作者声明：该图片由AI生成
【摘要】一条划痕，足以牵动工厂。识别只是起点，模型迁移、产品换型与持续维护，决定AI能否成为一门划算的生意。
2026年10月，地瓜机器人的工博会首秀，展示了一条争取工业订单的路径：把机器人领域积累的芯片、量产经验与开发工具，接到行业伙伴的工艺和客户网络上，进而让懂制造的企业更容易开发AI产品。
工业现场越千差万别，就越考验供应商的一种能力：把每个项目反复发生的工程劳动，变成下一位客户可以复用的起点。
以下为正文：
1982年，IBM购买了康耐视DataMan，用来读取半导体晶圆上激光刻蚀的编号，这台设备每秒能读15个字符。
这是一桩朴素的生意：机器辨认符号，工厂减少差错。此后四十多年，机器视觉沿着生产线不断深入，从读码、定位、测量，走到辨认划痕、污点和细小裂纹。工厂从一开始就给“看见”标上了价格。
但如今这门生意有所改变。随着工况愈发复杂，比如一批原料换了纹理、一道划痕换了方向，工厂需要进一步考虑产品更换、模型更新的成本问题。至此，有些瑕疵不太容易被写成规则。
2026年10月的上海工博会上，地瓜机器人首次参展，带来芯片、开发套件和RoboGo软件平台，切入视觉检测等工业场景。一家以机器人算力为人熟知的公司，为什么开始关注产线上的检测订单？
“其实不是我们看到，是我们被推动的。”地瓜机器人销售副总裁江舟说。推动地瓜机器人的，是已经服务工业客户的方案伙伴，以及客户提出的新需求。
江舟 地瓜机器人销售副总裁
答案藏在工厂正在重新关注的成本里。一次正确识别背后，既有芯片的计算，也有数据准备、模型迁移和持续维护。当细小缺陷开始牵动整条技术链，工业AI的供应商，也到了重新排座次的时候。
01
工厂的难题，已经越过了识别本身
机器视觉的产业史，反复发生着一件事：工程师把复杂技术封装起来，让更多工厂能够使用。
2000年，康耐视推出In-Sight视觉系统，强调工厂技术人员无需编程或机器视觉经验，也能完成配置。相机、处理与软件逐渐形成更易部署的产品，视觉检测由此扩大了应用范围。降低开发门槛，一直是这门生意的重要增长来源。
AI的加入，让开发工作进一步延伸到数据、训练和模型迭代。
宝马雷根斯堡工厂的漆面处理，是一个典型案例。
据相关资料，屏幕向车身投射黑白条纹，相机捕捉反射变化，系统记录异常的位置、形状和大小，再指导机器人打磨、抛光。这套自动表面处理工艺自2022年3月起用于量产。其中，员工的工艺经验参与了系统开发，车身边缘等区域仍需人工补充处理。
这个过程中，光学、工艺知识与AI共同完成判断，先取得有效图像，再定义缺陷，最后把判断交给设备执行。
传统视觉擅长处理尺寸、位置等边界清晰的任务。到了表面纹理、细小裂纹和不规则污点，工程师要面对更多变化。材料反光不同，光照发生偏移，正常产品自身的差异，都可能影响模型判断。但保留更多图像细节，又会增加现场计算的负担。
“工业很碎。”谈到AI落地的障碍，江舟先说了这四个字，他紧接着指出另一重约束：“AI的人才到今天相对紧缺。”
两件事叠在一起，就成了一道经济上的难题。懂色选、焊接或检测的企业，已有成熟设备和客户，但要增加AI能力，还需补上数据处理、模型训练与端侧部署。每个细分场景的订单，未必足以支撑一支从底层搭起的AI团队。
技术越向细分场景深入，重复建设的成本就越复杂。一个设备商可以在工艺上很专业，却很难在每一次产品升级时都很快跟上AI研发。
这给地瓜留下了一个具体入口：把芯片、模型部署工具与成熟硬件尽量复用起来，帮助客户完成已有产品的AI升级。客户采购的价值，也随之延伸到把新模型做进去、把设备交出去的能力。
工厂愿意为“看见”付费，需要省下从头搭建的投入。地瓜要回答的，正是这道题。
02
从割草机到质检线，迁移的是交付经验
理解地瓜的相对优势，可以先把目光从工厂移到一片草坪。
2025年9月，石头科技推出RockMow、RockNeo系列割草机器人，采用地瓜旭日5芯片。按照公开的合作资料，团队针对逆光、暗光做了图像信号处理调校，又对双目深度感知和视觉定位算法进行了芯片端优化。
草坪上的逆光和工厂里的反光，属于不同的现场问题。两者却都要求供应商围绕成像、算法与部署协同工作，让模型在受限的功耗、成本和时间内完成任务。图像怎样进入芯片、哪个环节拖慢整机，都属于可以积累的工程能力。
“我们认为机器人赛道是众多赛道的一个综合体，包括工业。”工博会现场，江舟跟我们解释了地瓜如何看待跨行业迁移：机器人产品已经把感知、计算与控制放到一起验证，其中一部分积累，可以成为工业设备开发的起点。
地瓜带进工业的其中一个重要资产，就是围绕最终产品做软硬协同的经验。其产品设计也沿着这条路径展开。
S100系列把CPU、AI加速单元与实时控制单元集成在同一平台，为感知、推理与控制协同提供条件。工业客户可以据此开发不同设备，方案商再负责完成相机、通信和现场执行机构的适配。
但一个平台能否被采用，还要过模型迁移这一关。客户过去积累的可能是GPU上的模型与开发习惯，换芯片意味着重新验证精度、处理速度和整机投入。
“最后还是要在端侧展现实际的效率。”江舟说。对于功能已经比较明确的模型，地瓜机器人希望先看产品需要多少帧率、多少精度，再用工具与工程支持去适配。
这推动地瓜机器人关注现场。江舟介绍，他们会派工程师与客户一起到现场，“看场景，调算法，调部署”。对设备商而言，有人能把模型表现、芯片资源和整机放到一起处理，就减少了独自摸索的工作。
量产基础进一步支撑了这种复用。2026年9月公开资料披露，旭日系列芯片累计出货已突破800万片，这是跨品类的累计规模。共性研发可以随平台进入更多产品，分散单个项目的开发负担，实际部署中的问题，又能反馈给后续产品。这是跨品类平台参与工业竞争的经济基础。
谈到迁移，江舟还拿“鱼香肉丝”打了个比方：机器人行业已有成熟的做法，进入工业，就像一道菜换了一个国家，要适应当地需求。“微调需要很多本地化。”
这也点明了复用的边界。芯片与工具能够带过去，具体工艺仍须重新适配。要走完这一步，每一方都需要熟悉工厂的人。
03
把生态做强，才有更多工业订单
在工博会展台上，地瓜把不少位置留给了合作伙伴。芯片、相机、算力盒子和控制器摆在一起，是展台的一大特色。
“工业场景一定要靠这些合作伙伴。”江舟说。伙伴长期服务工业客户，已在稳定性、传输时延的确定性、散热等细节上做了大量工作。
图为科技官网列出的T1301，基于地瓜RDK X5 Module开发；移远通信也已发布基于旭日5的机器人算力模组。这些产品让客户能够从模组或整机开始开发，减少从裸芯片、电路板起步的工作。
基于地瓜机器人RDK X5 Module
对于新进入工业的芯片企业，伙伴的价值还在硬件之外。知道客户对什么缺陷最敏感，能否调光源、接设备、做现场验收，决定了一个方案能否留下来。工业方案商多年积累的客户关系与工艺知识，是产品发布背后的功力。
地瓜机器人选择把自己的能力接到这些积累上：提供算力、模型适配和开发工具，让伙伴主导行业产品与交付。伙伴已有工业客户，公司补充AI研发能力，业务便可以沿着伙伴的产品线展开。这套分工，减少了为每类工艺重建服务团队的必要。
但硬件被做成盒子之后，软件开发仍可能靠人反复衔接。地瓜机器人发布的RoboGo补的是这段工作。其公开能力覆盖数据、训练、仿真与量化部署，社区已有把视觉模型训练、导出、芯片端编译连在一起的工作台示例。
开发环境、模型转换与部署衔接，被逐步整理为可调用的工具。工业场景虽有差异，共同的开发步骤仍可标准化，方案商则把精力用于样本、工艺规则和现场调试。
更适合工业客户的一点，是平台允许按模块使用。“我们可以切片。”解释RoboGo的使用方式时，江舟用了一个简短的说法。客户如果已有训练流程，可以从部署工具切入，如果需要整理数据，也可以优先处理。逐步接入，为保留既有系统和开发习惯留下了空间。
数据敏感的客户还有另一种路径。按企业公布的资料，RoboGo已为泛宇智远等数采企业完成私有化部署，支持在企业自己的环境中处理数据与训练模型。这让工具服务能够进入客户可控的环境，具体数据授权与工艺适配仍由项目双方落实。
至于开发门槛要降到什么程度，江舟给出了一个直观的目标：希望工业企业尝试场景AI化时，不必先搭建几十人的完整团队，争取“把这个人数除以10，至少除以5”。这一目标能否实现，还要由具体场景和项目验证。
把这些动作连起来，地瓜的方法论就比较清楚了：以机器人领域的计算与交付积累起步，通过标准化硬件进入设备，再把可重复的开发工作沉淀为软件服务，支持行业伙伴完成最后的交付。
“我们在他们背后，我们是卖铲子的人。”江舟说。伙伴能做成多少产品、交付多少客户，决定了底层平台能延伸多远。
04
尾声
四十多年前，晶圆上的一串编号，为机器视觉打开了商业化的一扇门。今天，更加复杂的“划痕”把新的供应商带到产线面前，也让这门生意的竞争继续向开发与交付延伸。
地瓜的工博会首秀，可以看作一次将机器人领域积累转向工业需求的尝试。它展示的特色在于，让市场看到了一家企业的能力组合：用成熟平台承接计算，用现场服务推动模型迁移，再让伙伴与软件工具共同降低项目开发的工作。
只有共同工具真正减少了重复劳动，伙伴又能把工艺知识转化为稳定产品，规模才会成为优势。
这是地瓜带来的全新方法论。它正在尝试让工业企业更容易获得AI开发能力，让方案商把长期积累的工艺经验接到新的计算平台上。当更多原本算不过账的项目能够成立，复杂的工况背后，才会长出更大的产业生意。
