--- title: 别再卷大模型了：为什么先进制造才是你这代人最大的机会 author: 朱奕樟 date: 2026-03-23 summary: 当所有人都在卷LLM的时候，全球最富有的几个人正在悄悄买工厂。数字AI在商品化，物理AI在爆发。CS+制造的翻译层人才缺口是这个时代最大的职业套利机会。 canonical: https://blog.sysu-sam.com/@zhuyizhang/why-advanced-manufacturing-2026 --- # 别再卷大模型了：为什么先进制造才是你这代人最大的机会 > AI Cube Lab | 2026.03.23 > 写给正在选方向的本科生 --- ## 先讲一个你可能没注意到的事实 2026 年 3 月，在同一周内： - Jeff Bezos（Amazon 创始人，全球第二富）宣布募集 **$1000 亿**买工厂 - Elon Musk 公布了 **$250 亿** TERAFAB 芯片制造厂计划 - Larry Page（Google 创始人，全球第三富）被曝出悄悄创办了一家 AI 制造公司 - Google 把旗下的工业机器人部门 Intrinsic 并入了核心业务 这四个人加起来的净资产超过 **$8000 亿**。他们都不缺钱做任何事情。他们选择了做制造业。 不是投资制造业的股票，不是给制造业做 SaaS，是**亲自下场造东西**。Bezos 担任 Prometheus 的联合 CEO——这是他 2021 年卸任 Amazon CEO 后第一次正式回归运营角色。Page 的 Dynatomics 在隐秘模式运营。Musk 把 Tesla、SpaceX、xAI 三家公司的芯片需求合并成了一个 $250 亿的超级工厂项目。 **问题来了：这些人看到了什么，而大多数人还没看到？** --- ## 数字 AI 在变便宜，物理 AI 在变贵 先看一张图。 ![职业套利：数字AI拥挤，物理AI空旷](https://blog.sysu-sam.com/images/zhuyizhang/chart_career.png) 2025 年 1 月，DeepSeek 用不到 $600 万训练出了 GPT-4 级别的模型。这件事的意义不在于"中国 AI 很强"——而在于它证明了**大模型的能力不是护城河**。当一个团队用 2000 块 GPU 就能复现 OpenAI 数十亿美元的成果，"训练更大的模型"就不再是一个值得投入一辈子的方向。 你的同学们正在疯狂涌入 AI/ML 赛道。2025 年，全国 AI 相关专业招生人数已经是 2020 年的三倍。每个人都在学 Transformer，每个人都在跑 LLM，每个人都在投大厂的算法岗简历。 但你有没有想过一个问题：**当所有人都会做同一件事的时候，这件事的价值还剩多少？** 经济学管这叫"商品化"。一旦技能变成商品，溢价就消失了。2015 年，会写深度学习代码的人年薪百万。2026 年，每个 CS 本科生都能跑 fine-tuning。技能没变，但供给变了。 而在物理世界——工厂、产线、机器人、精密制造——AI 人才的缺口正在急剧扩大。全球范围内，同时懂 AI 系统和懂物理制造过程的人，**可能不超过几千人**。 ![资本正在从数字迁移到物理](https://blog.sysu-sam.com/images/zhuyizhang/chart_money.png) 资本已经看到了。2026 年 AI 制造和机器人领域的投资占比从 2020 年的 15% 跃升到 40%。Bezos 的 $1000 亿、Musk 的 $250 亿、Apple 的 $6000 亿美国制造计划、NVIDIA 的 $1 万亿三年收入目标——这些钱去的地方，就是未来 10 年人才需求最旺盛的地方。 --- ## "翻译层"：这个时代最稀缺的能力 为什么这些巨头自己不培养人才，非要花天价去买工厂？因为他们买不到最稀缺的东西：**同时理解 AI 和物理世界的人。** 我把这叫做"翻译层"问题。 一台数控机床的振动信号出现异常。AI 系统看到的是：时间序列里某个频率分量幅值升高了 3 倍。老师傅看到的是：主轴轴承外圈开始剥落了，再跑两周就得换。 从"频率分量幅值升高"到"轴承外圈剥落"——这中间的距离不是算法能弥合的。它需要一个人同时理解傅里叶变换和 Hertz 接触理论。同时理解反向传播和疲劳力学的 Paris 公式。同时会写 PyTorch 和读工程图纸。 **这种人几乎不存在。** ![最大的缺口：CS+制造的人才严重不足](https://blog.sysu-sam.com/images/zhuyizhang/chart_gap.png) CS+金融的人才供给还行（量化交易把一批聪明人吸引了过去）。CS+医疗的供给也在改善（生物信息学的崛起）。但 CS+制造？空白。 原因很简单：过去 20 年，聪明的年轻人被告知"互联网是未来"、"金融是王道"、"进厂是没出路的"。制造业被污名化了。结果就是，一整代最有天赋的技术人才跳过了物理世界，全挤进了数字世界。 现在，数字世界的回报率在坍缩，物理世界的回报率在飙升。但人才的流向有巨大的惯性——它不会在一夜之间调转方向。 **这个错配就是你的机会。** --- ## 不是让你去流水线拧螺丝 当我说"先进制造"时，我不是在说传统意义上的工厂。让我描述一下 2026 年先进制造的实际样貌： **NVIDIA 的 Omniverse 平台**：在虚拟世界里建造一座与真实工厂一模一样的数字孪生，所有物理规律——重力、摩擦、流体——都被精确模拟。机器人在虚拟世界里试错百万次，然后把学会的技能迁移到真实世界。这不是科幻，BMW 和 Foxconn 已经在用了。 **Google 的 Gemini Robotics**：一个视觉-语言-动作模型（VLA），看一眼、听一句话就能控制机器人执行物理操作。仅需 50-100 个人类示范，就能学会一项全新任务。和 Boston Dynamics 合作的 Atlas 人形机器人计划 2028 年进入制造业。 **DeepMind 的 GNoME**：用 AI 发现了 220 万种新的稳定晶体结构——等于人类材料科学 800 年的积累。然后 Berkeley Lab 的机器人实验室自动合成了其中 41 种。从"AI 预测新材料"到"机器人自动合成"的闭环已经实现。 **Tesla 的 TERAFAB**：一座 $250 亿的芯片工厂，从晶圆制造到先进封装全部自主设计。Optimus 人形机器人计划年产千万台。Musk 说："我们要么建 TERAFAB，要么没有芯片。没有芯片，就没有机器人。没有机器人，就没有未来。" 这些东西需要什么样的人才？不是会调参的算法工程师（虽然也需要），而是： - 能设计**让物理约束成为模型架构一部分**的 ML 研究者（Physics-Informed Neural Networks） - 能在虚拟环境中**精确模拟设备退化过程**的仿真工程师（Digital Twin + PHM） - 能把**老师傅几十年的工艺经验变成可计算知识**的知识工程师 - 能让 AI 在**完全不同的设备之间迁移物理直觉**的迁移学习研究者 注意这些角色的共同点：它们都要求你**同时理解 AI 和物理世界**。纯 CS 做不了，纯机械也做不了。跨界才是壁垒。 --- ## 中国为什么特别需要你 全球制造业的格局正在被 AI 重新洗牌。中国的位置很微妙。 **好消息**：中国拥有全球最完整的制造业体系——联合国工业分类全部 41 个大类。灯塔工厂数量全球第一（60+ 座）。每天产生的工业数据是全球最多的。600 万 STEM 毕业生/年。如果有哪个国家有条件在 AI+制造上领先，应该是中国。 **坏消息**：中国制造业的 AI 化程度被严重高估了。60 座灯塔工厂听起来很多，但中国有 40 万家规上工业企业——灯塔占 0.015%。中小企业数字化率不到 30%。核心工业软件（CAD/CAE/PLM）还依赖 Siemens 和 Dassault。高端 AI 芯片受出口管制限制。 **更深层的问题**：中国制造业过去靠两个优势——规模和成本。如果 AI 让美国工厂可以用 1/3 的人力产出同等产量，"我有更多工人"就不再是优势。如果关税+AI 优化抹平了成本差距，"我更便宜"也不成立了。 这意味着什么？意味着中国制造业的下一个十年不是"继续做大做强"的惯性延伸，而是一场生存级别的转型。"新质生产力"不是口号，是在房地产和基建两个引擎熄火之后，第三个引擎能不能点着的问题。 这场转型最缺的不是钱（八部门专项行动有钱），不是政策（国家基金在倾斜），是**人**。是那种既懂 state-space model 又懂轴承疲劳力学的人。是那种能把 DeepSeek 的低成本路线移植到工业 AI 领域的人——用更少的算力、更精巧的物理先验，做出与 NVIDIA 全栈方案可比的效果。 中国的 600 万 STEM 毕业生是数量优势，但大部分涌向了互联网和金融。先进制造 AI 这个方向上的人才储备，和需求相比，差了一个数量级。 --- ## 你可能会问的三个问题 **"先进制造是不是工资低？"** 2015 年是的。2026 年不是。AI+制造的复合型人才的薪资溢价已经和量化交易工程师持平。原因很简单：供给极度稀缺。当全球只有几千人能做一件事，而 Bezos 愿意花 $1000 亿去雇佣能做这件事的组织时，市场会给出合理的定价。 **"做制造不如做纯 AI 有技术含量？"** 反过来。训练一个大语言模型，核心工作是数据清洗和超参数调整——这已经是高度工程化的工作了。但设计一个能编码物理退化过程的模型架构——把疲劳力学的 Paris 公式变成神经网络的拓扑约束——这需要的创造力和深度远超调参。Physical AI 是"更难的 AI"，不是"更低级的 AI"。 **"这个方向会不会也很快饱和？"** 数字 AI 饱和用了大概 5 年（2020-2025，从 GPT-3 到人人会跑 LLM）。Physical AI 的饱和周期会长得多，因为物理世界的学习曲线陡峭得多——你不能在 Colab 里模拟一座真实的工厂。进入门槛高意味着供给增长慢，意味着先发优势的窗口更长。 --- ## 具体怎么做 如果你现在是大一大二，以下是一条现实可行的路径： **基础层（大一大二）**：数学不能丢（线代、概率论、常微分方程——不是为了考试，是因为物理过程的建模全靠这些）。学好一门编程语言（Python 够用）。选修一门材料/机械/控制相关的课（不需要精通，需要建立物理直觉）。 **进阶层（大二大三）**：深度学习基础（不用追最新的 paper，把 CNN、RNN、Transformer、State-Space Model 的原理吃透）。找一个有工业数据的实验室加入（PHM 竞赛是很好的入口——PHM Society、PHMAP 每年都有，数据公开，门槛不高）。开始接触 NVIDIA Omniverse / Isaac Sim（有免费的教育许可）。 **突破层（大三大四/研究生）**：选一个"翻译层"方向深入——Physics-Informed ML、Digital Twin + AI、跨域迁移学习。写论文投 IEEE PHM、MSSP、TII 这些期刊。参与真实的工业合作项目（广东就是中国制造业的心脏——美的在佛山、比亚迪在深圳、大族激光在深圳，都离中大不远）。 关键原则：**不要把自己定义为"做 AI 的"或"做制造的"，要把自己定义为"做翻译的"**——在 AI 和物理世界之间架桥的人。这个定位在 2026 年是稀缺的，在 2036 年可能仍然是稀缺的。 --- ## 最后说几句不装的话 我不会告诉你"先进制造是未来"这种空话。没有人能准确预测未来。Bezos 可能错，Musk 可能错，Jensen 可能错。他们以前也错过很多次。 但我可以告诉你一个结构性的事实：**当太多人挤在同一条路上时，换一条路本身就是alpha。** 不是因为新路一定更好，而是因为竞争密度更低。 2010 年的移动互联网、2015 年的深度学习、2020 年的大模型——每一波浪潮都有一个共同特征：最大的赢家不是在浪潮最高点进场的人，而是在浪潮刚起来、大多数人还在观望的时候就下水的人。 2026 年的 AI+先进制造，大概处在"浪潮刚起来"的位置。大多数同龄人还在卷 LLM。你可以继续和他们挤，也可以看看旁边那条空旷得多的路。 选哪条是你的事。但至少，你应该知道还有另一条路存在。 --- *AI Cube Lab | Sun Yat-sen University | [ai.sysu-sam.com](https://ai.sysu-sam.com)*