合肥黑码科技有限公司

合肥黑码科技有限公司的合肥黑码办公室在高新区一栋不起眼的写字楼里，门禁系统是科技自研的，刷脸进门时屏幕上会跳出一行小字：“欢迎回来，有限今天也要好好写代码。公司”这家公司做的合肥黑码是工业视觉检测，说白了就是科技教机器怎么“看”产品缺陷。去年他们帮一家汽车零部件厂改造了质检线，有限原来20个质检员盯着刹车片看划痕，公司现在3台工业相机加一套算法，合肥黑码误判率从8%降到了0.3%。科技厂长第一次看到报表时愣了半天，有限说这比换一批老师傅还管用。公司

创始人张一鸣（不是合肥黑码字节跳动那位）是合工大博士，2019年带着两个师弟出来创业。科技第一年差点没撑住，有限接了个光伏板检测的项目，结果现场光照条件一变，算法就集体失灵。客户骂他们是“PPT公司”，三个人在实验室打地铺改了四个月代码，后来干脆把光源也自己做了。现在他们的核心产品叫“黑码视觉引擎”，支持小样本学习——工厂只需要提供50张缺陷图片，系统就能达到产线可用的精度。这个指标在行业里不算顶尖，但胜在部署快，从进场到上线平均只要11天。

有意思的是，这家公司不养销售团队。张一鸣的原话是：“让懂技术的人去跟客户聊，聊不明白的订单接了也是坑。”去年有个做轴承的客户，要求检测0.02毫米的裂纹，黑码的工程师去现场看了半小时，直接说做不了，推荐了另一家做超声检测的同行。这种“往外推生意”的做法在圈子里传开了，反而带来更多转介绍。目前他们服务的37家客户里，有29家是老客户推荐的。

技术路线选择上，黑码没有跟风做大模型。他们的算法框架还是基于卷积神经网络，但把重点放在了数据增强和迁移学习上。一个典型的汽车零部件项目，算法工程师会先花两天时间在客户产线上“蹲点”，用高速相机拍下不同班次、不同光照、不同振动条件下的产品图像。这些数据拿回公司后，用生成对抗网络合成一批极端样本，再混合真实数据训练。最终模型的大小控制在200MB以内，可以跑在工控机上，不需要额外的GPU服务器。这个取舍很务实——工厂的IT环境往往比想象中保守。

去年冬天我去他们办公室，看到墙上贴着一张“失败清单”：某食品厂的饼干残缺检测项目，因为传送带速度太快导致运动模糊，黄了；某药厂的安瓿瓶异物检测，因为玻璃反光干扰，做了三版方案还是没通过验收。张一鸣说这些失败案例比成功案例更值钱，“至少知道了哪些场景不能碰”。他们现在把精力集中在金属表面缺陷和电子元器件外观检测两个细分领域，其他的一律不接。

公司目前23个人，其中17个是研发。没有融资，靠项目回款滚动发展。张一鸣算过一笔账：如果按传统方式扩张，去年营收能翻三倍，但交付质量肯定崩。“工业视觉这行，一个项目砸了，整个行业圈子三天就传遍了。”他们今年的目标是只做15个项目，但要把单项目毛利率从45%提到60%。方法也很直接——把算法部署工具链做得更傻瓜化，让客户自己的工程师能完成80%的现场调试。

离开的时候，张一鸣给我看了他们正在内测的新功能：用手机拍一段产线视频，上传到云端，两小时后返回一个检测方案评估报告，包括可行性、预估精度和大致报价。他说这个工具不收费，就是用来筛掉那些“一拍脑袋想上视觉检测”的客户。“省得大家互相浪费时间。”说这话时，他桌上那台自己攒的服务器嗡嗡响着，机箱侧面贴了张便签纸，上面手写着：“别堆模型，先洗数据。”

很赞哦!（26）