品胜开源AI专利附图工具，创始人赵国成称“开源才是护城河”

最近在开源社区GitHub上，一款AI专利附图工具开源上线了，出人意料的是，该AI产品来自一家做了多年充电宝、充电器的硬件公司——品胜。

在这一专利附图工具开发出来后，品胜创始人赵国成原本考虑过商业化，但旗下AI产品的负责人丛泽龙却认为，与其先考虑怎么收费，不如把工具开放出去，让更多企业能在自己的环境里使用，也让更多开发者参与测试和迭代。赵国成最终接受了这个建议。

这不是品胜唯一要开源的AI产品。作为集团AI产品负责人的丛泽龙告诉我们，团队还开发完成了一套用于筛选AI Native人才的线上“AI试炼”工具，也将计划开源。与此同时，品胜正在制作AI Lab官网，准备把AI管理提效工具、Agent产品下载入口和使用指南集中起来一起推出。

在丛泽龙的设想里，品胜未来的AI创新工具都将走向开源。但他没有把这条路描述成一场已经胜利的战役：工具做出来只是开始，后面有没有人持续使用，其他公司能不能用得起来，是否真的解决了问题，还需要继续打磨。

这让品胜的AI实践有了一个不同于常见企业转型故事的起点。它不仅关乎一家传统制造企业如何用AI提效，也关乎企业内部产生的创新成果，究竟应该被包装成一款收费产品，还是被放进更大的开源生态里。

打开一道AI创新的口子

别看丛泽龙是00后，已经在品胜带起了一支年轻的AI产品开发团队，他们的成长故事可以从一张专利附图说起。

在一次产品研发过程中，专利工程师与结构工程师之间的沟通效率不高，相关工作拖慢了进度。问题抛给了丛泽龙团队。

专利附图看起来只是研发链条中的一环，实际却涉及产品结构、工程模型和专利规范。结构工程师手里的3D模型，并不能直接变成符合要求的专利图纸。过去，相关人员需要反复沟通模型细节、视图选择和部件标注，工作推进往往受制于跨岗位协作。

丛泽龙团队尝试把AI与开源CAD工具结合起来，让系统读取3D模型、理解产品结构，并辅助生成爆炸图、部件标注等专利附图。AI负责理解人的意图、识别模型中的结构，再调用工程软件完成具体处理。它不是凭空生成一张“看起来正确”的图片，而是围绕真实模型开展工作。

这一区别很重要。专利图纸必须对应产品实际结构，不能只追求视觉上的完整。AI可以减少前期处理和反复沟通，但生成结果仍需要专业人员检查，最终质量也不能只靠模型自己判断。

据团队的实践设想，原本需要经历较长沟通周期的部分前期工作，有机会缩短到几十秒或几分钟。不过，这并不意味着从产品模型到正式专利申请的整个流程都能被压缩到几分钟，工程校验和专业审核仍然不可缺少。

工具做出初步成果后，团队才向老板赵国成展示。一个产品要不要做，并不始于公司层面先组织一场AI战略会议，这恰恰是品胜正在进行的AI转型的特点：创新不是从一份自上而下的规划文件开始，而是从业务流程中一个具体、令人头疼的问题开始。

丛泽龙说，最初的尝试并没有先变成一个正式立项的项目，而是先在部门内部找到需求、动手做，再把完整流程拿出来讨论。

这种做法给了团队一定的试错空间。与其先证明一个AI项目值得投入，再申请资源，不如先从真实工作中找到问题，做出可运行的东西，再观察它是否有价值。

工具逐渐成形后，赵国成看到了它的商业潜力。按照传统软件的思路，这样一款能解决实际问题的工具，似乎可以收费。但丛泽龙提出了另一种考虑：专利涉及企业尚未公开的研发信息，如果使用工具必须上传数据，潜在用户可能会有所顾虑；开源并支持本地部署，反而更有机会降低企业的使用门槛。

一个在制造业摸爬滚打多年的创始人，首先看见产品的商业可能；一个年轻团队负责人，则希望把产品放进更大的生态里。两种判断在一次具体的产品决策中相遇，最终推动品胜选择开源。

赵国成后来这样解释自己的判断：“如果按照传统SaaS软件企业的业务模式，这个产品收费也是行得通的。”但他也知道，品胜一旦下决心扎实地推进AI在企业的落地，类似专利附图工具这样的AI产品创新案例会源源不断，并且AI Native组织也将呼之欲出，“开源才是我们的护城河，未来这个团队和这条路径会更具价值，收费反而自缚手脚。”

当然，产品开源并不自动等于护城河，未来能否带来更多使用者、外部反馈和持续迭代，仍要看产品本身是否真正解决问题。但对品胜而言，这次选择至少意味着，团队的目标不再只是完成一个内部工具，而是尝试把内部积累的经验转化为外部也能使用的能力。

从“做一个工具”到搭建工具箱

专利附图工具之后，品胜还在推进其他AI应用，其中一项来自招聘。

丛泽龙向我们介绍团队开发的“AI试炼”工具，希望帮助公司用它来筛选符合AI Native人才定义的候选人，未来也计划向外部开源。AI Lab官网也正在制作中，准备集中呈现品胜AI产品创新团队开发的工具入口、下载方式和使用指南。

这些尝试有一个共同点：它们不是先确定一个面向市场的产品，再寻找使用场景，而是从品胜内部的具体需求中生长出来。专利附图工具对应研发、法务协作，AI试炼对应人才筛选，其他管理提效工具则试图处理日常工作中的重复劳动。

但内部好用的工具，不一定能直接成为外部产品。不同企业的数据结构、工作流程和安全要求并不相同，开源也不意味着别人下载后就能立刻使用。丛泽龙更关心的是，工具发布后能否获得真实反馈，再根据使用情况继续完善。

这也是品胜准备把相关工具集中起来的原因。若每个工具都散落在不同团队手中，其他员工不知道去哪里找，外部用户也难以了解有哪些产品可用。官网和使用指南试图解决的，是工具开发之后的分发与使用问题。

从这个角度看，品胜要建立的并不只是一个工具清单，而是一条从业务需求出发、经过内部试用、再走向外部验证的路径。

不过，工具数量并不能直接证明转型成效。真正的问题是，工具能否进入日常工作，是否有人愿意持续使用，以及它究竟节省了多少时间、改善了哪些结果。这些问题，品胜仍需要用后续实践回答。

AI正改变管理模式

如果说专利附图工具展示了AI如何解决具体业务问题，那么品胜内部的“许愿池”和“还愿群”，则呈现了另一面：当做工具的门槛下降，企业会涌现更多需求，但如何管理这些需求，同样成为一道新题。

丛泽龙的团队会收集各部门提出的AI需求，评估后再决定如何处理。据悉，“许愿池”中每周约有两三个需求会得到推进，“需求并不总能立即满足，团队的人手有限，也需要判断哪些问题值得优先投入。”

品胜得益于这一机制，把AI应用从少数技术人员的探索，变成了可以被其他部门提出、反馈和参与的工作。员工不必先掌握复杂的技术，才有机会尝试改善流程；他们可以先提出问题，再由团队一起寻找解决办法。

但需求一多，新的问题随即出现了：哪些需求值得做？做出来的工具是否有人用？不同部门的相似需求能不能复用？如果每个问题都重新开发一次，AI反而可能制造更多维护成本。

品胜围绕Skill开展的探索，正好碰到了这一矛盾。

Skill可以理解为让AI重复完成某类任务的一套指令、流程和知识。品胜AI产品团队自去年年底开始关注这一概念，今年3月起，他们陆续为不同部门和同事制作起Skill，“希望把一些工作方法沉淀下来，让员工不必每次从头操作。”丛泽龙在实践中，很快发现一些问题暴露出来。

像制作一个Skill所花的时间，有时甚至超过使用它节省的时间；工具还需要持续维护，使用频率和实际效果也不容易追踪；如果每个员工都单独制作一套，既容易重复，也很难判断哪些值得保留。

于是，丛泽龙团队开始制作SkillHub，希望把分散的Skill集中起来，便于查找、复用和管理。

听起来，这像是一个自然的解决方案，但真正落地并不简单。Skill应该在什么时机被调用？使用者能否判断它的质量？如果效果不好，应该由开发者还是使用者来优化？文档、知识库与Skill之间又该如何组织，才能让积累下来的经验在需要时真正被调用？

这些问题，丛泽龙并没有现成答案。这也揭示了企业AI落地中一个容易被忽视的事实：AI降低了制作工具和整理知识的门槛，却没有自动消除组织协作的成本。一个工具能被快速做出来，不代表它能被长期维护；一份知识被保存下来，也不代表它会在正确的时间被正确的人使用。

对企业而言，AI不只是多了一种软件，更意味着要重新考虑工作流程、知识沉淀和责任分配。工具越容易开发，企业越需要建立判断需求、管理工具和衡量效果的机制。

与丛泽龙从具体工具切入不同，赵国成更关注AI能否改变品胜的核心业务效率。

赵国成虽不是一个高频使用AI工具的人，但他告诉我们，自己每天会花大量时间透过短视频介质，去学习国内外最新的AI研究成果，然后去到丛泽龙团队的办公区域，进行讨论、分享等思想碰撞，研究哪些成果能应用于品胜等企业的实际工作中。

“我关心的重点，是研发环节的AI提效。”在赵国成看来，品胜的产品研发与创新高度依赖工程师经验、数据验证多且关系复杂，如果AI提效成功，将会缩短研发周期，提升研发成功率，这才是真正的生产力提升。

作为硬件企业，品胜开发一款产品，不只是完成设计图或写出一段代码，还要把电子方案、元器件、采购价格、供应风险、生产组装和验证环节连接起来。一个环节出现变化，都可能影响整个产品的成本和进度。

以一款充电器为例，从产品需求文档（PRD）出发，电子工程师需要选择核心部件并评估参数，采购人员要判断价格，供应链还要核查交付周期和停产风险。方案进入组装和验证阶段后，团队还要评估成本是否符合目标。如果成本超出预期，就可能需要调整定价，或者重新设计方案。

这是一条依赖经验、数据和跨部门配合的链条。即使每个环节单独看都不算复杂，把它们串起来，也可能耗费大量时间。

按照品胜团队的描述，相关方案反复沟通、评估和调整，一个月甚至更长的周期并不罕见。

问题在于，很多经验并没有完整沉淀在系统里。工程师知道某个元器件的参数是否合适，也可能记得某家供应商过去出现过什么问题，但这些判断常常分散在个人经验和不同资料中。人员变化、产品切换或工具更换，都可能让原有经验难以复用。

品胜并非从零开始补数据。据了解，自2015年起，品胜开始使用产品生命周期管理系统（PLM），持续积累物料信息、设计规范和风险记录。丛泽龙团队在这些数据基础上搭建元器件数据库，并连接第三方及原厂平台，同步元器件接口、电压协议、规格等信息。

有了这些基础，AI才有机会参与更复杂的研发任务。

目前，丛泽龙团队正在探索完全用 AI 做出一款 Agent 遥控手柄。设想中，用户拿起手柄，圈选电脑屏幕上的内容，通过语音交互。围绕这款产品，团队尝试把需求定义、器件选型、电路与结构设计、固件及上位机开发，以及样机试制、整机验证串成一条连续的AI研发流程。

团队已完成AI器件选型和初步结构堆叠，AI 也已生成原理图和初步 PCB Layout。眼下，团队正结合 Agent 复核与工程师评审，对照器件数据手册，检查接口选型、天线周边布局和布线约束，并根据发现的问题调整设计。

接下来，团队还需推进制板、焊接和上电调试，再开展外设驱动与软硬件联调，通信传输到上位机响应等完整链路，让屏幕里的设计逐步变成可以实际操作的样机。

但这仍是一项需要验证的实践。元器件数据是否完整、供应商信息是否及时更新、模型判断是否可靠，都会影响结果。硬件产品还要经过实际测试和专业评审审核，AI给出的方案不能绕过这些环节。

赵国成将这一方向称为从 “Vibe Coding” 走向 “Vibe Engineering”。他期待，把“提需求，让 AI 写代码”的方式延伸到硬件产品，让 AI 生成方案、操作工程工具、检查并修改设计，人则在关键节点判断、拍板。制造企业积累的经验由此成为指导 AI 工作的依据，缩短从一个想法到一个硬件产品的距离。

制造老炮与年轻团队的分工

品胜的AI探索，最终落在两种不同的工作范式上。

赵国成有多年硬件制造经验，熟悉产品、供应链和企业经营。他关注AI的最新进展，也会追问这些技术能否真正解决企业的问题。

丛泽龙团队则更靠近具体执行：从员工抱怨的流程中发现需求，动手制作工具，再把使用中暴露的问题带回去调整。

两者并非简单的“老板出钱、年轻人做事”。专利附图工具是否收费、是否开源，就是一次围绕产品路线的讨论。赵国成看到了商业化的可能，丛泽龙提出了安全、部署和生态方面的考虑，最终公司选择先开放工具。

赵国成把团队在AI上的尝试看作一种长期投入，在他看来，品胜扎实推进AI落地，在相关创新工具产品层出不穷背后，AI Native组织也可能随之形成。

所谓AI Native，并不只是员工会使用提示词或掌握几款工具。更重要的是，企业能否重新组织工作：把原本依赖个人经验的环节沉淀下来，把跨部门反复沟通的问题变成可复用的流程，让员工能够更快发现问题、试做方案，再通过真实使用来验证。

品胜已有一些条件可以支持这种尝试。它有真实的产品研发流程、积累多年的物料和设计数据，也有供应链及生产环节作为应用场景。团队不是在抽象地讨论AI能做什么，而是能把工具放进实际工作中，观察它是否有效。

其他企业未必没有做类似的事，之所以像专利附图工具这样的产品诞生在品胜，丛泽龙感慨，品胜把AI创者的优先级和投入方向，从一号位视角做了明确。

据悉，在赵国成授意后，不论品胜公司的整体AI化转型还是有关AI的分享、评审、招聘和考核，都由丛泽龙部门主导。丛泽龙也讲述，在品胜内部组织的AI宣讲会、创新活动中，公司会给所有分享的同事派发AI应用奖金。当前，品胜不仅愿意在AI创新的方向上多做尝试，还把其中一些成果开源，让更多人参与检验。

这条路并非没有风险。在交流中，丛泽龙也顾虑一些内部工具只适用于品胜自己的流程；一些部门同事提出的需求未必都值得产品化；甚至已经开源的项目，如果缺少使用者和维护力量，同样可能逐渐停滞。即使AI试炼、SkillHub和专利附图工具都已形成初步成果，也不能据此认定企业已经完成了AI转型。

品胜接下来仍要面对一些更具体的问题：AI工具是否被持续使用，外部企业能否顺利部署，研发流程有没有可衡量的改善，节省下来的时间能否转化为更短的产品周期和更高的研发成功率。

对赵国成而言，AI最终要落到生产力上；而考验丛泽龙团队的，将是怎么把一次次具体的创新变成可以复用、持续更新的能力。

眼下，品胜的AI变形记，还远没有到可以下结论的时候。它的意义或许不在于已经做出了多少款工具，而在于一家传统硬件企业开始尝试改变解决问题的方式了：让创新不必总是等待正式立项，让年轻团队能够从业务现场出发，也让内部做出来的东西接受更广泛的使用和检验。

从一张专利附图开始，品胜试图搭建的，是一条连接真实需求、工具开发、组织协作与外部验证的路径。它能否成为新的竞争力，最终仍要由使用效果来回答。（本文首发于钛媒体APP，文｜钱方）

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App