当人才了解真实的需求，当企业发现了真正的人才，这也是一种闭环。
作者|李斯
对雷达来说，无人机是一个相当难以发现的目标。
无人机体积小，本身回弹的能量就弱。它的飞行速度慢，又处在低空，这让无人机的回波和低空的杂波难以区分。再加上无人机和鸟群时常混在一起，误报频率高。
如何克服这些先天难题，优化低空雷达对无人机的探测和识别？
这不是某家上市公司的秘密研发项目，而是一群大学生的参赛课题。
10月20日，飞书与豆包工作举办的AI先锋未来人才大赛总决赛在北京举行，12组选手围绕企业真实业务问题展开角逐，使用飞书与豆包工作完成调研、协作和成果交付。
给这届大赛找一个关键词，那就是“真”。
学生接受到的命题，都来自企业真实生产场景的痛点。创新都集中在真实的生产场景、评委都是真实的业务经营，还有真实奖励的offer。
才华来自学生自己，而这个舞台的价值，是把大学生的纸上谈兵，带到了真实的生产世界。
01 飞上天
上海交通大学的硕士生张一帆，是人们刻板印象里的“复合型人才”。他本科来自北京航空航天大学，学的是航空探测，硕士学的是电子信息。
算法+飞行，看一眼就知道哪里需要他。
他们接到的命题来自头部多维感知芯片与系统方案供应商睿创微纳：如何用AI 优化民用低空雷达的多目标智能探测与识别能力？
2025年8月，北京全域划分为管制空域，无人机的限制政策开启不断收紧。
但如何有效应对无人机袭扰，是世界难题。2024天津滨海机场的无人机黑飞，造成了29架航班延误，8架航班取消。这类问题在全球都不罕见。
目前行业主要使用的是低空监视雷达，但无人机天生不好被雷达发现，它的反射面小、飞行高度低，在复杂的城市环境内难以捕捉。
虽然合规的消费级无人机都会通过内置系统来限制黑飞，但机器本身太容易diy，简单的刷机就能绕过品牌的限制。
就算这两个问题解决，“抓黑飞”还有一个难题：无人机和人存在物理距离，抓住无人机后，也很难锁定飞行人。
除了这些天然的难题，反无在流程上也有一些改进空间：让数据闭环。
搜索引擎的每一次搜索，本身就是模型最好的学习数据。短视频平台的每一次广告推送，都可以让广告推送算法更强。这就是数据飞轮，它是现代数据模型的最重要优化武器。
反无流程也本该如此运行，雷达系统的每一次预警，都应该反哺模型、反哺算法、反哺流程。
但现实里，这条链却存在断点：警告发出后没有明确责任人，处置结果不写回雷达，这个“越用越好用”的数据飞轮根本转不起来。
张一帆和自己的本科师姐，北京航空航天大学的博士生郑一凡，瞄准了这个闭环的完善。
他们的方案是，一次告警，同时触发处置和优化两个闭环。
从告警工作台到专用研判网络，飞书卡片告警，现场核验后反馈，最后进入多维表格存档。
这条流程进行的同时，还要跑另一道流程：争议事件进入豆包工作分析，辅助找出bug并优化算法，再交由人工复核。
这两个闭环挂在同一个事件ID下，平行进行。让每一次告警，既能解决问题，又能迭代算法，既是生产活动，也是学习活动。
借助数据飞轮的力量，两位学生在公开实测数据集上将无人机、鸟、地面旋转体、车辆的类型识别准确率提高到了100%。过去人工操作环节有8步，眼下已经减少到3步。算法迭代的耗时也缩短了75%。并且在机场实验场中实测，完成全场景实验闭环测试，初步跑通整套算法与业务流程，完成阶段性验证。从真场景到真需求的，真落地。
整个过程里，睿创微纳提供真实雷达场景，中山大学提供实测的雷达数据集，飞书和豆包工作提供AI平台能力。多方一起，为两位学生提供了一个真实场景的舞台，让他们可以把注意力放在解决问题本身。
02走进汽车工厂
除了晶圆制造，汽车可能是全世界资金门槛最高的产业，是学生依靠个人能力很难介入的领域。但借助车企和飞书的平台，西安交通大学学生彭罗健的创意和才智，就可以到生产线上实现。
这份命题来自赛力斯。
赛力斯的超级工厂，最快30秒就可以下线一台车。这背后是赛力斯乃至整个汽车工业的技术积淀。
不过，让汽车产线快起来非常难，让它慢下来却很容易：一个螺丝钉的故障就可以停下整个产线。
当产线出现问题时，屏幕会显示设备报警，但却不会告诉工程师哪里出了问题。如果是老师傅，当然可以很快找出问题所在，但新人工程师却需要逐一排查。
逐一排查也可以找到问题所在，但产线暂停的28分钟里，是巨大的效益损失。
其实老人的经验，就存在赛力斯的企业知识库里，那里存放着老师傅的维修记录。但这些知识是“散装”的，关键信息可能分散在各种文件里。
每多用30秒找资料，单位时间里就少产了一辆车。
而彭罗健的思路，是把这些零散的资料，变得智能，易调用。
这不是简单的把资料丢给大模型，再用ChatBot提问。如果只是这么做，模型的回答会非常混乱，达不到节省时间的目的。
他首先要解决的是搭建“知识底座”，也就是把资料变得容易被模型抓取，调用。
如同图书馆拥有庞大的图书量，但通过书名首字母、图书类别作为关键线索，这些散乱的图书变得容易整理。
彭罗健找到的核心线索，则是工单号和设备号。过去混乱的记录，需要翻阅好几张表找到的记录，现在被同一工单号和设备号串联起来，成为了一张庞大但有序的网。
到这仍然不够，如果只是把这些数据丢给模型，它仍然很大概率“会像熊孩子一样乱翻”。
所以第二步是：给模型立规矩。没有查工单号不许乱回答，且必须使用特定的工具，必须使用特定的上下文规则。
这就像工厂给新人定的SOP：先查记录，再下判断。不同的是，这些规矩被写进了系统流程，模型想跳也跳不过去。
约束好之后，才是人们熟悉的大模型的回答。它能从工单中“读出”最值得排查的方向，甚至找出问题背后的原因。
这套企业脱敏工单在实测中查询了1287条知识，候选中位数3条，前三条命中率76.1%。
这套“AI数据索引”的亮点，不在于用了多么惊艳的方法，而是它贴合真实工厂里出现的问题。
03 进入3D世界
3D打印消费者和厂商之间，一直存在一道“语言墙”。
消费者说的是：想要一个多色公仔。但专业人士需要的，是另一套语言：喷嘴温度190-230度、热床温度25-60度、拉伸强度28MPa。
今天3D打印的材料、服务、工具越来越丰富，但两种语言之间如何翻译，却仍然是个巨大的难题，很多人仍然陷入选材料、找参数的纠结之中。
企业做了那么多业务，其实这些知识早已沉淀下来，但让人读，工作量太恐怖。让AI读，那大概率会陷入混乱。
这就是3D打印企业Polymaker聚复科技给出的命题：AI时代，厂商与消费者如何连接？
三个来自浙江大学的机械工程专业的年轻人，用一个名为PolyPilot打印决策助手来回答这个问题。
这是一个基于飞书妙搭与豆包工作开发，兼具网页端应用与网页嵌入插件的一体化方案，能够把用户的自然语言，翻译成工程语言，从而达成：用户要什么，就给他打什么的流畅体验。
为什么通用模型做不到，PolyPilot就能做到？
答案是两个关键词，第一个关键词是专业。
三个学生给PolyPilot配齐了“眼睛”，它实时读取模型页面，接入玩家的打印机配置，还有手头语料。它调用了工程计算工具，检索 PolyMaker的官方预设库。
输出前还要经过一道工程溯源核验。核验通过之后，它就能给出带官方出处的打印方案，并把缺口耗材直接连接到官方商城。
飞书妙搭把每一次回答沉淀成经验库，继续优化整套产品。
第二个关键词是克制。
AI给出的决策卡必须附上材料商的官方出处，查不到的依据就直接拒答，不会像通用模型那样硬编。每张建议一定会挂上官方出处。
相比于其他的学生项目，PolyPilot还有个亮点：它有成熟的商业模式，且这个模式有闭环。
它直接连通了官方购买渠道。这不只是赚钱的事，它还创造了新的闭环：1.把信任转化为订单，再把订单转化为信任。2.数据，能够直接成为企业的生产指导，让他们知道消费者需要什么。
整个链条，看起来不像是某个大学生的创业项目，反倒像是一个成熟的大厂。
04 结语：解决错位
这三个案例遍布三个完全不同的行业：低空经济、汽车工业、3D打印。
在校园里，这三个专业很难出现在同一个系里。在资本市场，这三种公司很难出现在同一个ETF里。
看起来，这是完全不同的三件事。但在本质上，这三个创新案例，学生解决的其实都是同一个问题：信息的错位。
飞行预警的信息从来都有，但没有出现在算法迭代的闭环里。产线预警的信息一直都在，但无法高效地与设备出现的问题匹配。厂商专业的3D打印信息一直不缺，但无法与消费者的需求很好地对应。
借助AI的能力，借助企业的数据，借助飞书和豆包工作的平台化功能，他们让信息与正确的需求得到了匹配。
其实“解决错位”，这也是飞书这次大赛的目的。
飞书CEO谢欣说得很清楚：大学生面对AI时代的职业选择仍有不确定性。大赛希望弥合这种人才错位，让学生与企业在真实业务中相遇。
对学生来说，这个机会让他们看到了企业的真实需求是什么，真正的生产中有哪些痛点。
对企业来说，他们从作品中看到了学生真实解决问题的能力，这是简历和校园经历难以提供的。
当人才了解真实的需求，当企业发现了真正的人才，他们的成长又会被促进。
这也是一种闭环。
头图来源|AI制图
热门跟贴