这是什么

AI 视觉方案落不了地，根因往往不在算法——而在一台售货机该有的 13 个字段没建对。掘金上「黒漂技术佬」这周发的这篇硬件建模笔记，把一台「双门两路锁四摄 4G」的智能柜原样映射成数据库——deviceNo、model、doorCount、lockCount、cameraCount、network、firmwareVersion、status、lastHeartbeat，一共 13 个字段。作者的判断是：字段不是摆设，每一个都对应一个真实运维动作，建模偷懒，运维还债。

看起来像 Java 课后作业，但它讲的是 AI 视觉方案落地前的基建活。没有这层字段，「柜内有 4 个角度」这件事在后台根本不存在，再厉害的视觉算法也拼不出完整拿货过程——画面在哪、固件版本对不对、机器还活着没，都查不到。

行业怎么看

支持的声音集中在「企业级真实日常」：一线开发者普遍反映，物联网项目出问题 80% 不是算法不行，而是连「这台设备到底几扇门」都查不到。硬件建模是远程控制、灰度升级、故障定位的前置条件，写得越细后期越省事。

反对意见也明确。一种观点认为这是过度工程——中小规模设备把信息塞成 JSON 灵活字段就够了，加字段改数据库结构的代价反而更高；另一种更尖锐：把硬件事实钉死在固定字段里，等产品迭代到第三代（动态货道、可拼接模块），回滚成本反而陡增。务实派建议把「会变的能力」抽成可配置项，而不是一开始就锁死。

对普通人的影响

对企业 IT：任何要在边缘侧（部署在设备本地、而非云端）跑视觉识别、语音交互的企业（不只是售货机，还有门禁、巡检机器人），都得先回答「这台设备有几只眼睛、走什么网」——数据地基没建好，AI 模型再好也是空中楼阁。

对个人职场：传统软件工程师如果想进 AI 物联网公司，光懂模型不够，要补硬件建模、设备协议、心跳机制这些「土功夫」——面试题里越来越多。

对消费市场：你在写字楼看到的无人售货柜偶尔「明明显示在线却付不了款」，多半就是心跳或固件版本字段没盯紧——技术细节决定了消费体验。