一个在高通做过算法研发的人，出来创业最顺理成章的方向是什么？大概率是手机、芯片、自动驾驶，或者这两年最热的大模型。张晖选的路有点反常识——他创办的康微视觉，干的是给高端电路板做光学检测的活，整天打交道的是焊点、锡膏和产线上的良率。一个站在技术金字塔尖的人，转身走进了工厂。

这件事表面看是"降维"，真正看懂的人会发现，它其实是一次非常精准的能力迁移。

先得说清楚，"检测"这两个字在高端PCB产线上意味着什么。它早就不是老师傅拿着放大镜看板子的年代了。一台3D AOI设备，要在产线节拍内对一块几百毫米见方、布满几百万像素信息的板子完成三维重建，要在高反光的焊球表面分辨出几微米的缺陷，还要把真缺陷和正常工艺波动区分开。这里面最核心的，恰恰是算法——但不是那种在公开数据集上跑分的算法，而是一种被物理世界反复刁难的算法。手机芯片里的算法要处理复杂信号、在功耗约束下做出快速可靠的判断；产线上的检测算法面对的是同一类问题的另一种形态：传感器噪声、光照变化、工艺批次差异，都在试图骗过你的模型。一个在高通打磨过"在极端约束下做可靠判断"的人，迁到这个场景，底层肌肉是相通的。

但算法只是入场券，真正决定成败的是另外一半。很多技术高手做产业硬件栽跟头，栽在同一个地方：他们以为把算法做准就够了，忽略了算法之外的整个系统。检测设备不是一个软件，它是光学、精密机构、运动控制、软件算法和工业设计捆在一起的东西。光源怎么布置才能压住焊球的镜面反射，相机和被测面成多少角度才能重建出准确高度，机架用什么结构才能在连续工作的热变形下守住几微米的精度，产线上的操作员怎么用、怎么校准、出故障怎么排查——这些问题没有一个是纯算法问题，可任何一个没解决好，再准的模型也落不了地。

这正是"懂算法的人来做设备"最有意思的地方。传统检测设备厂商往往是机械和光学起家，算法是后来补上的短板；而从算法端切入的人，天然会用数据和模型的视角重构整台设备，但他必须反过来补齐物理世界这一课。张晖的团队能把设备卖到英伟达、谷歌、华为的供应链里，说明这一课补上了——这些终端客户的验收极其苛刻，设备不光要在演示板上表现好，还要在他们的真实产线上、在长时间的连续运行里保持稳定，并且能跟现有的制造系统对接。能进这条供应链，本身就是对系统工程能力的一次认证。

从工业设计的视角看，这类创始人背景还会带来一个细微但重要的差别：他们对"人机协同"的理解通常更深。检测环节里有个长期痛点，设备再灵敏也会有误报，灵敏度过高时误报率能到百分之十几，产线不得不安排人每小时复判几十块板子。好的检测系统不是追求百分百自动、完全踢掉人，而是懂得怎么把机器擅长的海量初筛和人擅长的疑难复判配合起来——AI复判站先自动分类，操作员只处理机器拿不准的少数存疑品。一个写过复杂系统的算法负责人，对"把人放在闭环哪个位置"这件事，往往比纯机械出身的团队想得更清楚。

我们团队这些年看过太多硬科技创业项目，内部一直用四力五维的方法去判断一个团队和一个产品靠不靠谱，放在这次跨界上特别贴切。四力是做事的四种能力：创新力解决差异化，张晖的差异化不在"又一个AI概念"，而在用顶尖算法能力去啃一个传统但极硬的产业节点；专业力解决懂不懂这一行，从高通到产线，他要补的恰恰是焊接工艺、光学工程这些行业纵深，跨界不代表可以跳过行业理解；控制力解决落地和成本，算法要跑在客户产线买得起、节拍跟得上的设备里，算力、结构、成本必须同时收敛；保障力解决确定性，给英伟达这类客户供货，设备的长期稳定和服务响应就是入场的底线。五维是衡量产品的五把尺子：好看维在装备上是精密、克制、可信赖的工业气质；专利维保护的是光路、算法和机构的真正壁垒；合规维是高端供应链和出海绕不开的认证；成本维决定设备能渗透多广；量产维则是这门生意眼下最现实的关口——年产两百台已经满负荷，三年要扩到五百台，设备公司自己也得过制造一致性这一关。创新力通向好看与专利，专业力通向专利与合规，控制力通向成本与量产，保障力兜住全盘。一个技术明星能不能变成一个装备企业家，五维一量就清楚。

我们做产业装备项目时反复跟客户讲一句话：技术出身的团队最容易爱上自己的技术，最难爱上产线。可产线才是付钱的地方。我们介入这类项目，往往会拉着技术团队先在车间待够时间，去看操作员怎么对待一台设备——是信任它的判决，还是习惯性地把它的警报全按掉。后一种情况一旦出现，说明这台设备再先进也是失败的。算法要为人服务，设备要为产线服务，这个顺序反了，技术越高越容易做成一件没人用的展品。

所以在高通写算法和回头守产线，表面是两个世界，深处是同一种能力在寻找更硬的落点。当AI的光环大多集中在云端和对话里，总有人愿意把它摁到车间的地面上，让它去面对真实的焊点、真实的良率和真实的交货期。这种选择不性感，甚至有点笨，但一个国家的高端制造，恰恰是靠一批这样"往下走"的技术人，一寸一寸顶起来的。