知识中心 · 第2页｜AI落地方法论、技术解读与案例分析

AI案例分析销售Agent2026-08-18

Google ADK 的 lead generation 示例把研究任务拆成层级协作：发现信息、验证事实、合并证据、形成线索判断。重点并不是更大的爬虫，而是研究过程可以保存状态、并行和反复校验。

AI落地方法论Agent治理2026-08-15

生产 Agent 会跨多个回合、工具和系统，单看最终文本评分不足以定位问题。Google 的 Agent Platform 把 simulation、evaluation、observability 放在 Agent 运营核心位置。

AI技术解读具身智能2026-08-11

Google DeepMind 的 Gemini Robotics 将视觉、语言理解和动作输出放进同一模型范式，体现了 Vision-Language-Action（VLA）正在从研究进入更强的通用机器人能力。

AI技术解读具身智能2026-08-08

Gemini Robotics On-Device 强调在机器人本体侧运行和快速适配新硬件。对工业机器人、移动设备和叉车等场景，本地推理意味着更低延迟、更强离线能力和更清晰的数据边界。

AI案例分析机器人2026-08-05

NVIDIA 展示了用 Isaac Lab 在仿真中训练齿轮装配策略，再迁移到真实 UR10e 的流程。高保真物理、并行训练和域随机化可以显著减少真实设备试错。

AI技术解读机器人2026-08-01

Isaac Lab 把物理仿真、传感器、数据采集、强化学习、模仿学习和域随机化统一到模块化框架中，说明具身智能落地需要的是可重复训练流水线。

AI案例分析工业视觉2026-07-28

NVIDIA 介绍的 Covision 视觉检测案例采用无监督/自学习思路，用正常样本理解产品外观，再发现偏离正常分布的异常。这与制造业“坏样本少、缺陷种类长尾”的现实高度匹配。

行业洞察工业视觉2026-07-24

Siemens/EthonAI 的工业视觉产品把多相机检测、模型管理、质量趋势和工艺优化放在同一平台，说明制造企业需要的不只是一个 YOLO 模型。

AI案例分析多模态2026-07-20

Google Cloud 演示了将 Gemini、LangChain/LangGraph 与目标检测组合成多模态 Agent。对工业场景，真正有价值的延伸是：视觉结果可以进一步查设备、读 SOP、生成工单、请求复核。

AI落地方法论具身智能2026-07-16

Google DeepMind 在 Robotics 系列中不断强调通用性、交互和灵巧性，同时也把安全作为机器人能力扩展的基础。工业场景还要叠加机械、电气、功能安全和现场 SOP。

Google Vertex AI RAG Engine 的定位反映了企业 RAG 的真实工程量：模型之外还有数据源、索引、Embedding、检索、权限、更新和引用。

AI技术解读企业AI2026-07-08

Google Agentspace 强调企业搜索、知识连接与 Agent 执行之间的关系。Agent 想跨系统办事，首先要能够在权限约束下找到正确上下文。