把一家工厂积攒 70 年的发黄图纸、微缩胶片和老旧 PDF 扔给 AI，找一个替换零件要多久？OpenAI 在 2026 年 11 月 9 日给出的答案是 4.5 分钟。日本空调与工业设备制造商空研工业（Kuken Industries）联合本土 AI 开发商 Recursive，用 OpenAI API 搭了一套内部知识系统，把原本需要数十分钟甚至半天的找图时间大幅砍短，预计削减 90% 的检索工时。数字很漂亮，但如果你真以为通用大模型已经能替机械工程师审图，去工厂车间走一趟就会摔跟头。
在看清这套系统的底牌前，先把两份官方通稿里的关键事实对齐：
- 落地范围与数字口径.4.5 分钟的均值来自空研工业福冈工厂的试用阶段；削减 90% 年度工时是按上一财年实绩做出的试算预估，并非全厂跑满一年的实测值，双方计划在 2026 年内才向福冈与千叶工厂正式导入。
- 实际工作流.工程师输入图号，或上传截图、图像、PDF，AI 提取零件号并推荐对应图纸或相似设计候选，最后仍由人类工程师核对设备规格与更换历史后拍板。
- 附加功能.双方同步测试了比对规格书与图纸差异的图纸检查功能，原型评估中 AI 标出的不一致之处有 90% 为真实差异。
认得出零件号，不等于看得懂工程图
外行看工业图纸案例，最容易把检索提速当成工程理解。空研工业面临的是日本制造业普遍头疼的老师傅退休潮，过去哪个阀门改过尺寸、哪套设备换过副厂件，全装在老工程师脑子里。Recursive 帮空研工业做的，本质上是把一摞死图纸变成可搜索的文本与图像索引库。
但把字认出来，和把图纸看懂，中间隔着三层陡峭的台阶。
OpenAI 自己的开发者文档写得很诚实，旗下视觉模型在处理微小或旋转标注、大图缩放导致的细节丢失、精确空间推理以及虚线和实线等线条样式解释上存在明确局限。而一张合格的 70 年老旧机械图纸，恰恰布满了密集的旋转公差标注、微小字号和复杂的剖面线。
把 2023 年至 2026 年的几项工程图纸学术基准摆在一起，就能看清通用大模型在车间里的真实水位：
看图里的四个台阶就很清楚。2026 年 1 月发布的 AECV-Bench 测试了 120 张建筑平面图和 192 个问答对，模型回答纯文本类问题的准确率最高能到 95%；哪怕是 2023 年的专用工程图 OCR 管线 eDOCr，识别 F1 分数也能做到 94%（字符错误率 8%）。但只要任务往图形理解走一步，在 AECV-Bench 里让模型去数图纸上的复杂符号，准确率立刻掉到 40% 至 55%。
再往深走一步，2026 年 11 月刚出炉的 Blueprint2CAD 基准测试了机械线图与 3D CAD 零件的匹配能力。在已知标准视角下，最高 Recall@1 只有 65%；一旦换成未知视角，直接跌到 43%，零样本视觉大模型的验证准确率也只在 52% 到 67% 之间徘徊。
大模型在车间干的是图书管理员的活，还抢不了总工程师的饭碗。
这就是空研工业案例最值得玩味的地方。它之所以能拿到 4.5 分钟的漂亮战绩，恰恰是因为 Recursive 和空研工业克制了技术野心，把问题牢牢收敛在准确率 95% 的文本提取和候选推荐层，而把准确率只有四五成的几何空间核对留给了人类工程师。
为什么放着现成的工业 SaaS 不买，非要找外包定制？
我更在意的是这单生意背后的商业暗流。
在日本做制造业图纸 AI，早就有一家跑出来的独角兽叫 CADDi。他们从早期的主打产品 CADDi Drawer，一路升级到 2026 年 8 月面向新客户推出的 CADDi Explorer，干的就是用专用 OCR 加几何形状相似性检索，帮工厂管理历史图纸、打通采购价格数据。
既然市面上有打磨多年的垂直行业 SaaS，空研工业为什么不直接买张门票，反而要在 2026 年拉着 AI 咨询公司 Recursive，用 OpenAI API 从头攒一套系统？
《史记》有云，明者远见于未萌。制造业 CIO 们算盘打得很精，买的不是一个单点查图工具，而是自己工厂独有的业务流控制权。
看空研工业做的第二个功能就明白了。他们不仅要找图，还要把客户发来的非标规格书和自家历史图纸放一起做差异检查。这种高度耦合了企业内部审批习惯、特定表格格式的活，标准化 SaaS 很难为您一家工厂单独改代码。
过去二十年企业软件的剧本正在换皮重演。早年 ERP 进工厂时，SAP 卖标准套件，但真正赚得盆满钵满的是帮工厂梳理流程、写定制插件的本土实施顾问。今天 OpenAI 把多模态文档理解做成廉价水电，Recursive 这类本土集成商顺势拿过水管，直接捅进了垂直 SaaS 原本靠专用 OCR 筑起的护城河。
当然，这不意味着垂直 SaaS 会被一棒子打死。目前缺乏 CADDi 与 OpenAI 在同一套工程图纸集上的公开同台测试，但只要涉及到纯粹的几何形状搜图（没有图号可查的异形件）和跨供应链的零件比价，通用 API 依然啃不动。垂直厂商的防线正在被迫后撤，从帮你认出图纸上的字，退守到帮你算清几何结构与采购成本的账。
- 风险.如果制造企业把福冈单厂试用的文本检索提速，误判为 AI 已经具备工程合规审核能力，在千叶等更多工厂全面铺开后盲目削减人工复核环节，只要漏掉一个旋转公差符号，产线上报废一批模具的损失就足以吞掉全年省下的检索工时。
制造业买单前，先拿这三道题考厂商
对于同样守着几十年老图纸的国内制造厂和设备商来说，空研工业的案例是个极好的参照系，证明了不碰复杂的 3D 几何重构，光靠多模态模型把老旧 PDF 和扫描件里的图号、规格文字串起来，就能把半天的翻箱倒柜压缩到 4.5 分钟。
但如果你准备掏钱立项，无论是找类似 Recursive 的集成商基于大模型 API 定制，还是采购类似 CADDi 的垂直软件，别看厂商用高清标准图跑出来的演示视频。直接从档案室抽 50 张带折痕、带手写批注、带旋转公差的 30 年前微缩胶片扫描件，做一次盲测，只盯三个硬指标：
- 图号与微小标注的字符错误率（CER）要求厂商单独拆出旋转 90 度文字和公差上下标的识别率，看能不能压到 eDOCr 跑出的 8% 错误率以内；如果把
0.05认成0.5，检索再快也是毒药。 - 无图号状态下的形状召回率涂掉图纸上的零件号和标题栏，只传局部机械结构截图，测试系统还能不能在前 5 个候选里捞出历史相似件，这一刀能直接试出对方底层到底是套壳文本搜索，还是真有几何特征理解。
- 跨文档核对的漏报分布空研工业披露其规格书与图纸比对标出的差异有 90% 是真差异，但这只是精确率（Precision）；真正要命的是召回率（Recall），即图纸上明明有 10 处与规格书冲突，AI 到底漏报了几处。
到 2026 年底，空研工业这套系统就会在福冈与千叶两座工厂迎来正式导入的大考。届时那 90% 的工时削减预估能不能兑现、老师傅们把 4.5 分钟搜出来的图纸真正签字下发产线的比例有多高，才是检验大模型进车间成色的真试金石。