作者 | 铅笔道 松格

编辑 | 铅笔道 王方

封面图丨思谋科技公众号

一位复旦教授，造出 14 万 AI 工人，最近冲刺 IPO。

2000 年，思谋科技创始人贾佳亚从复旦毕业时，计算机视觉还是个冷门方向。他没想到，二十多年后，自己会给中国工厂造出 14 万个 "AI 工人 "。

这些 "AI 工人 "，能帮工厂做质检，帮工厂省人、省钱、提效率。

2025 年，思谋科技收入 10.86 亿元，同比增长 43.7%。但一翻开它的利润表，可能会让人意外：去年净亏损 9.91 亿元。

亏 10 亿，收 11 亿，这账怎么算，这个赛道健康吗？资本市场很快会给答案。

- 01 -

一位教授，造出 14 万 AI 工人

2000 年，从复旦大学毕业的贾佳亚，选择去香港中文大学攻读计算机视觉。在当年，这个领域非常冷门，几乎没多少人关注，他只是单纯喜欢图像的直观感，也热爱摄影，就一头扎了进去，没多想未来的行业前景。

没想到，这一坚持就是二十多年。期间，他一直专注计算机视觉，一步一步做研究，没有停过。他发表了 200 多篇顶级期刊和会议论文，累计被引用超过 7 万次。

他是香港中文大学终身教授、香港科技大学讲座教授，还成为了 TPAMI 期刊创刊 40 多年来，第一位华人视觉方向副主编。

更重要的是，他带出了很多学生，其中就包括商汤科技 CEO 徐立这样的行业人物。

2017 年，贾佳亚决定走出象牙塔，进入产业界，加盟腾讯优图实验室。

两年时间，他看到了 AI+ 工业的痛点。2019 年，贾佳亚创办思谋科技，切入智能制造。

最开始，思谋做的是 AI 视觉软件，主要帮工厂检测产品缺陷。但团队很快发现：只给软件，根本解决不了工厂的问题。

因为在真实产线上，检测不是一个 " 单独环节 "，而是整条生产线的一部分。它必须和机械设备配合，必须实时做判断，必须直接给出执行结果，甚至要形成完整闭环。

也就是说，光有 " 看得懂 " 的软件是不够的，工厂更需要的是 " 能动起来 " 的系统。

基于此，思谋做出关键调整：不再只卖软件，而是升级为一整套可以落地运行的智能系统。

这就是他们后来的核心产品——工业 AI 智能体：AI 模型负责看、识别、做判断；视觉系统负责采集画面和信息；机器人负责实际操作；云边系统负责统一调度、快速部署。

简单说，思谋不再卖工具，而是给工厂造 "AI 工人 "。

根据招股书数据：2023 年，工业 AI 智能体收入占比 62.4%；2024 年，提升至 73.8%；2025 年，进一步达到 78.5%；三年时间，这项业务从辅助，变成了绝对核心。

2025 年思谋收入约 11 亿元，同比增长约 44%；工业 AI 智能体业务复合增长率高达 67.8%；累计落地超过 14 万台工业 AI 智能体；服务超过 730 家制造业客户。

- 02 -

工厂的痛

思谋科技的背后，是制造业升级的大风口：AI+ 质检。

在 AI 进入工厂之前，制造业的质检基本只有两条路，而且都有明显短板。

一种是人工检测。以普通中型电子厂为例，一条手机零部件检测线，可能需要超 10 名质检员轮班盯着，不仅成本高，还容易疲劳出错，漏检率大概在 5%，质量很难稳定。

另一种是传统机器视觉。靠工程师手动写规则、定标准来识别缺陷，但工业场景太复杂，规则根本写不完。

根据《2025 工业 AI 视觉应用效果白皮书》数据：遇到高反光金属表面，传统视觉失效概率高达 40%，遇到非标准形变产品，失效概率也有 35%。

这就造成一个很现实的局面：截至 2024 年底，国内制造业自动化普及率已经达到 78%，但智能化普及率只有 32%。

这意味着：机器能干活，却不会 " 思考 "，更没法灵活判断复杂情况——而这，成了思谋科技的机会。

这个赛道，之前的老玩家是康耐视、基恩士、奥普特等老牌企业，它们能提供 " 视觉工具 "，可用于质检。客户买回去后，需要集成到自己的产线上。

而思谋科技的核心是工业 AI 智能体，提供的是端到端的 AI 质检 + 智造整体方案。

工业是 AI 未来几年的关键应用场景。

根据思谋科技招股书披露的行业数据，全球工业 AI 市场规模 2020 年约 1240 亿元，2025 年约 5109 亿元，年复合增长率 32.7%；中国市场增长更快，2020 年规模 420 亿元，2025 年约 2010 亿元，年复合增长率 36.8%。

招股书显示，工业 AI 之所以在近几年集中爆发，主要有三股核心推力。

第一，制造业被逼着升级。

2020-2025 年，制造业一线工人平均月薪从 4800 元上涨至 6800 元，5 年涨幅达 41.7%。

同时行业对品质要求持续拉高：电子行业产品合格率标准从 95% 提升至 99.5%，汽车零部件行业从 98% 提升至 99.8%。

企业不用 AI，已很难扛住成本与质量双重压力。

第二，AI 技术终于能用了。

《工业大模型白皮书 ( 2025 年 ) 》指出，传统 AI 模型需 10 万 + 标注样本才能适配工业场景，而多模态大模型仅需 1 万 + 样本即可完成训练，标注需求减少 60%。

第三，部署成本大幅下降。

据招股书显示，2023 年，一套工业 AI 系统定制化部署平均成本约 50 万元；2025 年在云边协同架构下，成本降至 28 万元，降幅达 44%。

其中 GPU 算力成本从 15 万元降至 9 万元，数据标注成本从 20 万元降至 12 万元，算法人力成本从 15 万元降至 12 万元。

- 03 -

关键趋势

AI 工业质检，当下正在发生几个变化。它正在从 " 精准 "，走向 " 能用 "，再走向 " 管得住整条产线 "。

过去大家理解的工业质检 AI，本质上还是一个 " 工具 "。摄像头拍一张图，模型判断有没有缺陷，然后输出 "OK / NG"。这在早期项目里已经算很先进。

但现在，这一套正在被重新改写。

1、从 " 单点检测 " 变成 " 产线能力 "。

最早的 AI 质检，只解决一个点：检测。但工厂的真实逻辑是 " 流水线系统 "。于是新的变化是：AI 不再只是 " 看 "，而是开始进入整条产线。

比如，检测结果要直接驱动机械臂剔除不良品，或者实时反馈给设备，自动调整参数。

AI 开始从 " 判断工具 "，变成 " 生产系统的一部分 "。

2、从模型能力到工程能力。

过去行业比的是模型精度，比如准确率、召回率。现在工厂更关心的是另一件事：能不能稳定跑一年不出问题。

于是评价标准发生变化：不再只看实验室数据，更看现场稳定性，更看极端环境适应能力，更看维护成本。工业 AI 开始从 " 算法问题 "，变成 " 工程问题 "。

3、从 " 局部替代人工 " 到 " 全流程无人化 "

早期的目标是：让 AI 帮人减负。现在目标变成：让某些产线 " 尽量无人化运行 "。

比如：检测、判断、剔除、反馈、调整，整个链路尽可能自动完成。AI 质检不再只是 " 辅助岗位 "，而是在尝试进入 " 生产决策链 "。

如果说过去十年，AI 在工业质检领域做的是 " 让机器看得见 "。

那么现在这一轮变化更重要：它正在让机器不仅 " 看得见 "，还要 " 做得了决定 "，甚至 " 参与生产运行 "。工业 AI 正在从一个技术模块，变成工厂的基础设施。

本文不构成任何投资建议。