AI把设计费压到原来的一成——广东视觉AI公司做了件朴素的事
上个月在深圳，我蹲在一个朋友的工厂里看他试一套新系统。
他的设计师小陈盯着屏幕，AI自动生成了10个齿轮箱方案，每个都标注了公差、材料、受力分析。小陈花了40分钟挑了一个，改了三处细节，点了确认。
从接到需求到方案定稿——3小时。放在以前，同样的活要两个设计师加班两周，中间跟模具厂来回打样三次。现在，用原来十分之一的费用搞定。
我问小陈慌不慌。他笑了："我反而更忙了。以前一个月接3个项目，现在一个月接15个，单子多到干不完。"
这不是科幻片。这是2024年广东一批视觉模型公司干出来的真事。
核心创新
这家广东公司的做法和主流视觉AI完全相反：不追大模型参数，追垂直场景的"脏活累活"。
三步走：先用OCR和视觉模型把3万张历史图纸标准化。再把20年模具老师傅的工艺直觉显性化为1200多条工程约束规则（公差、表面粗糙度、材料屈服强度）。最后让AI在硬约束下自动生成合规方案。
工业图纸不是"图片"而是"密码"——每根线都有数学含义。通用视觉模型不懂公差±0.01mm意味着什么，所以壁垒不是模型参数量，是把领域知识编码进约束系统的工程深度。模型参数2.3亿，但训练数据全是标注了公差和装配关系的真实工业图纸，设计通过率从35%跳到78%。
发生了什么
这家广东公司的创始人以前做数控机床，连Python都不会写，但他懂图纸。他花了8个月，做了三件"不酷"的事：
第一步，图纸清洗。不管客户扔过来的是手绘、PDF还是老版本CAD，先用OCR+视觉模型识别所有要素。有个客户给了张1987年的蓝图扫描件，模糊得像鬼片，他们用自训练小模型跑了三轮才把尺寸标注全部还原。
第二步，约束编码。这是核心壁垒。孔的H7公差对应什么？表面1.6μm粗糙度在加工时意味着什么？材料屈服强度是350MPa还是450MPa？——这些不是算法能猜的，需要懂工艺的人写规则。团队里一个干了20年的模具老师傅，把脑袋里的"直觉"显性化成了1200多条约束规则。
第三步，方案生成。在硬约束下，AI自动出5-10个方案，每个都满足所有工程条件。设计师只需要说"方案3，把壁厚从2mm改成2.5mm"，AI自动调整并更新整套图纸。
现在这个系统每天处理200多个项目，设计通过率从35%跳到78%。
为什么能做到降本80%
一个真实案例：医疗器械外壳，中等复杂度。
传统流程：提需求2天→出草图3天→3D建模5天→仿真2天→打样5天→修改3天→再打样5天。一共25天。
AI流程：提需求1天→AI自动出10个方案（45分钟）→设计师挑方案微调（2小时）→仿真2天→一次打样通过。一共4天。
钱省在哪？不是设计师工资降低了——是设计师产出翻了7倍。以前一个设计师一年做12个项目，现在做60个。固定工资没变，每个项目的分摊成本降到原来的五分之一。
另外，打样次数从平均3.2次降到1.1次——一次打样成本不低，单这一项就省了大半开销。
关键是设计师没被裁。反而扩招了。以前公司养不起高级设计师，现在一个高级设计师能带三个AI助手，产出是以前的十倍。他们招了5个高薪设计总监，专门做方案评审和客户对接。
趋势判断
三个教训。
第一，不要追"模型"，追"场景"。视觉AI圈主流叙事是"谁家模型参数最大"。但这家的模型只有2.3亿参数，比开源模型小一个数量级。为什么还能赢？训练数据全是真实工业图纸，每张标注了公差和装配关系。通用模型能力在贬值——价格每季度降15-30%，但垂直场景壁垒在升值。
第二，做"脏活累活"才有护城河。图纸标准化、约束编码、数据清洗——不酷，但每做一单就多一份数据护城河。现在有12万张标准化图纸，同行想复制至少需要两年。通用模型公司今天用Flux，明天能换Sora，没粘性。
第三，AI不是替代设计师——是筛选设计师。不会用AI的设计师会被淘汰，但会用AI的设计师变得不可替代。因为评判"哪个方案好"需要两个能力：对产品使用场景的深度理解，和对"好了就是好了"的直觉。这两个能力AI没有——它不是"懂"，它只是"算"。
对创业者的意义
我在选创业方向时从这件事学到了最核心的东西：先问"用户最痛的那个点是什么"，再问"AI能不能让这个痛点消失80%"。能就干，不能就别碰。
这家公司现在15个人，年利润可观。没做过任何广告，全是客户介绍来的——因为一个客户降本80%，这个消息在圈子里传得比任何营销都快。
延伸思考
从35%到78%的通过率提升到底是怎么来的？ 35%意味着之前AI出的10个方案只有3-4个能直接用于生产。78%意味着7-8个能用了。中间差的这4个——是靠更多的约束规则堆出来的，还是模型推理能力本身提升了？如果是前者，约束规则从200条加到1200条这期间，通过率是线性增长还是突然跃升？有没有拐点？
2.3亿参数为什么够用？ 工业设计里的方案生成本质上是在约束系统里搜索可行解——但这是不是在说"我们不需要大模型，只需要约束求解器"？如果是这样，那1200条约束规则构成的搜索空间，2.3亿参数的模型是在"理解约束"还是"记住约束"？如果是记忆——那换一种全新零件类型（比如从齿轮箱换成电路板散热器），它在零标注数据的情况下还能保持78%的通过率吗？
本文数据来源于实地调研和互联网公开信息，仅供行业趋势参考。