Articles › AI

ONNX（Open Neural Network Exchange）是一种通用的机器学习模型格式，支持 一次训练，多端部署。通过 ONNX，可以将使用 PyTorch、TensorFlow 训练的模型，高效地运行在 Android、iOS 以及 React Native、Flutter 等跨平台移动框架 上。 本文以 React Native 为核心，系统性介绍如何在移动端使用 ONNX，并进一步说明 端侧 AI（On-device AI） 与 本地大模型（Local LLM） 在实际业务中的价值。

近年来，AI 在中国被广泛应用于政务系统、国企、大型企业、制造业与互联网平台。 很多项目以“降本增效”“减少人工”“智能决策”为目标启动，但在真正进入生产环境后，系统稳定性下降、风险上升、维护成本失控的情况并不少见。 问题往往不在于 AI 模型是否先进，而在于 把 AI 当作传统确定性系统来使用，忽视了系统边界、责任划分与规模化运行的现实。 本文结合中国企业与政务系统的实际需求，总结 AI 最常见的系统级反模式，并说明如何避免这些问题。

中国企业如何利用 AI 提升 Wazuh 安全运维效率 中国环境下 Wazuh 运维面临的现实挑战 Wazuh 作为一款开源 SIEM/XDR 平台，在成本控制、自主可控、灵活扩展方面具有明显优势，因此在中国企业中被广泛采用。 但在实际落地过程中，安全团队通常会遇到以下问题： 检测规则复杂，依赖个人经验，难以标准化 告警数量大，误报多，分析效率低 安全事件难以与业务风险直接关联 需要同时满足等保、内部审计与管理层汇报需求 随着 Agent 和日志规模增长，系统性能与架构压力增大 AI 不能替代安全专家。 但在正确使用的前提下，AI 可以 放大专家经验、加速分析与决策过程。 这正是 Wazuh 管理员 Prompt Pack 的核心价值所在。

为什么现在要讨论这个问题 几乎所有重大的技术浪潮，都遵循相似的情绪曲线： 期待 → 过度承诺 → 失望 → 安静而持续的价值创造 AI 也不例外。 真正不同的是它扩散的速度。AI 热潮来得极快，而越来越多中国企业正在逐步意识到一个现实： 仅仅“很聪明”的 AI，并不能直接转化为商业价值。 本文将回顾过去数十年的技术浪潮，帮助读者理解： 当泡沫退去，真正留下并创造价值的是什么。

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。

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。

“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。

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。

引言 过去几年，RPA（机器人流程自动化） 被广泛用于提升效率， 通过模拟人工操作来完成大量重复性工作。 与此同时，AI（人工智能） 被寄予厚望，希望它能够理解文档、辅助判断、提高决策质量。 但在实际落地过程中，越来越多的企业发现一个现实问题： 只有 RPA，系统会变得脆弱 只有 AI，系统难以被信任 二者若没有治理机制，最终都会失败