在工业自动化向智能化跃迁的关键节点，一则AI新闻引发了行业关注：上海追知工程科技有限公司（简称“追知工科”）近日完成数千万元种子轮融资，由L2F光源创业者基金、尚融资本、一村资本联合投资。这家成立于2024年2月的AI创业公司，凝聚了上海交通大学材料科学与工程学院的科研积淀，以及来自特斯拉Autopilot团队的计算机视觉顶尖人才，试图用“垂域工业智能体”重新定义材料加工制程的自动化逻辑。当传统工业机器人困于预设规则的牢笼，追知工科选择了另一条路——让机器像工匠一样“理解”材料、感知过程、自主调整工艺参数。这不仅是技术路径的差异化，更可能成为制造业应对柔性生产与熟练工人短缺的破局钥匙。
从独角兽到创业：一位工业自动化老兵的AI新战场
创始人袁琳的履历堪称工业自动化领域的“老兵”样本。她曾作为非夕科技的业务合伙人，推动这家机器人公司成长为估值超过10亿美元的独角兽；在此之前，她担任上市智能装备集团华昌达的董事长/CEO执行助理兼集团销售总监，更早则在ABB中国主导过长安福特、吉利汽车等亿元级产线项目。这些经历让她对传统工业自动化的边界有着切身体会：标准化、规则明确的产线任务已经被ABB、发那科等巨头用机械臂和PLC系统覆盖得较为充分，但那些“非标、高复杂度、依赖老师傅手感”的工艺制程，始终是自动化率极低的盲区。
袁琳对AI新闻的观察者坦言，过去十年工业领域最大的变化并非技术本身，而是企业对“AI能否真正落地”的认知转变。从2016年AlphaGo引爆深度学习浪潮，到如今大模型在文本、图像领域的爆发，工业界逐渐意识到，AI不只是用于质检或预测性维护，而是有可能直接介入“加工”这一核心环节。追知工科正是在这种背景下成立——它没有选择时下火热的通用人形机器人路线，而是精准切入打磨、焊接等材料加工制程。这些环节直接影响制造精度、加工效率及产品良率，同时也是目前自动化程度最低、对工人经验依赖最高、人工工时成本最高的痛点区域。
值得注意的是，追知工科的核心团队构建了“材料机理+人工智能”的双重底座。材料科学方面，上海交通大学材料科学与工程学院特聘教授李铸国（全球前2%顶尖科学家）深度参与，确保对各类材料（如碳纤维、铝合金、钛合金）加工过程中的物理变化有底层认知；人工智能方面，曹光植博士曾担任特斯拉Autopilot计算机视觉主任科学家，其在自动驾驶端到端感知系统中的积累，为工业智能体提供了“看”和“决策”的能力。这种跨学科的组合，在AI创业公司中并不多见，也构成了其技术壁垒的根基。
垂域工业智能体：破解非标工艺的“无人区”
传统工业机器人的工作逻辑是“编程-执行”的线性模式：工程师通过示教器或离线编程设定好轨迹、速度、压力等参数，机器人重复执行。这种方式在面对表面凹凸不平的铸件、不同批次材料差异、以及复杂曲面打磨时，往往捉襟见肘——因为任何微小的形貌变化都可能导致过磨、欠磨甚至工件报废。这正是“老师傅”的价值所在：他们能根据火花、声音、手感实时调整力度和角度。
追知工科推出的垂域工业智能体（WOLIF Industrial Agentic Robot）试图将这种“工匠直觉”数字化。其核心是一套称为“工业大脑+工艺小脑”的自研AI工业控制体系。据袁琳介绍，这套系统并非简单地将传感器、工业机器人与AI算法进行组合，而是围绕真实工业量产制程的物理交互全过程，构建了完整的策略先验、感知、决策和自调整执行系统。具体来说，“工业大脑”负责基于材料机理和工艺知识库进行先验判断，在加工开始前就预判出最佳工艺参数范围；“工艺小脑”则通过实时感知（视觉、力觉、触觉等多模态数据）持续监控加工状态，并动态调整运控参数，实现制程作业全过程的闭环自主可控。
这一技术路径与当前很多AI创业公司热衷的“通用大模型”方向形成鲜明对比。袁琳认为，通用AI追求万物通用，但工业制造需要精准专精——真正的工业智能不能只懂运动控制，必须理解金属、复合材料在加工过程中的物理变化。例如，打磨碳纤维与打磨铝合金的机理完全不同：碳纤维对温度极其敏感，过热会导致树脂基体软化甚至烧蚀；而铝合金则需要控制切削力以避免粘刀。这些知识无法通过单纯的文本训练获得，必须结合材料科学实验数据与现场工艺反馈。
与此同时，追知工科的产品设计也体现了对行业痛点的精准把握。目前，该公司已与一家A股上市公司完成首单合作并实现交付，同时获得航空制造领域千万级订单。其自主研发的第一代表面处理工业智能体FAST，已在航空零部件制造等高精度场景完成验证。航空零部件对表面质量的要求极高——任何微小的划痕或残余应力都可能成为疲劳裂纹的起点，这恰恰是传统自动化难以胜任、而AI智能体可能大显身手的领域。
“工业大脑+工艺小脑”：自研AI控制体系的技术纵深
“AI工业最大的难点不是某一个单点技术，而是一整套能力体系。”袁琳在与笔者的交流中反复强调这一点。追知工科的技术架构可以拆解为三个层次：首先是材料机理层，这是理解“为什么这么做”的基础；其次是硬件系统层，包括机器人本体、末端执行器、电机、传感器以及AI控制底板，这些硬件必须围绕具体工艺持续优化；最后是算法层，即“工业大脑+工艺小脑”的闭环控制逻辑。三者的关系并非简单叠加，而是相互耦合——算法建立在材料机理和硬件性能之上，而硬件设计又需考虑算法对数据的需求。
从具体实现看，追知工科的自研工业大脑采用了“策略先验”机制。与传统AI模型需要大量标注数据不同，材料加工领域的物理规律大部分是已知的（如牛顿力学、热力学、摩擦学），因此可以先利用这些先验知识构建仿真环境，让AI在虚拟空间中快速迭代策略，再迁移到真实场景中微调。这种方法大幅降低了数据采集成本，同时避免了真实加工中因试错导致的工件报废。而“工艺小脑”则借鉴了端到端自动驾驶的技术思路：将视觉、力觉、触觉等多模态信息融合，通过时序神经网络预测加工状态的变化趋势，并生成控制指令。
值得一提的是，曹光植博士在特斯拉Autopilot团队积累的端到端感知系统经验，被巧妙迁移到了工业场景。在自动驾驶中，车辆需要实时感知周围环境并做出决策；在工业智能体中，机器需要实时感知工件表面形貌、材料去除量、工具磨损等信息，并动态调整进给速度、压力、角度等参数。两者的底层逻辑高度相似，只是“道路”变成了“加工路径”，“障碍物”变成了“材料局部缺陷”。这种跨领域的技术复用，让追知工科在算法层面具备了独特优势。
当然，技术深度并不意味着闭门造车。袁琳透露，追知工科在商业模式上正加速形成“硬件本体+工业大脑+工艺数据服务”的三层产品销售体系。这意味着客户不仅购买机器人本体，更购买伴随整个产品生命周期的工艺优化服务——随着智能体在更多场景中作业，积累的工艺数据反过来又能进一步提升模型精度，形成数据飞轮效应。这一模式与AI工具导航中常见的“工具+内容”的SaaS逻辑有异曲同工之处，但工业场景的壁垒更高、粘性更强。
商业化落地：从航空零部件到千行百业的扩张路径
“我们的策略是先解决最真实、需求最迫切的问题。”袁琳在介绍公司发展规划时，明确给出了扩张逻辑——不是按行业，而是按材料和工艺能力。例如，一套成熟的碳纤维加工能力，可以迁移到汽车、体育器材、消费电子等多个行业；一套铝合金焊接能力，可以应用于航空航天、新能源、3C等领域。真正的泛化来自对底层工艺的深度理解，而非追逐覆盖更多产品行业。
目前，追知工科的首个落地场景是航空零部件制造。这一选择背后有深刻的产业逻辑：航空航天领域对打磨、焊接等工艺的需求极为旺盛，而且这些工艺往往涉及高价值、高精度的复杂零件，人工操作风险大、成本高，企业有强烈的自动化意愿。同时，航空领域的客户一旦认可，往往会形成长期合作关系，并带来行业标杆效应。追知工科获得千万级航空订单，正是其技术能力得到验证的标志。
从长远来看，追知工科的目标是成为“工业制造领域的智能工匠”。但这一愿景的实现，需要跨越从单点应用到规模化复制的鸿沟。袁琳认为，关键在于建立“工艺知识库”的标准化体系。不同行业、不同材料的加工工艺虽然千差万别，但底层物理规律是相通的。追知工科正在构建一套可复用的工艺参数模型，当面对新场景时，只需输入材料属性和加工需求，智能体就能自动生成初始工艺参数，再通过少量现场微调即可适配。
这一过程与AI画图工具的原理类似——用户输入“一只猫在草地上”，AI就能生成一张符合语义的图像；在工业场景中，用户输入“打磨6061铝合金至Ra0.4表面粗糙度”，AI就能生成一套完整的工艺参数方案。虽然工业场景的约束条件更加复杂，但技术路径的相似性，让追知工科有机会借鉴生成式AI的发展经验。此外，文生图领域的扩散模型、注意力机制等技术，也可能在工业感知与决策中找到新的应用场景。
值得注意的是，追知工科的商业化进展并非一帆风顺。在融资新闻之外，行业里仍有许多质疑声：垂域工业智能体是否真的能替代老师傅？AI控制的稳定性和可靠性如何保障？袁琳承认，工业场景对失败零容忍——一个错误的工艺参数可能导致整批工件报废，因此追知工科在初期选择与客户深度绑定，采取“先验证、后推广”的策略。目前，公司已与多家航空、汽车领域的头部企业建立了联合实验室，通过小批量试制积累数据，逐步建立信任。
投资人视角：为什么是“追知工科”获得资本青睐？
在AI融资整体趋于理性的2024年，追知工科能获得数千万元种子轮融资，且投资方包括L2F光源创业者基金、尚融资本、一村资本这样背景多元的机构，本身就反映了资本对“硬科技+产业落地”组合的偏好。L2F光源创业者基金专注早期科技投资，尚融资本深耕产业并购，一村资本则擅长跨境技术与产业整合——三家机构的联合，意味着追知工科的技术方向得到了从早期到产业资本的多维度认可。
从市场大环境看，AI创业公司正在经历从“讲故事”到“造价值”的转向。过去两年，大模型领域的疯狂融资让很多AI创业公司获得了高估值，但真正落地到工业场景的产品屈指可数。相比之下，追知工科从成立之初就瞄准了明确的制造业痛点，并且已经拿到实际订单，这种“技术+商业”的闭环能力在种子轮阶段尤为稀缺。
更深层的原因在于，中国制造业正在经历一场由“人口红利”向“技术红利”的转型。熟练工人短缺、年轻一代不愿进工厂、高端制造对精度要求持续提升——这些结构性矛盾为AI工业智能体创造了巨大的市场空间。据国际机器人联合会数据，中国工业机器人密度已达到每万名员工392台，但大部分集中在汽车、电子等标准化领域，在材料加工、装配等非标领域，自动化率仍然很低。追知工科瞄准的正是这块“无人区”。
此外，投资机构对“AI+材料科学”的交叉创新也表现出浓厚兴趣。传统AI创业公司往往只具备算法能力，缺乏对底层物理世界的理解；而材料科学领域的创业公司又往往缺乏AI算法人才。追知工科通过上海交通大学的产学研合作，以及曹光植博士的自动驾驶背景，实现了两者融合。这种“Know-How”壁垒，很难被单纯靠大规模数据训练的通用AI模型所突破。
当然，挑战同样存在。工业场景的客户决策周期长、定制化需求高，对创业公司的现金流和团队韧性要求极高。袁琳坦言，未来公司需要持续投入核心产品研发，同时在团队建设上吸引更多既懂AI又懂工艺的复合型人才。AI工具导航上的许多AI创业公司，往往因为过度追求技术先进性而忽视了市场教育成本，追知工科能否避免这一陷阱，还有待时间检验。
未来展望：AI工业智能体如何重塑制造业格局
当“AI”与“工业”这两个词碰撞在一起，技术乐观主义者会看到一座金矿，而保守主义者则看到无数技术陷阱。从追知工科的案例中，我们可以窥见一条可行的路径：不是用通用AI去替代一切，而是聚焦特定工艺环节，以“工匠精神”打磨算法与硬件，最终实现从“执行机器”到“智能工匠”的进化。
这一趋势与企业数字化转型的浪潮高度契合。越来越多的制造企业意识到，仅仅购买几台机器人并不能解决根本问题——真正的转型需要从工艺层面重新定义生产流程。追知工科的产品，本质上是在提供一种“AI工艺服务”，而不仅仅是卖硬件。这种服务模式一旦成熟，将深刻改变工业自动化市场的竞争格局：传统的机器人厂商（如ABB、发那科、库卡）将面临来自AI原生公司的挑战，因为这些新玩家更懂工艺、更懂数据、更懂如何让机器“学习”。
从更宏观的视角看，AI新闻中频繁出现的“工业智能体”概念，正在成为继“工业互联网”、“数字孪生”之后的下一个热点。但不同于前两者侧重连接与仿真，工业智能体更强调“自主决策与执行能力”。追知工科的实践表明，这一能力的关键不在于模型参数规模，而在于对物理世界的深刻理解。正如袁琳所说：“通用AI追求万物通用，工业制造需要精准专精。”
对于普通用户来说，工业智能体或许离生活很远，但它的影响却无处不在。更精密的航空发动机叶片、更轻量化的汽车车身、更耐用的消费电子产品——这些产品的背后，都离不开打磨、焊接等基础工艺的进步。当AI让这些工艺变得更智能、更可靠，最终受益的将是每一个消费者。
而站在AI创业公司的角度，追知工科的故事也给后来者提供了启示：在AI浪潮中，与其追逐最热门的赛道，不如回到产业最深处，解决那些“脏活累活”。正如抠图工具解决的是设计师的重复劳动，艺术签名工具满足的是个性化表达需求，追知工科解决的是制造业老师傅的“手艺传承”问题——这些看似“小”的切口，往往能长成参天大树。