Articles

引言 近年来，中国回收与再生资源行业对 AI 的关注迅速升温。从智能分拣、数据分析看板，到价格预测和产能优化，越来越多企业开始尝试将 AI 引入业务流程。 然而，在实际落地过程中，相当多的 AI 项目并未带来预期的经营成果。 问题并不在于 AI 算法不够先进，而在于 AI 没有真正融入工厂现场和业务系统。

在中国制造业推进 数字化转型 和 智能工厂 的过程中，一个常见的问题是： 工厂系统架构应该采用 ISA-95，还是 RAMI 4.0？ 结论先行：这个问题本身并不完全正确。 ISA-95 与 RAMI 4.0 并不是相互竞争的标准，而是解决 不同层级、不同维度问题 的两种架构思想。对于希望在规模、效率与可持续性上长期发展的中国制造企业来说，正确的做法是合理地结合使用二者。 本文适合以下读者： 工厂负责人、制造负责人 IT / 信息化 / 工业互联网团队 正在规划 MES、智能工厂或工业升级的中国制造企业

在过去几年里，低代码 / 无代码平台 一度被视为“软件开发的未来”。 它们的价值主张非常明确： 更快的交付速度 更低的开发成本 非程序员也能参与系统构建 这些优势在早期阶段确实极具吸引力。 但进入 2025 年后，低代码的热度明显下降。 低代码并没有消失， 但它 已经不再是技术创新的核心方向。 本文将从现实系统建设的角度，解释： 为什么低代码正在失去重要性 以及当前更具生命力的替代路径

在 2025 年，失败的并不是技术本身。这一点对中国企业而言尤为重要。 AI 模型持续进化，算力和硬件不断提升，云计算与开源生态日趋成熟。 然而，产品却以前所未有的速度走向失败——从 AI 设备、企业级平台，到消费级硬件与机器人创业公司，无一幸免。 本文并不是一份“失败产品清单”。 而是一篇复盘分析（Post-mortem）：为什么在拥有资金、技术与资源的情况下，产品依然会崩溃？这些问题对 中国企业、制造业与 IT/数字化团队 有着直接参考价值。

执行摘要 Agentic AI 已不再停留在研究阶段。对中国企业而言，它正逐步进入实际应用，用于提升运营效率、整合现有系统、推动数字化与智能化升级。 但需要注意的是，不同的 Agentic AI 采用了完全不同的设计理念。如果忽视这一点，可能会在安全、治理和长期运维方面带来风险。 本文将对以下三种主流路径进行对比分析： Manus（高度自主的 Agentic AI） OpenAI Agentic AI（由企业设计和控制的 Agentic AI） Google Agentic AI（深度集成于 Google 生态的 Agentic AI） 为中国企业在真实业务环境中的决策提供参考。

1. 中国医院语境下的“纵向整合”是什么 在中国医院中，纵向整合（Vertical Integration）指的是将以下环节打通为一个连续、可智能决策的整体系统： 患者 → 诊疗 → 检验 / 医学影像 → 医院运营 → 费用结算 / 医保 → 管理决策 目前大多数中国医院已经拥有： HIS / EMR LIS（检验系统） PACS（影像系统） 收费 / 医保结算系统 但现实问题是： 👉 系统之间“能传数据”，但“不理解彼此” AI 正是解决这一断层的关键技术。

过去几年，工业AI的讨论大多集中在AI模型本身： 模型精度、训练数据规模、算法先进性。 这些当然重要，但在迈向 2026 年的过程中，中国制造业正在发生明显转变。 真正决定成败的，不再是“用了什么模型”， 而是 AI 能否作为工业系统的一部分，长期、稳定、安全地运行。 正是在这个层面上，AI 加速器与软件框架开始成为关键。

为什么中国企业更需要“可靠的自动化”，而不仅仅是 AI 在中国的大中型企业中，电商系统、ERP、财务系统、仓储系统以及各类内部平台，往往是在不同阶段、由不同团队逐步建设而成。这种长期演进带来了常见的问题： 系统之间存在 API，但能力受限或不稳定 大量业务仍依赖 CSV、批处理或人工操作 一次业务流程调整，往往牵一发动全身，风险高、成本大 因此，管理层与 IT 团队经常会说： “我们希望自动化，但不能出错。” “AI 很有价值，但不能直接修改核心业务数据。”

当一个系统被称为“智能”，但其行为却不可预测时，带来的成本不仅是技术问题，而是会扩散到整个组织。 近年来，AI 与自动化系统在中国被广泛应用于 制造业、客服中心、物流、电商平台、企业内部系统以及公共领域。许多系统在立项和展示阶段看起来“先进”“智能”，但一旦进入真正的生产环境（7×24 小时运行），最关键的问题便暴露出来。 那不是“智能程度”，而是 可靠性（Reliability）。 本文将从 系统架构与工程实践 的角度，解析为什么不可靠的智能系统反而比简单系统成本更高，以及中国企业应如何设计真正可长期运行的 AI 系统。

本文从系统架构与实际落地的角度，对 GPU、LPU、TPU 进行对比分析，适用于 中国企业、工厂、互联网平台及技术团队。内容特别考虑中国市场常见的 大规模并发、成本敏感、国产化趋势、工程导向 等现实因素。 当 AI 项目从 PoC（验证阶段）走向 7×24 小时生产系统 时，几乎所有团队都会遇到同一个问题： “GPU、LPU、TPU，到底该选哪一种？” 结论很明确：不存在万能的 AI 芯片。正确的选择取决于以下关键因素： 是 模型训练（Training） 还是 推理（Inference） 对 延迟（Latency） 的要求有多高 是否需要与 业务系统（ERP / MES / 电商 / 客服系统） 深度集成

引言：为什么现在中国企业需要关注 LPU 在某大型企业级聊天机器人系统的实际运行中，测试阶段的平均响应时间约为 200 毫秒，但在工作日高峰或业务集中时段，延迟往往上升至 2–3 秒。其主要原因在于 GPU 上的资源竞争以及运行时动态调度带来的不确定性。同时，随着访问量增加，云端 GPU 成本也呈现出难以预测的增长趋势。 近年来，大语言模型（LLM）在中国企业中正迅速从研究和试点阶段，走向真实生产环境（Production）。无论是客户服务聊天机器人、语音助手、SOC 自动化、ERP 内嵌 AI Copilot，还是制造业中的智能看板，应用范围都在不断扩大。

用软件工程的视角理解网络安全（Cybersecurity） 为什么网络安全让很多软件工程师觉得“很难” 对许多软件工程师来说，网络安全往往像是一个完全不同的领域： 充满缩写词（SIEM、SOAR、IOC、IDS 等） 使用一套不熟悉的专业术语 听起来复杂、抽象、难以落地 但事实非常简单： 大多数网络安全概念，早已存在于软件工程之中。 区别只是“名称不同、对手不同”。 本文将把常见的 网络安全术语 映射为 软件工程中熟悉的概念，帮助工程师以工程化方式理解和构建安全系统。

为什么许多网络安全项目一开始就失败 许多中国企业希望“加强网络安全”，但实际落地后往往出现以下问题： 告警数量巨大，但无人真正响应 投入昂贵的安全产品，运维团队却无法有效使用 看起来很专业的仪表盘，却无法阻止真实攻击 系统严重依赖个别工程师，一旦人员变动，安全能力随之下降 真正的问题 不在于工具本身，而在于 系统架构设计（System Design）。

为什么“传统思想”在今天反而更重要 AI 可以比任何工程师更快地写代码。它可以在几秒钟内生成模块、重构代码、给出解决方案。但越来越多的团队正在发现一个看似矛盾的事实： AI 用得越多，经典编程思想就越重要。 本文将解释：为什么诞生于几十年前的编程原则，在 AI 时代不仅没有过时，反而成为 AI 能否被正确使用的前提条件。

面向真实作业现场的 POS 系统（中国市场版） 在这类业务中，每一秒都是成本，每一次失误都会侵蚀利润，而任何不清晰的数据都会演变为经营风险。 想象一下清晨的回收场景：卡车陆续进场，工作人员将废料放到电子地磅上，重量稳定后，数据自动进入 POS 系统，凭条即时打印，结算金额当场确认。无需手写记录，也无需再录入 Excel，更不会在事后因为“重量不一致”而产生纠纷。

“真正的问题在于，程序员在不重要的地方过度关注效率。” —— Brian Kernighan 当今的软件开发世界充满了各种框架、架构和工具。 而经典编程思维更关注的是：清晰、简洁，以及对问题本质的思考能力。 Brian Kernighan 与 Rob Pike（《The Practice of Programming》的作者）始终认为， 编程不是“快速敲代码”，而是理解问题、设计清楚、让解决方案易于理解和维护。

很多系统项目，一开始就从“答案”出发。 “我们需要一套系统” “我们想要一个数据看板” “能不能把软件和设备连在一起？” 在 Simplico，我们通常会刻意放慢这一刻。 并不是因为我们不擅长开发系统——恰恰相反。 而是因为我们的经验告诉我们： 过早开始写代码，是系统建设中成本最高的错误之一。 在讨论系统架构、数据库设计或硬件集成之前， 我们一定会先从 5 个基础问题 开始。

将《Good Strategy / Bad Strategy》的战略洞察，应用于中国市场的软件、硬件与系统咨询型项目

机器人的编号是 Unit-7。 它的动作很轻， 说话很慢， 在一句话与下一句话之间， 总会停顿得比必要的时间更久。

在中国企业推进业务自动化时，常常会遇到这样的问题： 发票流程自动化后，系统中断导致流程丢失 审批周期长，系统无法安全“暂停并恢复” SAP / ERP 系统老旧，没有可用 API 希望使用 AI，但不允许核心业务数据外发 财务、审计部门要求全过程可追溯 这些问题的根源，并不是 AI 不够智能，而是—— 👉 缺少一个可靠、可持续的流程编排基础设施。