跨国深谈← 返回←Kriti Sharma：戴安全帽的AI，三周落地

Kriti Sharma：戴安全帽的AI，三周落地

关联

人物 Kriti Sharma · Craig Smith

公司 Nexus Black · IFS · Anthropic · William Grant

概念 智能体 · Resolve · 知识表征 · 管道和仪表图 · 边缘推理 · 领域训练 · 生产级代码 · 适航指令 · 灾难响应

这一集是 IFS 旗下新部门 Nexus Black 的 CEO Kriti Sharma，聊她们怎么做工业现场的 AI。Nexus Black 专门给能源、制造、航空这些重资产行业构建 AI 解决方案，Kriti 的原话是「你想一下戴着安全帽的 AI，那就是我们」。

她做了一个挺大胆的声明：跟客户合作，大约三周就能看到价值。她自己在 AI 行业干了十几年，说自己是最讨厌 AI 炒作的人——但她的底气来自一个做法：必须深入一线。

不在现场，就做不成

Kriti 举了个很具体的例子：现场技术员跟她们说，如果我得脱了安全手套才能在设备上打字，那我干脆不用。这句话直接决定了产品形态——不能用键盘输入，得用语音。

还有一个细节：你可能觉得用图像模型扫一扫设备就能诊断问题，但跟工程师聊完才知道，很多时候设备要出故障的第一个信号不是视觉上的，而是振动或压力的变化。这些只有泡在现场才能知道。

更极端的情况：海上设施，太平洋里没有 Wi-Fi。她们的解法是把知识压缩后部署到设备端，在边缘侧跑推理，不依赖网络连接。

威士忌酒厂的案例

她详细讲了一个客户 William Grant（威士忌品牌）的蒸馏厂项目。现场有两个核心问题：一是机器出故障时，技术员大约 38% 的时间花在紧急修复上，工厂停产就损失批次；二是真正懂设备的老师傅太少，但产能在扩张，人手不够。

她们在现场观察技师怎么工作、工厂怎么运转，然后构建了整个工厂的**知识表征**（knowledge representation）。这里有个关键技术难点：工厂里设备之间的关系——哪个泵连着哪个密封件、上下游怎么影响——都记录在一种叫「管道和仪表图」的复杂工程示意图里，不是普通人能看懂的格式。

她们拿 Anthropic 的 Claude 做领域训练，让模型能读懂这些工程图。这样当某个部件出问题时，系统不光知道哪里坏了，还能看到它对上游和下游的影响，然后给一线工人生成像工程师写的一样的详细操作指令。

结果：据客户自己评估，仅这一家工厂，每年预计节省约 840 万英镑。

Resolve 产品怎么用

这个能力被做成了一个叫 Resolve 的独立产品，面向工厂和现场的一线工人。它通过传感器持续监控工厂的温度、压力、噪音、图像、视频，结合历史故障模式，在问题发生前就预警。然后读取工程原理图，分析上下游影响，生成操作指令。

工人不用打字，通过语音在手机上交互——用的是工厂环境批准的防爆手机。不需要专门硬件，就是他们自己的手机。

航空合规：差一点都不行

另一个场景是航空公司的适航性合规。每次 FAA 或飞机制造商发布服务通告或适航指令，都是几百页的文档，里面有文字、有图片、有零件详细规格。

搞错的代价极其具体：每次搞错，面临 100 万到 2000 万美元的监管罚款；如果因为没及时处理而停飞机队，每天损失 1.4 亿美元收入；最坏的情况是人命风险。所以「差不多对」不是一个选项。

她们的系统读取这些指令，跟已有的机队信息（每架飞机的尾号、所有零件）做比对，自动规划哪些飞机需要做什么、哪个零件要换掉。而在这之前，这些全是人类工程师手动处理的。

灾难响应：最让她起鸡皮疙瘩的场景

Kriti 说最贴近她内心的是公用事业领域的灾难响应。暴风雪、飓风、野火、大停电——当这些发生时，一线工人的工作环境极其恶劣：基础设施可能泡在水里，他们得从各地紧急汇聚，在沃尔玛停车场碰头，靠口头协调去恢复供电或疏散居民。

她们正在跟 Anthropic 合作，利用模型的新能力——不只是回答问题或推理，而是在长期规划上采取行动。目标是协调这种复杂的灾难响应行动。她说今年年初加州野火时合作过的人给她发消息说，这东西能帮社区更快恢复供电、让医院更快亮起来——她说到这时候真的起了鸡皮疙瘩。

为什么小团队能做到

她回应了一个行业观察：现在很多 AI 公司人很少但创造的价值很大。Nexus Black 也是这样——一小群精英 AI 工程师加上深厚的领域专家，自己用 AI 工具来构建生产级解决方案，几周就能交付。

关键在于不越界：只做制造、公用事业、航空国防、电信建筑这些行业，不做别的。这样每进一个新客户，之前积累的领域理解（比如已经教会 AI 读工程图了）就能直接复用，专业化可以规模化。以前可能需要几百名工程师花几年才能让一套软件在制造业供应链跑起来，现在时间线大幅缩短。

本集带走

• 三周出价值的前提是人在现场：不是远程调研，是真正泡在工厂、机库里，观察工人怎么操作、受什么约束，否则连「不能用键盘」这种基本需求都抓不到
• 第一个故障信号不一定是视觉的：振动、压力变化这些非视觉信号在现场很关键，只有跟工程师聊才知道
• 让 AI 读懂工程图纸是工业落地的硬门槛：管道和仪表图这类复杂工程示意图不是普通文档，需要专门做领域训练
• 「差不多对」在物理世界不成立：航空合规场景下，搞错一次罚款上千万美元、停飞一天损失 1.4 亿美元，产品必须是生产级的
• 深耕少数行业，专业化才能规模化：不跨行业，在一个行业里解决的问题（如读工程图的能力）可以直接复用到下一个客户

你想一下戴着安全帽的 AI，那就是我们。
You think about AI with a hard hat on, that’s us.
—— Kriti Sharma · [01:44]

我们深入一线，我们在机库里度过周末，我们在炼油厂和工厂里度过白天，我们与现场技术人员一起旅行，以便我们构建那些不允许失败的东西。
We go on the ground, we spend weekends in hangars, we spend our days in refineries and factories, and we travel along with the field technicians so that we build things where failure is not an option.
—— Kriti Sharma · [01:48]

当我们与现场技术员合作时，他们告诉我们，如果我必须脱下安全手套来在一个小玩意上打字来使用你的小玩意，我就不会去做。
When we work with field technicians, they tell us, if I have to take my safety glove off to type into a thingy to use your thingy, I’m just not going to do it.
—— Kriti Sharma · [05:16]

现在这些东西，如果你看它，我怎么理解它，除非我是一个有 20 年工作经验的在岗工程师？
Now these things, if you look at it, how do I even make sense of it unless I’m an engineer on the job with 20 years of experience?
—— Kriti Sharma · [09:46]

我认为比定制更重要的是深厚的领域理解。
I think more important than bespoke is deep domain understanding.
—— Kriti Sharma · [11:57]

现在的魔力在于，以前这需要很多人，可能甚至数百名工程师，数年的努力，才能使某种技术或软件在制造业供应链中工作。
The magic now is previously it would have taken a lot of people, maybe possibly even hundreds of engineers, years worth of effort to make some sort of technology or software work for manufacturing supply chain.
—— Kriti Sharma · [12:43]

每次航班起飞，大约有 400 条生命处于危险之中。
Every time a flight takes off, about 400 lives are at stake.
—— Kriti Sharma · [14:56]

每次你搞错了，你可能面临 1 到 2000 万美元的监管罚款。
Each time you get it wrong, you could be faced with a $1to$20 million regulatory fine.
—— Kriti Sharma · [17:22]

如果你必须停飞机队，因为你不能及时完成这项工作，你说的就是每天 1.4 亿美元的收入损失。
If you have to ground the fleet because you couldn’t do this in time, you’re talking about $140 million in lost revenue per day.
—— Kriti Sharma · [17:28]