AI 如何从幕后走到台前：安克创新 AI+硬件产品的全链路实践

安克创新与 WaytoAGI 合作的「企业 AI 全景课」收官专场，聚焦 AI 与硬件产品的结合。安克音频技术研究院负责人 Richard 与结构专委会主任 Xingwang 分别从算法研发和结构设计两条线，拆解了 AI 如何从内部提效工具转变为产品体验的核心竞争力。适合关注 AI 硬件落地、企业 AI 转型的产品经理、算法工程师、结构工程师及管理者阅读。

算法研发的隐性经验，如何变成可积累的资产

▶ 16:45 · 看这一节

Richard 以安克最新推出的 Liberty F Fi. 5 Pro Max 降噪耳机为例，介绍了硬件产品从定义到量产的全流程：产品定义、结构设计、硬件设计、算法开发、样机验证、可制造性评审，最后量产。他坦言，做算法写代码本身不是最难的部分，最难的是判断——哪个技术方向值得投入、训练该用什么配置、部署时如何有效量化，这些都需要大量经验积累。

但算法研发经验天然是隐性的、非结构化的。Richard 打了个比方：就像大厨做菜说「加适量盐」，菜很好吃，但别人很难复现。代码放进代码库可以被复用，但判断是怎么做出来的、为什么这么选、踩了什么坑，都留在工程师脑子里。「这些隐性知识就像一个只有本人能够打开的保险箱，人一走，经验就消失了。」

这带来四个必然问题：结论经不起追问、质量靠运气、经验不积累、专家成瓶颈。Richard 强调，这不是管理不善造成的，而是经验只能靠人传递的必然结果。流程智能体的核心价值，就是让经验不再是一次性的。

流程智能体覆盖算法研发三阶段

▶ 21:59 · 看这一节

技术预研：拿到新需求后，工程师需要调研学术界最新技术、能否跑在耳机芯片上、功耗延迟多少、竞品用什么路径。认真做要两三周，写份报告定方向，但结论经不起追问。流程智能体在五个维度全面覆盖：学术界 SOTA 算法调研（必须给出论文或 GitHub 链接，性能数据标明出处，不允许编造）、开源实现评估、跨领域技术借鉴（如音频领域参考图像和 NLP）、竞品调研、资源分析。两个设计细节很有价值：一是负面信息必填，每个推荐算法必须同时填写缺点和风险，防止论文看起来漂亮但部署时行不通；二是交叉验证，综合报告会检查五个维度结论有无内部矛盾。

模型训练：训练一个模型往往要跑好几天甚至几周，中间出了问题很崩溃。流程智能体可以全程监控，实时检测异常，当 loss 异常或梯度爆炸时及时发飞书消息告警。训练结束后，还能分析数据和 log，辅助解决疑难杂症。更重要的是结构化复盘：回顾目标与实际结果的差距，分析原因，给出优化措施和迭代计划，并更新到持久化知识库。下次遇到类似问题，工程师可以直接调取历史最优解决方案，不再依赖特定的人。

芯片部署：模型用 PyTorch 训练，无法直接装进耳机。耳机芯片算力极其有限、内存小、功耗不能高，需要大量优化。通常训练阶段就加入量化感知训练，模拟芯片上的低精度环境。难在每个决策都需要经验：这一层能降低多少、精度到几比特、哪些压缩可以做，每个芯片特性不同，没有通用答案。以前资深工程师做一个模型部署要花 2 到 5 天，经验都在脑子里。流程智能体把同学的经验和文档全部学一遍，好的代码也学一遍，抽取好的方法。新项目做各模块比较时，相同算子直接用历史最优方案，新算子才自己处理，遇到困难人工介入。改完的代码每一层都做精细比对，质量往往比急急忙忙做的部署还高。

Richard 总结，这三步表面是三件不同的事，解决的是同一个问题：把隐性的判断变成显性的标准，把一次性的经验变成可积累的资产。

AI 赋能结构设计：从 DFM 评审到根因分析

▶ 42:10 · 看这一节

Xingwang 回忆，一年前 Claude Code 刚出来时，团队里最优秀的嵌入式、结构和算法工程师，可能 95% 的代码都是 AI 生成的了。作为硬件和结构领域的工程师，他当时既想学，又感到恐慌——「世界上最新的技术来了之后，好像硬件和结构同学都被甩得远远的」。

后来安克大力推动 AI 应用，他们发现结构设计工程师其实只有 30% 时间花在图纸设计上，剩下 70% 花在开模、跟模、T0 样模回样、调试、可靠性测试上。AI 第一步进入的就是这 70%。

AI 的 DFM 评审：塑胶件设计好后开模前，要经过可制造性 DFM 评审，传统上需要经验丰富的结构工程师加模具工程师做详细分析。流程长、依赖个人经验、有盲区、经验难传承。当产品有几百个结构件（如扫地机器人）时，工作量巨大，做不好就会 delay 项目进度。

AI 评审的思路是：先分析塑胶结构件的壁厚、分型线、拔模角等参数，再提示风险，最后给出建议。以安克耳机盒结构件为例（PC 加 ABS 材质，UV 手感漆，A 级外观面），AI 生成壁厚分布热力图，越偏红壁厚越厚，越偏蓝越薄。AI 检查发现：壁厚绝对值 1.45 毫米低于设计下限 1.6～2.3 毫米，存在未填充末端短射风险；壁厚均匀性上，偏厚区域需确认缩痕和翘曲风险；壁厚过渡出现 48.14 倍突变，建议过渡位置增加圆角改善熔体流动；6 个螺丝柱中 4 个合格、2 个不合格，A 级外观面缩痕直接可见，建议减薄 boss 柱、加深内孔加强筋。

Xingwang 特别强调，AI 评审不只是分担工作，AI 给出的建议是「非常有经验的模具工程师的隐性财富」。年轻工程师边做边学，跟进两个项目就能成长为专业的模具工程师。

AI 问题根因分析流程智能体：产品试产时螺丝柱打螺丝出现裂纹，传统做法是组织评审会，把结构、材料、模具工程师叫到一起分析，耗费时间人力。现在把图片给 AI，但直接给大模型结论很发散，因为它不知道设计原理和产品特性。于是增加四维数据输入：内部案例库（工程师踩过的坑，动态更新）、内部知识库（材料、模具、结构设计）、项目系统文件（可靠性测试、设计评审沉淀）、AI 读取图片后做外部洞察。AI 还会与工程师交互，问材料是什么、问题是批次性还是全部出现、刚开始发现还是隔一段时间才出现。

AI 最终形成报告：先描述问题现象（裂纹大小、位置），再列出可能性——熔接线导致应力集中，加上打螺丝的应力，局部应力过载出现开裂，并给出应力集中计算公式和疲劳断裂机理；然后给出根因——模流分析未强制执行熔接线位置修改、评审未包含冰醋酸开裂验证、模具浇口未规避高应力区；最后给出建议——端面做圆滑过渡，不能做直角过渡。

这些分析案例会沉淀到知识库，与研发流程系统打通，改善措施纳入 checks list 和 DVT 评审，彻底解决问题，避免再次出现。

从结构工程师到系统工程师：AI 带来的思维转变

▶ 58:29 · 看这一节

Xingwang 认为，AI 对结构硬件工程师最大的帮助是思维方式的改变。以前分析问题总是单点看，现在 AI 从跨学科各领域给出全面认知，让人站在全局看问题，「以前你站在局部看非常棘手的问题，现在你站在全局去看，就发现这个问题本质上就这么回事」。

产品结构是一个骨架，复杂产品隐含大量跨学科知识：EMC 电磁干扰、热学、算法标定稳定性、天线干扰等。一个人很难什么都知道，但有了 AI，知识面可以扩得非常广，经过一两次项目，结构工程师就能成长为系统工程师。

在产品层面，安克的理念是「为一群人、特定场景提供解决方案」。Liberty 降噪耳机在 AI 上花了很大努力，但希望用户感知不到内部技术的存在，只觉得好用。产品支持主动适配用户耳朵的 EQ 曲线，自研存算一体芯片算力是传统冯诺依曼架构的 150 倍，配合 10 个麦克风阵列，降噪效果获吉尼斯世界纪录认证。UFE 产品线把内部 AI 认知迭代到扫地机器人中，让它越来越懂用户的家；安防摄像头通过 AI 端侧识别，区分人经过还是陌生人经过，避免误报警。安克 Solix 业务线针对海外电价贵且不稳定的痛点，用 AI 自适应家庭用电工况，优化储能和放电时间，越用越划算。

校招生在 AI 变革中的角色转变

▶ 1:07:52 · 看这一节

三位校招生分享了她们在安克 AI 变革中的成长路径。Genny 去年 7 月入职做变革管理，早期被派去 ADT 轮岗，作为成员为业务打造 AI 工具，积累经验后参与智能体建设，成为赋能者。她指出，搭建者、变革者、赋能者的边界并不清晰，「一个人身上就是会背负着很多角色」。

Renee 原本负责文化建设和运营，在组织拆分为最小作战单元后，主动承担系统项目管理兼产品经理，借助 AI 工具将业务需求拆解为产品需求，短时间内上线系统。「我完全可以同时做两份不同的工作，因为有 AI 的工具能够帮助我去跨越自己的边界。」

Yolanda 从项目经理转变为 AI COE 角色，参与 AI 驱动社区建设，沉淀公司各领域 AI 实战经验，社区知识浏览量超 21 万；开发 AI 精品课，帮助同事升级 AI 协作思维，课程 NPS 达 87%，综合评分 4.8 分，超 5000 人学习；最近负责公司 skill 建设，推动 AI 能力落地业务。

现场问答

▶ 1:17:38 · 看这一节

人的经验是怎么喂给 AI 的？如何持续沉淀？

初始知识来自同学平时写的 wiki，整理后用 AI 生成精简知识库。流程智能体使用中产生的新知识（踩过的坑、解法），由同学确认后，Scrum 团队定期梳理，确认对后续研发有价值的才加入知识库。

降噪耳机技术和助听器是不是很像？

安克正在做助听设备。有了大算力芯片、AI 降噪技术、对用户听力和喜好的感知，「我们可以做一款全世界我们认为最好的助听器出来」。

AI 是怎么理解 3D 设计的？

3D 文件（如 STP）本质上是数据，有规则。AI 理解规则后能读懂设计图，但它不知道什么是对的、什么是错的，需要靠有经验的工程师把工作中的 knowhow 沉淀进去，告诉它规则，AI 再基于规则给出建议。

AI 的回答超出人的认知怎么办？

这是很好的学习成长机会。最简单的方法是继续追问，不懂就问，问到懂为止。Xingwang 举例说，他孩子问 DeepSeek 觉得太傻，就去问豆包，来回问一圈就大概明白了。「我们现在对于自己不知道的东西，也要保持像小孩一样的初心。」

内部 AI 知识库怎么更新？

安克有专门的数据治理团队，把公式、代码、图片、文字等富文本知识按规则归档到知识库体系，形成一套归档规则，让 AI 高效调取。

普通工程师能做 AI 开发吗？

能。安克结构领域的流程智能体应用，就是普通结构工程师花两周开发出来的。安克把开发工具的能力开放给所有同学，「我们是在做一个授人以渔的事情」。

知识库越大消耗 token 越多，怎么解决？

知识归档要高效，让 AI 容易访问；记忆要分层，用知识图谱；与 AI 交互时一次提供完整上下文信息，避免来回交互。

要点回顾

• 算法研发的难点不是写代码，而是判断；隐性经验导致结论经不起追问、质量靠运气、经验不积累、专家成瓶颈。
• 流程智能体在技术预研、模型训练、芯片部署三个阶段，把隐性判断变成显性标准，让经验可积累、可传承。
• AI 的 DFM 评审能分析壁厚、分型线、拔模角等参数，生成 3D 热力图提示风险并给出建议，年轻工程师可边做边学快速成长。
• AI 问题根因分析结合内部案例库、知识库、项目文件和外部洞察，能给出专业级分析报告，并沉淀到 checks list 和 DVT 评审。
• AI 让结构工程师从单点思维转向跨学科全局认知，经过项目锻炼可成长为系统工程师。
• 安克产品理念是让用户感知不到技术存在，但体验明显更好；AI 在耳机、扫地机器人、安防摄像头、家庭储能等产品线均有落地。
• 校招生在 AI 变革中可以同时承担多个角色，突破岗位边界，AI 是「协作最紧密、最信赖的工作搭子」。