先给结论：人工智能纳米机体上先过功耗门。超低功耗平台一掉线就看不见，回云不是选项。云上视觉分数、实验室位姿误差，和机载毫瓦、毫秒不是同一赛道，不能外推。2026年推理必须在机上做完。现场数据少，自监督感知先于再派人标注。工业质检同样：模型要能在人少样本时自己改，而不是每次换线都等新标签。

人工智能机载很弱，痛点在用集群分数给昆虫级平台打气

纳米级飞行器、贴在产线旁的相机，算力和能量以毫瓦计。把云上大模型的检测分拿来当可行性，是跨段位。跨段位的项目会在第一次续航测试失败：推理一开，电池先着。

近人飞行、林间小径、崎岖可通行性，环境不容许「拍一张传上去再等答案」。时延和链路都会杀任务。任务要的是机上闭环：感知、位姿、避障在本地结束。本地结束的模型，容量和精度都要按焦耳重写，不是按验证集重写。

标签在这些场景里特别贵。人不能跟飞、不能把每块地面标成可通行。自监督用自身传感器的一致性当老师：下一拍、另一只相机、自己的运动。老师不够准，但够用来适应。适应发生在部署之后，这正是实验室冻结模型做不到的。

工业视觉质检换产品就缺标签。等标注团队，产线已经换完。能在少量不良样本上自己改的流程，比再训一个云上冠军有用。有用是产线停的小时数，不是论文里的平均精度。

人工智能机载2026五步：先功耗，再自监督，再许上机

1. 成绩单加焦耳和时延。缺这两列，云上精度不准写可上机。
2. 掉线场景必测。链路切断后任务是否还能看、还能避。不能，方案停在有网演示。
3. 感知适应默认自监督。新环境先跑一致性学习，再考虑派人标。
4. 质检换线用少量不良样本加自监督顶上。全量重标当例外，不当默认。
5. 模型选择按功耗—精度前沿，不按云上榜。榜上第一若毫瓦超标，淘汰。

两处只有做过室外续航才清楚。其一，实验室把模型量化到「还能跑」，室外一加风扰和曝光变化，为了保精度又把计算加回去，续航立刻破。保精度的开关要和电绑定：电不够时降分辨率，而不是偷偷回全精度。偷偷回是续航事故。其二，自监督会在停桨、脏镜头时学到错误不变性。要有「何时不学」：传感器诊断不健康就冻结适应。不冻结，适应会把故障写成世界。

建设者该把焦耳、掉线、自监督做成机载方案默认。管飞行和产线的人，该拒收只有云上分数的感知包。没有焦耳，包是演示。

结论：人工智能在昆虫级和产线旁的智能，是毫瓦闭环和自己能改，不是云上榜的第一

掉线就不能看，所以必须机上做完。数据少，所以自监督先上。云上分数外推，续航会打回票。仍用实验室精度给纳米平台放行，放行的是一次短飞。

你下次把视觉模型往小平台上装，先看掉线后还能不能看、一分钟烧多少焦耳；两格不过，云上分再高也不要装。

现场还要防口号替换验收。把「窗口已经很长、探索很热闹、回答很专业、云上分数很高」写成周报，不等于远事件还在、压缩真的进步、依据能回溯、机载功耗过关。周报可以写，门禁必须绑在远间隔、学习进步、人侧核对和机上推理上。

若只能改一处：先把「看起来更聪明」从唯一成功标准里拿掉。聪明可以记，远记忆、内在奖励、权威幻觉、掉线仍能看四件跟不上就算事故。

现场还要防口号替换验收。把「窗口已经很长、探索很热闹、回答很专业、云上分数很高」写成周报，不等于远事件还在、压缩真的进步、依据能回溯、机载功耗过关。周报可以写，门禁必须绑在远间隔、学习进步、人侧核对和机上推理上。

若只能改一处：先把「看起来更聪明」从唯一成功标准里拿掉。聪明可以记，远记忆、内在奖励、权威幻觉、掉线仍能看四件跟不上就算事故。

现场还要防口号替换验收。把「窗口已经很长、探索很热闹、回答很专业、云上分数很高」写成周报，不等于远事件还在、压缩真的进步、依据能回溯、机载功耗过关。周报可以写，门禁必须绑在远间隔、学习进步、人侧核对和机上推理上。

若只能改一处：先把「看起来更聪明」从唯一成功标准里拿掉。聪明可以记，远记忆、内在奖励、权威幻觉、掉线仍能看四件跟不上就算事故。

现场还要防口号替换验收。把「窗口已经很长、探索很热闹、回答很专业、云上分数很高」写成周报，不等于远事件还在、压缩真的进步、依据能回溯、机载功耗过关。周报可以写，门禁必须绑在远间隔、学习进步、人侧核对和机上推理上。

若只能改一处：先把「看起来更聪明」从唯一成功标准里拿掉。聪明可以记，远记忆、内在奖励、权威幻觉、掉线仍能看四件跟不上就算事故。

本文侧重全链路风控方法论。落地时请用自身业务单据做回放验证，不要把示例阈值直接当生产策略。 相关：风控体检 · 方案资源