用然后把大量资源投向数据、算力和模型。后者的做法在早期看起来很不靠谱甚至有点赌但它的优势在于智能密度可以持续提升。你给机器人越多数据、越多算力它的能力就越强这个复利效应是传统规则路线完全不具备的。当然我并不是说硬件不重要。恰恰相反硬件是AI的物理边界传感器噪声大、执行器响应慢、结构刚度不足再好的算法也白搭。但我要强调的是一种优先级排序如果你相信AI你会把硬件做到“够用”就停下来把资源投向智能如果你不相信AI你会把硬件推向“极致”然后发现无论硬件做得多好产品的行为丰富度始终有限。这两种排序的差异决定了一家公司的技术品味。2.2 团队与组织上的隐形代价技术路线的选择还远不只是技术问题。一旦团队长期以传统路线为主组织本身会形成一种逆向淘汰机制。招人的时候简历上写着强化学习、大模型、数据工程的人会被质疑“做过真实机器人吗”而那些精通PID、MPC、状态机的人会被当成核心骨干。评审项目的时候写了几百条规则的人被认为踏实可靠提出要做端到端学习的人会被认为“不稳定”“风险太高”。这种文化氛围会让年轻工程师不敢触碰AI方向。就算公司嘴上说要拥抱AI真正落实到考核、晋升、项目资源上AI项目往往处于弱势地位。结果就是当行业的外部环境已经发生变化时内部的组织惯性还在拖后腿。等技术管理者终于想通了发现团队里既没有能训模型的算法工程师也没有能搭数据闭环的基础设施连评测AI效果的方法论都没有。这时候再追赶就不是多投钱那么简单了而是要重建一整条能力栈代价极其沉重。我接触过一个做工业质检的项目组早期完全用传统图像处理方法做缺陷检测积累了上千条规则。后来客户换了产线光照、角度、材质一变化规则就大面积失效。团队花了三个月去调整参数仍然达不到客户要求的误检率。最后他们痛下决心彻底转向基于深度学习的检测方案把之前积累的规则库全部扔到一边。从决策到落地前后折腾了大半年而隔壁提前布局AI路线的团队两个月就交付了效果还好得多。这个案例里的半年时间差就是“不信AI”的代价。2.3 错过窗口期的代价更致命技术路线的代价还可以通过补课追回来但市场窗口期一旦错过就是不可逆的。尤其在机器人这种需要硬件迭代、供应链配合、客户验证的行业晚半年发布产品可能就意味着错过了整个销售季或者说错过了客户建立信任的最佳时机。我之前和一位做机器人的创业者聊过他说自己曾经面临一个选择是直接沿用成熟的遥控/规则方案尽快量产还是押注AI自主决策方案再赌一年的研发周期。当时他觉得AI方案太不成熟选择了前者。结果产品发布后虽然稳定但智能化程度明显落后于竞争对手。等到竞品通过OTA不断给机器人升级新技能他的产品还是一台“出厂即巅峰”的机器因为规则写死了改不动。他后来懊悔地说如果当初敢赌一次AI哪怕晚半年发布现在产品的护城河也会完全不同。这个例子让我想到一个词叫“技术时间尺度”。传统工程的方法论是线性的你今天投入明天有产出确定性很强所以很容易让人依赖。AI技术是准指数级的它看起来是一个漫长的平台期然后突然进入爆发期。如果你在平台期选择离开就永远不会享受到爆发期的红利。所谓“对AI不够相信”本质上是你的决策时间尺度太短快不过技术本身从量变到质变的拐点。3. 怎样才算“真的相信AI”三条可落地的判断标准3.1 看资源配置不看口头表态怎么快速判断一家公司或者一个团队是否真正相信AI我认为第一标准是资源配置。不要听创始人说了什么打开研发预算表看一眼就明白了AI相关岗位的HC占比是多少每年用于数据采集、标注、算力采购的费用有多少在公司的技术架构图里AI团队是向CTO直接汇报的核心部门还是挂在某个业务线下面的支持组我自己评估一个项目是否“AI优先”会看三个数字第一训练算力的月消耗量第二数据闭环的建设进度第三AI人才在核心技术团队中的占比。这三个数字如果都在稳步增长说明这家公司是真的在把AI当底座来做。如果这三个数字常年不变只有PPT上的AI关键词在变那基本可以判断所谓的“相信AI”只是营销话术。还有一点很值得注意资源配置的连续性。很多公司不是不投AI而是像“打卡式”投入一波热潮来就招一批AI工程师热潮过去了就收缩人员流失项目停滞。真正的AI信仰是在低谷期仍然保持投入是能在连续三次实验结果不佳的情况下仍然愿意继续标注数据、继续调模型、继续试错。这种耐力远比单次的大手笔投入更稀缺。3.2 看关键决策的权重第二个标准是决策权重。一家公司是否相信AI要看它在最核心的技术选型里愿不愿意把AI放到主导位置。举个例子做自动驾驶的公司感知模块用规则还是用深度学习决策模块用状态机还是用端到端神经网络如果你在每个关键模块上都倾向于“再等等再看看”那说明你对AI的信任仅限于局部而非全局。我在和很多团队交流时注意到一个普遍现象当一个团队同时具备传统算法工程师和AI工程师时他们在技术评审会上习惯性地倾向于传统方案。因为传统方案可解释、可控、可评审出了问题能定位到具体模块AI方案则像一个“黑盒”很难在评审阶段让人安心。这导致AI方案总是在“理论上很好实践上有风险”的评价中被搁置最终团队的技术路线逐渐滑向保守一侧。要突破这一点不能只靠改变评审文化确实需要更高层的人拍板。技术负责人如果真正相信AI就应该在关键架构评审会上明确表态这个模块必须用数据驱动的方法来做规则方法只作为兜底。这种拍板是有风险的是可能被挑战的但正是这种愿意为长期收益承担短期风险的动作才叫真正的“相信”。如果每个决策都追求绝对安全最终的结果就是平均值平庸。3.3 看试错机制第三个标准是看组织怎么对待失败。传统工程项目的失败一般是可预测、可修复的一个零件强度不够换一个材料一段代码有Bug改一行就行。但AI项目的失败是概率性的、系统性黑盒的模型不收敛你也不知道是数据问题、超参数问题还是架构问题。如果一个组织用处理机械故障的态度去处理AI实验失败比如要求AI工程师必须给出“确定性的失败原因”那这个组织的AI项目基本做不下去。反过来真正相信AI的组织会建立专门的探索机制允许AI团队做一些没有明确ROI的前瞻性实验容忍实验失败率高但要求从每次失败中沉淀出数据经验。这种机制的本质是承认AI是一个需要通过高频试错来逼近最优解的过程。失败的代价是可控的但错过探索机会的损失是长期的。我见过的理想状态是“实验通道”与“产品通道”分离。产品通道强调稳定交付必须有充分评测实验通道强调快速探索允许失败。当一个实验验证了某个AI方法的有效性再经过严格评测后转入产品通道。这种双轨制既保护了组织的稳定性又给了AI生长的土壤。4. 实操复盘我自己经历过的“不够相信”与纠偏过程4.1 第一阶段把AI当功能点前面提到过我早期做一个跨平台图像处理Demo时AI只是功能点。当时的产品需求是识别某种特定目标物团队默认方案是写图像预处理、设计特征提取、调分类器参数。整个架构以传统算法为核心机器学习几乎不参与。结果开发了两个月识别率在理想环境下达到90%但一到复杂背景和光照变化下就掉到70%以下。我们当时对这些失败做了详细分析结论是“参数还不够精确”“还需要更多的手工特征工程”。现在回头看这个结论不能说错但它指向的方向错了我们试图通过更多人工规则去逼近一个本质上高度非线性的问题这条路当然可以走得通但成本会呈指数级上升。这就好比你用自己的手一棵一棵去种树为了追求每棵树长得一样高你不断修剪、施肥忙得不可开交却完全没想到可以直接换个方法让整片树林按统一机制自然生长。4.2 第二阶段把AI当约束条件后来团队引入了深度学习来做识别算是从“功能点”进了一步但当时我们面对新模型犯了另一个错误把AI当成一个必须被约束在旧框架里的组件。我们用旧系统的接口去调用模型服务把模型的输出转换成原来的特征结构再交给下游逻辑处理。由于接口设计不匹配我们花了大量时间去做各种封装、适配、兼容性处理AI本身的优势被消耗了大半。这个阶段的数据质量也是一塌糊涂。因为没有建立独立的数据标注流程数据的来源、分布、标注标准都不统一模型在训练集上表现不错到现场就经常“翻车”。我们一度怀疑是模型本身不行测试了很久才发现问题出在训练数据分布和真实场景偏差太大。这个教训很经典当你不够相信AI的时候你不会把“数据治理”当做一个核心工程去建设而只会把AI当成一个黑盒工具然后抱怨它“不好用”。这个阶段的体感是团队的努力程度很高但收益和投入不成比例。我们每天在改数据处理逻辑、调接口、清洗脏数据像一群搬运工而不是建筑师。我逐渐意识到真正走通AI路线的人从来不是把旧系统翻新一下挂上一个AI模块而是围绕AI重新设计整个系统。你不应该问“怎么把模型接到我的程序里”而应该问“我的系统应该变成什么样才能最大化发挥模型的优势”。4.3 第三阶段把AI当系统底座转机出现在一次小规模的验证项目上。我们选了一个内部工具系统规模很小不用承担外部客户压力然后做了一个大胆的决定从零开始全链路以AI为中心来设计。数据采集怎么做、数据标注规范怎么定、模型版本怎么管理、评测指标怎么定义每一层都按数据驱动的方式来搭。这一次的效果完全不同。刚开始的几天进度看起来比传统方案还慢因为光数据管线就花了不少时间模型效果最初的精度甚至不如我们之前手工调了好几个月的规则方案。但到了第二周模型的精度超过了旧方案第三周我们开始尝试用更强的模型替代旧系统里的硬编码逻辑第五周整个系统里已经没有几条人工规则了全部由模型决策。最让我惊讶的不是精度的提升而是开发的体验变了以前是每加一个功能就要重写一大部分逻辑现在只需要补充数据、重新训练迭代成本降低了一个数量级。这个亲身体验让我彻底转变了思路。过去我总觉得AI是一种不稳定的、需要外围手段去约束的技术但现在我知道AI是一种值得让你重构整个系统的技术。它不是工具箱里多了一把新锤子而是整栋楼都该为它重新设计承重结构。5. 给技术管理者的几个避坑建议5.1 多用“未来回溯”法做判断很多技术决策之所以慢半拍是因为你站在现在看未来看到的是当前技术的缺陷。改变一下视角站在未来看现在会有完全不同的判断。比如你思考2028年的时候一个主流的智能系统应该是什么架构几乎所有分析都会指向端到端的、数据驱动的、持续自我进化的。既然未来是那个样子那今天你应该做什么答案很明确尽早把资源投向数据驱动方向哪怕当前效果还不如传统方法。这种“未来回溯”的判断方式能让你在短期损失面前保持定力。真正的相信不是赌单品能不能成功而是判断趋势的方向是否一致。如果你确定方向一致剩下的就只是执行过程中的曲折。5.2 定期主动找“反方”来挑战技术路线技术团队很容易形成“内部共识”尤其是在某项技术已经投入很多资源后大家会下意识地维护既有决策。要打破这种状态最好的办法是定期请外部视角来挑战。你可以邀请跨行业的技术专家、做AI研究的学者、甚至一些“脑洞很大”的年轻工程师来参加技术评审他们的任务是专门来找你技术路线的漏洞而不是来夸奖你。这个方法看起来简单执行起来不容易因为很多团队的文化是“家丑不可外扬”。但实践经验告诉我越早听到反方观点越早修正决策代价就越小。藏着掖着等到最后一刻被现实打脸才是成本最高的。5.3 选一个真实场景做AI化改造试验田与其反复争论“AI到底行不行”不如直接找一个小场景做实验。选择标准有三个第一场景真实是业务里确实存在且需要解决的问题第二影响可控做失败了也不会伤筋动骨第三可量化能明确对比新旧方案的时间、成本、效果。把这个场景AI化完整记录投入和产出然后拿数据说话。我在和很多团队合作时发现用真实数据打动大家比用一百页的趋势报告更有效。尤其是那些对AI充满怀疑的老工程师让他们亲眼看到模型在两天内解决了他们过去两周才能解决的问题他们的态度往往会立刻发生转变。不用去争论“AI是不是万能”只需要展示一次“AI确实解决了你的问题”。5.4 警惕“迷信AI”的另一个极端说完了“不信AI”的代价也要提醒大家警惕另一个极端盲目迷信AI认为只要堆模型、堆算力所有问题都会迎刃而解。我就见过一些团队产品问题还没定义清楚先急着上大模型结果模型跑起来了却发现业务根本用不上白白烧掉大量算力和人力。真正的“相信AI”我认为是一种“战略级的长期判断”加上“战术级的严格验证”。战略上你确信数据驱动是长期方向愿意持续投入战术上你带着做实验的严谨态度对每个AI项目都要求明确的业务指标、评测标准、失败边界。这种状态下你既不会因为一次实验失败就全盘否定AI也不会因为盲目跟风而陷入AI项目的无底洞。6. 常见问题与排查技巧实录6.1 问题一“我们行业比较特殊AI不适用”是真的吗这是我最常听到的一句话也是“不够相信AI”最常见的表达方式。怎么排查这个问题不要空泛地争论AI是否适用而是先定义“适用”的标准。拆成三个具体问题第一行业里是否存在大量高重复、可模式化的决策过程第二是否具备或可以构建高质量的数据反馈闭环第三错误容忍度和人工介入成本是否合理如果一个场景需要处理海量复杂模式、且数据反馈闭环可以被构建起来那AI就是适用的只是投入方式不同。从我的经验看几乎所有说自己行业“太特殊”的人真正想表达的是“目前行业内没有人这么做我拿不到参考害怕失败”。这个心理障碍远比技术障碍更难突破。破解方法还是那句话找一个小而真实的应用点快速做到可量化的结果让“数据说话”。解决了第一个成功案例之后行业特殊论往往会自动消散。6.2 问题二团队里最反对AI的往往是掌握传统核心技能的人怎么办这是组织转型中最扎心的问题。反对AI的往往不是水平差的人恰恰是过去十年为组织立下汗马功劳的技术骨干。他们反对AI的原因很复杂有认知层面的“AI不靠谱”也有利益层面的“如果AI成功了我的核心价值何在”。处理这个问题的关键不是去证明他们错了而是为他们设计转型路径。比如让这位控制算法专家去负责“AI与传统控制融合”的方向研究如何让AI输出的动作更平滑、更安全让那位视觉工程师去负责“数据标注策略”的设计这是AI项目里非常关键且需要行业经验的岗位。总之把他们的行业经验从“规则写作者”转变成“AI质量的把关人”既保留了他们的价值又推进了AI落地。6.3 问题三如何区分“AI泡沫”和“AI信仰”现在市面上AI概念泛滥很多人担心自己是不是泡沫期的高位接盘者。我自己的判断标准很朴素看技术是否带来了“可复利的能力增长”。如果一个AI项目能让系统在数据积累中越来越强能实现功能的自动扩展和持续演进它就是“信仰”级别的投入如果一个AI项目只是用一个大模型包装了一个静态功能没有数据闭环、没有迭代机制、没有能力沉淀那它大概率会沦为泡沫。再补充一个观察维度看这个AI项目解决的是“长尾问题”还是“头部问题”。头部问题就是那个最高频、最核心的需求长尾问题则是零散、偶发、千奇百怪的小需求。真正有复利效应的AI项目会把精力放在解决长尾问题因为每个长尾问题的解决都会形成数据资产数据资产越厚系统的能力边界越宽。而那些把AI只是当成噱头的项目往往只解决一个演示级的头部问题演示完毕就结束了。结尾其实回头看这句话之所以让我触动是因为它说出了技术判断力这个问题的本质。我们大多数人不是不聪明不是不努力而是太习惯于用过去推断未来太害怕短期波动太容易陷入路径依赖。对于AI这类具备复利效应的技术最该做的决策往往不是“等它更成熟了再上”而是“现在就调整资源配置让自己成为它成熟过程中的一部分”。我个人在实际操作中的体会是判断力比执行力更值钱方向比努力更值得反复校准。你会为一个个bug熬夜为一个性能指标反复调参却很少停下来认真拷问自己我是不是在一个注定会被替代的思路上过度投入那个创业者的自我批评很有参考价值但更重要的不是听他承认错误而是我们自己能不能在未来到来之前提前把赌注押对。最后分享一个小技巧每个月留出半天把团队聚集起来只讨论一个问题——“如果我们今天重新选择技术路线还会选现在这条路吗”这个问题听着简单但让很多人忍不住出汗。
阅读完成 · 觉得有帮助？
