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。
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*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，*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*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。
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。
*，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。
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。
