标签： AI技术

福特最近做了一个有点反直觉的决定。在花了不少钱上马AI自动化质检系统之后，这家百年车企发现效果不如预期，于是干脆把那套系统降了级，转头重新请回350位资深工程师。

这350人里，一部分是已经退休的前福特员工，另一部分之前在供应商那边干活。用公司自己的话说，这些人叫”gray beard”工程师——就是在产线上摸爬滚打了几十年、光听声音就知道哪台机器不对劲的那种人。

“我们误以为把AI和设计需求喂进去，就能出高质量产品”

福特的运营官Kumar Galhotra跟记者说，公司之前”越来越依赖自动化质检系统”，但结果让人失望。车辆交付到客户手里之后，质量问题还是层出不穷。

“我们误以为，只要引入人工智能、把我们的设计需求输进去，就能产出高质量产品。这个想法是错的。”——福特车辆硬件工程副总裁 Charles Poon

说这话的是福特的车辆硬件工程副总裁Charles Poon。他算是公开承认了AI在福特的质量管控体系里没达到预期效果。这不是说福特要彻底放弃AI——那些被请回来的老工程师，现在的工作之一就是把年轻员工和AI工具一起”训练”好，让这套系统真正用起来。

钱是真的省下来了

福特CEO Jim Farley说，这批老工程师回来之后，保修和召回成本明显下降，”给福特带来了实打实几亿美元的现金助力”。话说得挺直接。

有个数据可以佐证：本周发布的JD Power新车初始质量调查（IQS）里，福特在主流品牌里排到了第一。这个调查问的是车主提车90天内遇到的各类问题，分数越低越好。福特这次分数比行业平均还低，算是几年来最好的成绩。

这件事说明什么

福特的这个操作，其实戳破了一个在很多行业都存在的幻觉：以为AI上线就能立刻替代经验丰富的老员工。实际情况要复杂得多。

质检这件事，尤其是汽车这种复杂度极高的产品，光靠视觉AI或者自动化系统，目前还真做不到完美。老师傅手摸一下、耳朵听一下，能发现的问题，AI可能要再训练好几轮才能捕捉到同样的信号。

福特的做法比较务实：不是”AI vs 人类”的二选一，而是让两边互补。老工程师负责找出问题，AI负责记录和规模化。这个思路，可能比单纯追求”全自动化”更值得其他制造业参考。

福特最近做了一个相当打脸的决定——重新雇用了350名资深工程师。原因说出来有点尴尬：他们发现，指望AI和自动化系统来保证汽车质量，结果并不怎么样。

这件事是Bloomberg最先报道的。福特COO Kumar Galhotra跟记者说，公司这几年越来越依赖自动化质量系统，但效果让人失望。所以他们会把技术专家请回来，这些人的工作是在零件还没到生产线之前，就把潜在的故障点找出来。

“我们以为AI能搞定一切”

福特车辆硬件工程副总裁Charles Poon说得更直接：”我们错误地以为，只要引入AI、把设计需求喂进去，就能自动产出高质量的产品。”

“Mistakenly we thought that by just introducing artificial intelligence and ingesting the design requirements that we had, that that would produce a high-quality product.”
—— Charles Poon，福特车辆硬件工程副总裁

这句话基本把过去几年业界对AI的盲目乐观给戳破了。不少公司都有过类似的想法：上了AI，效率就能翻倍，质量就能提升，人力就能砍掉。但现实往往更复杂。

福特请回来的这批人，公司内部叫他们”gray beard”工程师——就是那种头发花白、在工厂摸爬滚打几十年的老法师。他们的经验不是AI能从设计文档里学出来的。有些故障模式，只有亲眼见过、亲手修过的人才知道该往哪里看。

不是放弃AI，而是重新分工

需要说明的是，福特并没有因此放弃AI。他们的做法是让这些老工程师来训练年轻员工，同时重新编程AI工具。换句话说，AI还是要用，但得有人盯着，得有人告诉AI什么是对的、什么是错的。

这个思路其实更务实。纯粹靠AI闭环的质量控制系统，在复杂制造场景里确实容易出纰漏。汽车有成千上万个零件，生产线环境每天都在变化，有些微妙的质量问题，传感器和算法不一定能捕捉到。

老工程师的价值在于，他们能凭直觉发现那些”数据里看不出来”的问题。比如某个焊接点的颜色稍微有点不对，或者某批零件的公差虽然还在允许范围内，但趋势在往某个方向偏——这些判断，靠的是几十年的手感。

钱算出来了

这套”老人+AI”的组合拳，目前看起来是有效果的。福特CEO Jim Farley说，保修和召回成本下降了，这给公司省了好几亿美元的成本。本周发布的JD Power新车质量调查中，福特在主流品牌里排到了第一。

这个例子其实给整个行业提了个醒。AI确实能提高效率，但”AI替代人类”这个故事，在涉及安全和高可靠性的制造领域，可能还需要更长的时间才能实现。或者说，更现实的模式是AI辅助人类，而不是AI取代人类。

其他汽车厂商估计也在盯着福特的做法。如果”gray beard”工程师真的能系统性地提升质量，这可能会成为行业的新标配——不是裁员，而是重新分配人力，让最有经验的人做最有价值的事。

AI 算力需求把数据中心的每一寸 GPU 都榨到了极限，然后细菌开始滋生了。液冷芯片用的液体是水和抑菌剂的混合物。为了让芯片跑得更热、效率更高，数据中心管理员可以调高水的比例——但这也会导致讨厌的污染，把流道堵住。解决办法是冲洗系统，但这可能意味着一台机架要停机五六个小时，代价可能高达数百万美元。

微型光谱仪盯着冷却液

Omen AI 有一个解决方案：一个可以实时监控冷却液体健康的微型光谱仪，在细菌滋生变成大问题之前就能发现。”你不会因为对化学反应一无所知而冒长时间停机的风险，”CEO 兼创始人 Zach Laberge 解释道。今天，Omen AI 宣布完成 3100 万美元 A 轮融资，由 Nava Ventures 领投，CRV、Vanderbilt University、Mann+Hummel、Starhill Holdings 和 Hard Launch Capital 参与，还有来自 Bridgestone、GM、Johnson Controls 和 TensorWave 高管的个人投资。

Laberge 的创业经历挺特殊。他 2020 年第一次创业的时候才 14 岁，融了 300 万美元给工程机械设备装传感器，后来从高中辍学（他父母，包括曾任安大略省教育部长的母亲，支持他走自己的路）。那家初创公司倒闭之后，Laberge 2024 年创立了 Omen，初衷是把流体系统作为重点，让工程机械能智能判断什么时候需要维修——用实时感知替代耗时取样送实验室的传统流程。除了细菌滋生，这个设备还能通过检测到铜或铬来判断水泵磨损，或通过硅来判断密封件问题。

Caterpillar 的经销商是 Omen 工程机械业务的重要早期客户，但 Cat 同时也是数据中心现场发电用燃气轮机和发电机的主要供应商。Omen 很快就看出了风向。

从工程机械到数据中心

大约六个月前，”很多经销商都说，嘿，我们开始给涡轮机装传感器了，你们能在建筑这边做点什么吗？”Laberge 告诉 TechCrunch。Omen 发现那些建筑里到处都是流体，从暖通空调系统到芯片冷却。看到一个快速增长的潜在客户群，Omen 开始聚焦数据中心。

Nava Ventures 合伙人 Cory Rellas 说，”很难看到这么年轻的创始人在一个节奏相对较慢的领域里，赢得成熟的大公司的尊重。对 Omen 来说，我们的尽职调查很大程度上是通过介绍给大客户完成的，很快就验证了他们的方案。”

• 实时流体监控：替代取样送实验室的传统方式，光谱仪直接出结果
• 细菌检测：在冷却液污染堵塞流道之前发现问题
• 磨损预警：通过金属离子检测提前发现水泵或密封件问题
• 避免停机：不用为了检查而关停机架，节省数百万美元潜在损失

Omen 自 2024 年创立以来已融资 4000 万美元，目前正在与十几家数据中心客户共同完善产品，包括基于 AMD 芯片构建 AI 计算云的 TensorWave。TensorWave 总裁 Piotr Tomasik 说，”这些大规模系统中流动的流体是一个关键变量，行业内大多数人对此一无所知。Omen 对基础设施未来的看法和我们完全一致：更好的监控来最优地支持计算客户。”

这个领域不只是 Omen 一家在玩——Pyxis 这家成熟的水质监测公司本月早些时候也推出了数据中心冷却液监控产品。但 Omen 的优势在于光谱技术和信号处理的结合，Laberge 说，”硬件已经便宜到可以在规模上部署，信号处理让我们能从噪声中提取更多信息。”

Jay Li 不太推荐别的创业者在起步阶段被特斯拉起诉——但他说，这件事可能反而让他的公司更强大了。这位前 Tesla Optimus 人形机器人项目的技术负责人，去年被老东家告上法庭，指控他卷走了商业秘密去创业。几个月互相试探证据之后，双方终于在 6 月初达成和解，特斯拉撤诉。现在 Li 可以自由地去解决那个他眼中更难的问题了：让机器人手真正像人的手一样工作。

从特斯拉被告，到拿到1100万美元融资

Li 在接受 TechCrunch 独家采访时把这段经历比作”抗压测试”。他的公司 Proception 刚刚宣布完成 1100 万美元种子轮融资，由 First Round Capital 领投，Y Combinator 和早期基金 BoxGroup 跟投。与此同时，Proception 也开始向”研究者和机器人公司”交付首批”高灵巧机器人手”，并开放更大范围的订单。

Proception 的目标很明确：成为那些不想自己花时间搞”灵巧操控”的公司的手供应商。这个市场听起来小，但实际上卡住了整个人形机器人行业——Elon Musk 自己就说过，机器人手是迄今尚未解决的最大工程难题之一。业界共识是，做出能媲美真手的机器人手，还得等好几年。Northwestern University 机器人中心主任 Kevin Lynch 去年告诉华尔街日报，他觉得至少还得十年才能”功能完备、实用，能做人手能做的某些事情”。

马斯克一直说 Optimus 机器人几年内就能进工厂干活，但机器人手的问题，连他也没搞定。

22个自由度，手套收集数据

Proception 的手有 22 个自由度，每根手指多个关节，能实现”大范围的灵巧动作”。但 Li 觉得，硬件只是问题的一半——另一半是数据。目前大多数训练人形机器人的公司，用的是远程操作：人戴 VR 头显，看到机器人看到的画面，手动操控机器人。这种方法的缺点是，操控者感受不到机器人触碰物体时的反馈，而且能同时训练的机器人数量受限于公司手头有多少台。

Proception 的方案是一双装满传感器的手套。人类测试者戴上手套（和头显）之后，Proception 就能”在不需要机器人参与的情况下”采集人类手部交互数据。这双手套同样装在 Proception 正在开发的手上，充当它的”皮肤”。Li 说这种方法能采集到更精细、更针对具体任务的数据，也更容易规模化。

• 硬件和数据的结合：光有高灵巧硬件不够，还得有可规模化的数据采集方式
• 22 个自由度：每根手指多个关节，能实现接近人手的灵巧度
• 传感器手套：既能采集训练数据，也直接装在机器人手上当”皮肤”

First Round 合伙人 Bill Trenchard 说，他支持 Li 的一个重要原因，是看中他们同时做硬件和数据的路线。”我们认为他们会拥有市场上最好的手，也许是今天最精密的手，还有支撑它的底层数据和模型。”他还提到，Li 在被前东家起诉期间保持冷静，给他留下了深刻印象。

Li 自己也挺有信心。经历过特斯拉那个”硬核诉讼部门”的考验之后，他觉得将来特斯拉反过来找 Proception 合作，也不会让人意外。”我觉得会有这一天的。”他说。