·如何判断某项技术是否需要投入？罗晓忠的标准是“接地气”。他表示，“一定要结合公司的实际情况，不要‘为了创新而创新’。我们所有的创新都要围绕一个目的，那就是提升企业的效率。”

·罗晓忠认为，大模型之所以有这么高的能力，是因为它拥有大量高质量的数据和新型的训练方法，因此在大算力的支持下，涌现出了令人惊艳的能力。但在自己的行业领域，罗晓忠直接表示：“我们需要的是基于基础大模型之上的行业大模型。”

心鉴智控创始人兼CEO罗晓忠向澎湃科技介绍，公司的第一个产品用了两年时间才正式落地，在这两年期间公司没有任何营收，只有不断地研发投入。

“我最喜欢辛弃疾的‘醉里挑灯看剑’，很小的时候我也有当大侠的梦想，希望自己武功高强、除暴安良等。虽然这是小时候的梦想，但它也指引了我人生的一些选择。”

心鉴智控创始人兼CEO罗晓忠喜欢读诗并感悟美好，用他自己的话来说，是一个“文绉绉”的人。五年前创业时，他和联合创始人为公司取名“心鉴智控”用的是《诗经》中的“我心匪鉴”，寓意“用心做鉴别”。

罗晓忠于密歇根大学博士毕业，创业前在美国微软总部任首席软件架构师，拥有大数据、人工智能技术及企业级软件的开发经验及团队管理经验。2018年，罗晓忠创立心鉴智控，专注工业场景下透明、反光、高速运动物品的AI视觉检测，主要应用场景包括医药外包装（铝塑泡罩，输液袋，软膏及三期等）、导光板，瓶盖瓶身等的瑕疵检测。

在日前举办的华映资本2023年会间隙，罗晓忠接受了澎湃科技专访，谈及自己选择创业，他觉得仍然和年少时的梦想相关，只不过更加practical（重视实践），“希望能做一些切实把人的双眼从生产线中解放出来的事。因为人的眼睛要去看风景、看美好的东西，而不是去做瑕疵检测。”2023年初，心鉴智控连续完成了A+和A++两轮融资，融资总额近亿元。

微软工作18年后辞职下工厂

2018年，在加入微软18年后，罗晓忠选择辞职回国创业。“我始终都有‘在这个世界上创造一些东西’的想法，而不是仅仅做一颗大厂螺丝钉。最小的孩子上大学后，没有了对家庭的顾虑，我的太太也很支持我，所以正式投身创业。”

从工程师转化成创业者，罗晓忠觉得最大的改变是“真是更加深入地理解了‘以客户为中心’到底意味着什么。”谈到自己曾经因为理论和实际脱节吃的亏，罗晓忠笑着回忆道，“我们公司有很多海归员工，大多是软件和AI（人工智能）的人员，对工业实操欠缺经验，做出过不少失败的产品。后来我们就要求所有人必须到工厂去，看到实际的工况才不会闭门造车。”

心鉴智控刚成立不久，曾经为一家知名品牌做过一个瓶盖检测的项目。酒瓶盖的检测看似简单，却因团队不了解生产线上的实际情况而最终流产。

“我们没有想到，客户的同一条生产线上只要更换模具，就可以生产十几款大小规格不同的酒瓶盖，甚至包括印刷都完全不同，但当时我们的模型迭代速度没有那么快，满足不了客户的要求，”罗晓忠表示，“从那之后，我们在跟客户沟通和交流的过程之中，信息的收集会更加全面，让项目最后成功的几率更大。”

创业后，罗晓忠很多情况下需要为公司亲自做战略决策，这直接影响到公司的生和死，他也感到作为创业者肩上沉甸甸的责任。罗晓忠介绍，一个产品面临失败了要如何及时止损，以及一些技术路径上面是否需要投入，这都是让自己压力很大的决策。

如何判断某项技术是否需要投入？罗晓忠的标准是“接地气”。他表示，“一定要结合公司的实际情况，不要‘为了创新而创新’。我们所有的创新都要围绕一个目的，那就是提升企业的效率。”

“我们创业早期还保留着工程师的习惯，想把事情做得比较完美，但实际上短期之内你不需要那么完美，却一定要把它尽快落地用出去，让产品在实践的过程中不断迭代才是最重要的。”罗晓忠表示。

第一个产品历经两年才落地

机器学习需要海量的数据做支撑，高质量的数据越多，最后的人工智能模型效果就会越好。对人工智能创业公司而言，一家初创公司，还没有积累足够多的行业数据时，是发展最为艰难的时期。

罗晓忠向澎湃科技介绍，公司的第一个产品用了两年时间才正式落地，在这两年期间公司没有任何营收，只有不断地研发投入。产品真正落地之前的测试之中，团队不管在硬件、软件、还是模型上，都经历了一系列的问题，在工程化层面，团队跟客户也做了很多协同。

软件层面的问题主要体现在速度上。如果软件处理的速度是20毫秒，但生产节拍是18毫秒，那软件就会因为来不及处理而导致系统崩溃。为了提高自己软件的速度，罗晓忠推翻了自己原本用Python语言编写的应用，重新打造了公司基于C++语言的软件框架。“Python是一种解释性的语言，它运行的速度很慢，一到高速产线就崩溃了。C++是一个多线程的语言，一个线程里可以有很多进程并行，它的运行速度比Python快很多。”

还有一个难点是公司的模型和客户的产线系统需要匹配。罗晓忠介绍，药片生产和包装的速度很快，心鉴智控的系统在流水线上的A点识别出某一板药品有瑕疵之后，它已经位移到B点了生产线上的设备才能把瑕疵品剔出，因此模型和系统需要通过软件和PLC（Programmable logic controller，可编程逻辑控制器，专门用于工业环境的一种数字运算操作电子系统）控制实现精准地协调和同步，这也花费了团队很多时间和精力进行调试。

除了软件方面之外，在流水线上的硬件也出现过各种各样的问题，需要仔细排查并解决。团队曾经发现有的工业相机里没有缓存，也有的相机会反复提交同一张图片。工人操作时可能把线碰松了导致数据传输不稳或是相机掉线。还有的便宜导线本身就数据传输不稳，需要更换。

在心鉴智控将产品工程化的过程中，也与药厂就药品瑕疵的定义达成了共识。现在的行业标准中，铝塑泡罩药片有8种不同的瑕疵，胶囊有21种不同的瑕疵，就是心鉴智控在产业实践中最早制订出来的药品瑕疵标准。随着行业数据的积累和客户的增加，现在，心鉴智控在医药产品、白玻、高速产线上物品的综合检测领域能力已经位于行业第一梯队。

打造自己的“行业大模型”

罗晓忠介绍，心鉴智控在高透光、高反光的场景中，有自己独到的光学成像技术，可提供高质量的初始图像。另外，自己的人工智能模型也是另一个核心竞争力。

公司的人工智能模型中，采集数据有两个技术模块：一个是数据的素材系统，能够对生产线上的图片数据进行采集压缩，并将数据在边缘侧上传到云端，在云端解压打开后，做半自动机器标注和人工的标注；另一个是数据的重复利用系统，模块在云端有自己的自动学习平台，能够把标注好的数据进行模型的训练迭代和优化，这就将图片数据和生产线部署的边缘侧模型进行了高效率的再利用。

心鉴智控成立至今，已经在视觉检测的业务中积累了大量高质量的数据，并在2022年下半年训练出了自己在工业检测领域的通用模型。同年11月，ChatGPT横空出世。经研究之后，

罗晓忠认为，大模型之所以有这么高的能力，是因为它拥有大量高质量的数据和新型的训练方法，因此在大算力的支持下，涌现出了令人惊艳的能力。但在自己的行业领域，罗晓忠直接表示：“我们需要的是基于基础大模型之上的行业大模型。”

“瑕疵检测的容错率非常低，有一点点差错都不行，语言类的模型达不到这个水平，所以ChatGPT有时候会一本正经地满口胡话；另外，瑕疵品的图片数据是ChatGPT背后的训练数据库里没有的，所以大模型不会根本性替代我们公司现有的技术底座，”罗晓忠说，“但借鉴大模型多模态的训练方式，结合公司已有的行业数据，我们可以更好地打造自己的行业大模型。”