问题——制造业转型升级呼唤更高水平的“智能化生产力”。
当前，制造业一方面面临质量稳定性、交付周期、成本控制等多维压力，另一方面也遭遇用工结构变化、产品迭代加快、供应链不确定性上升等新挑战。
传统自动化在部分环节已接近效率上限，而高精度检测、复杂装配、柔性生产调度等场景对感知与决策能力提出更高要求。
如何让先进算法在复杂、动态、噪声充足的工业现场稳定运行，成为企业智能化升级的关键“卡点”。
原因——技术与产业之间存在“落地鸿沟”，短板不在单点算法而在系统工程。
业内普遍认为，制造业场景往往具有流程长、变量多、容错低的特点，数据来源分散、标准不统一，且不少缺陷样本难以充分采集。
与此同时，工业现场强调稳定性、可解释性、可维护性以及对既有设备体系的兼容，单纯追求模型指标并不能直接转化为生产效益。
贾佳亚在公开表述中多次强调，科研要面向实际问题、尽快形成可验证成果，其创业思路也指向同一逻辑：让工程团队深入产线，先识别真实痛点，再以算法、数据和软硬件一体化方案形成闭环。
影响——从科研突破到产业应用的联动，正加速技术扩散与产业升级。
贾佳亚早年因对图像质量问题的兴趣进入计算机视觉领域，在相关方向持续取得突破性进展，并以“时间检验奖”等学术认可体现成果的长期价值。
近年，他又转向多模态大模型、工业智能体等前沿方向，探索更强的文本、图像、视频等多源信息融合能力。
相关技术一旦在工业现场实现稳定部署，可在多个层面带来增量：其一，提升检测与质控能力，减少漏检误检；其二，推动产线柔性化与工艺参数优化，提高良率并降低返工；其三，形成可复制的数字化能力体系，带动上下游协同效率。
更重要的是，制造业的智能化升级并非“替代工人”，而是通过“人机协同”提升组织效率与知识沉淀，让一线经验转化为可持续迭代的工业模型能力。
对策——以“场景牵引、数据驱动、工程闭环”为主线，推动技术在制造业形成可规模化复制的方案。
一是坚持问题导向，围绕缺陷检测、外观质检、工艺监控、设备预测性维护等高价值场景进行分层推进，先从可度量、可验收的环节切入。
二是完善数据与标准体系，推动数据采集、标注、治理与安全合规并行，形成跨产线、跨工厂可迁移的数据资产。
三是强化工程化能力建设，打通算法、算力、软件平台与现场设备的接口，提升部署效率与运行稳定性，避免“实验室效果好、现场效果差”。
四是推动产学研协同创新，以企业需求为牵引，将高校与科研机构的原始创新能力转化为可落地产品与解决方案。
五是注重人才梯队建设，培育既懂算法又懂工艺的复合型队伍，减少“语言不通”带来的组织摩擦与落地成本。
前景——随着新型工业化深入推进，工业智能将从“单点应用”走向“系统重构”。
从趋势看，未来制造业智能化将更强调跨模态感知、跨环节决策与跨工厂协同：多模态模型有望降低工业应用对单一数据类型的依赖，工业智能体则可能在规则、经验与实时数据之间建立更高效的决策链路。
同时，行业也将更加重视模型的可靠性评估、全生命周期运维以及对关键环节的可解释与可追溯要求。
可以预见，谁能在“真实场景的持续迭代”中建立技术与工程体系优势，谁就更有机会在制造业智能化的下一阶段形成核心竞争力。
此次贾佳亚入选ACM会士，既是对其学术贡献的国际认可，也折射出前沿技术向产业纵深推进的大势所趋。
贾佳亚的成长轨迹启示我们，科技创新的生命力在于与实际需求的紧密结合。
从计算机视觉的基础理论突破，到制造业智能化升级的创业实践，他用实际行动诠释了什么是真正的科技为民、创新为民。
在新一轮科技革命和产业变革的浪潮中，更多像贾佳亚这样的科学家和创业者，将人工智能等前沿技术与传统产业深度融合，必将为我国制造业的高质量发展注入强劲动力，推动经济社会发展迈向新的高度。