导语：AI工具越来越强，一个人已能完成过去一个小团队的工作量，但真正把AI项目做成生意的仍寥寥无几。门槛究竟变低还是变高？本期「进取派会客厅」邀请开播以来最年轻嘉宾——华北电力大学人工智能专业大二学生李明杨，围绕数学建模、国家级大创项目与AI落地传统行业的真实痛点，分享一线观察。
数模与科创双线突围
李明杨目前就读于华北电力大学控制与计算机学院人工智能专业，学业成绩保持在年级前10，曾获北京市数学建模大赛省级奖项。他更为看重技术如何解决现实问题，目前作为项目负责人推进国家级大创课题——基于光谱信息的可回收垃圾识别系统。
该项目希望为垃圾分类设备装上「火眼金睛」：传统摄像头遇到破损、油污或颜色相近的垃圾容易误判；团队引入光谱分析，用低分辨率光谱相机做广域快速筛查，再用高精度光谱仪对复杂区域定点复核，通过数据融合实现在线实时识别，服务垃圾中转站或分拣流水线。李明杨负责技术调研、硬件选型与算法框架设计，并统筹能源动力、数理等跨专业同学协作。
数模是什么
面对「数模到底是什么意思」的提问，李明杨解释，数模即数学建模。比赛通常给出贴近实际的问题和数据，一套题设四个小问，层层递进。参赛者需要分析数据、把问题抽象成模型，再解决问题与预测问题。它既不是单纯专业，也不只是工具，更像一种把方法可视化、把解决方案数据化的训练。
AI时代真正稀缺什么
李明杨认为，AI确实让创业门槛降低。过去数模比赛需要建模手、编程手、论文手三人合力，三天熬夜才能完成；现在只要有想法，AI可帮助完善模型、编写程序甚至输出论文，一个上午就可能完成。大创项目同样如此，系统搭建和数据分析可借助AI完成，人力物力需求大幅减少。
但他强调，真正稀缺的不是模型和算力，而是对真实场景的深度理解、高质量场景数据，以及愿意沉下去积累数据的耐心。团队调研垃圾中转站后发现，垃圾破碎、油污、粘连、传送带高速运动、环境昏暗等现实条件，让实验室中的算法准确率失去意义。团队不得不重新设计数据采集方案，甚至在硬件层面增加照明和抗干扰处理。
现场发现的bug
项目中期，导师建议团队与商业企业联动。廊坊一家垃圾分类厂测试暴露出问题：垃圾被污染导致识别率低，高速传送带带来数据处理延迟，现场环境昏暗。李明杨由此意识到，很多AI项目难落地，是因为团队缺乏对传统行业隐性认识的敬畏。工人处理垃圾有不同优先级，还要考虑设备维护与实际成本，这些经验不会写在论文里，必须到现场和从业者深度沟通。
AI读不懂老师傅的手感
在李明杨看来，AI进入传统行业后，真正需要重新理解的是问题定义权——什么叫把问题解决，标准往往掌握在一线老师傅手里。老师傅判断物体能否回收，不只靠材料，还会捏硬度、听声音、闻气味。被重油污覆盖的塑料瓶，光谱仪可能误判，老师傅摸一摸就知道里面是PET还是PC。
因此，团队重新设计系统：不让AI完全取代人，而是让AI做快速扫描、初级筛选、标记可疑物品，把深度判断交给人类专家；专家决策再作为强化学习奖励信号，让AI逐步学习隐性规则。能源与动力工程同学也提醒，传送带速度、震动、环境湿度都会影响光谱成像质量，这些物理约束写代码时根本想不到。
李明杨总结，AI进入传统行业，最缺的认知转变是从「用AI颠覆一个行业」转向「用AI读懂一个行业」。隐性经验应被当作宝贵暗数据去挖掘、融合，而不是无视。
技术是手段，不是目的
谈到技术能力与商业结果的平衡，李明杨坦言团队差点掉进技术英雄主义的坑。企业客户不关心用Transformer还是CNN，只问三个问题：能多快？装下来准不准？能省多少米？
项目最初追求极致准确率，计划用高精度工业光谱相机全覆盖扫描。但调研发现，单台相机数万元，高精度还意味着数据处理延迟高，在高速传送带上跑不起来。团队随后改用低分辨率光谱相机做广域初筛，再用高精度光谱仪对可疑目标定点复核，成本降到原来的三分之一，速度更快，准确率仍满足分拣线要求。
团队还曾沉迷识别几百种材料，到垃圾中转站聊过后才发现，客户真正头疼的是混合塑料、黑塑料和被污染材料等少数几类。砍掉大量低频识别后，误判率降低，工人干预次数减少，流水线效率反而提升。李明杨认为，AI创业者需要「约束条件下的最优解」思维：先站在客户流水线上想问题，再回实验室写代码。技术能力决定能做什么，商业结果决定应该做什么。
穿越周期的创业者
面对AI热点快速迭代，李明杨认为，追浪潮者容易从技术出发，看到新模型就盲目想创业；能长期稳定下来的，则从问题出发。他以数模比赛为例：AI能帮很多人写出论文，但真正拿国一的作品，模型往往不是AI按「网红模型」生成的，而是参赛者从问题出发独立想出来的。真正的创新突破仍需人从0到1完成，技术浪潮像潮汐，想留在海滩上就要回归本质。
从参与者到管理者
数模和大创带给李明杨不同锻炼。数模更像个人以工具在某个领域独自突破，紧张刺激，靠个人能力完成；大创则要求他作为管理者协同、联动、调控，把不同部门凝聚到一个方向。队友能力与投入各异，需要协调号召；跨专业合作还考验表达与「外交」沟通——不仅要解决问题，还要让别人理解问题，才能更好参与。
专业选择与复盘
李明杨的人工智能专业是自己选的。大一时他在数理学院读信息与计算科学，因看好AI方向并受同学交流影响，持续提升绩点至年级前10，大二转入人工智能专业。
复盘本期对话，四个核心值得记住：第一，AI创业门槛降低，稀缺的是需求理解与深入一线的行动力；第二，AI落地传统行业，最难抓取的是隐性经验，必须走近现场；第三，技术永远服务于商业价值，要在有限框架内做出最大改善；第四，能穿越周期的创业者，不是盲目追逐热点，而是用AI做它擅长的事，而非让AI全部取代自己。
本文根据直播实录整理，仅作交流学习用途。