2024年秋末，北京的一场产业智能化闭门研讨会上，一位与会专家在发言中说：“中国的设备选型问题，并不在于‘选’，而在于我们对‘场景’的理解粗糙。”坐在角落的高淑锦没有立即回应，她仅在笔记本上写下了一行字：“选型应是知识融合的过程，而非参数叠加的算术题。”这一细节，被一位现场记录者事后分享在行业论坛上，引起不少技术专家的共鸣和转发。
这种深入设备使用逻辑、却不流于“技术空谈”的风格，几乎成为高淑锦近年来研究的一种写作语言。她的两项核心成果——“一种多维设备性能与场景适配评分系统V1.0”与“基于机器学习的工业控制设备选型辅助系统V1.0”，不仅重新定义了设备智能匹配系统在工业领域中的应用方式，也实质性推动了许多中型制造企业在“决策智能层”上的跃迁。
与市场上大多以“平台效率提升”或“成本控制”为主要目标的解决方案不同，高淑锦提出的这套方法论，强调从设备功能与使用场景的“语义适配”出发，建立跨维度参数解析模型，再辅以机器学习的经验反馈机制，最终形成可用于推理的系统性判断矩阵。简言之，这不是一个“替你选”系统，而是一个“帮你理解”平台。
这种系统性思维与工业复杂现实之间的共振，在过去一年内已有真实的市场回响。2024年，她与某知名的工程设备公司签署技术授权协议，并于一年后收到后者出具的详细反馈分析，报告指出，该系统帮助企业解决了早期产品推介中“技术人员理解不到位、客户表述模糊、项目设计失配”等常见难题，有效提升了选型命中率与项目交付质量。
值得注意的是，这些成果的背后，并没有一个以“高大上”科技名词为外壳的超级平台。高淑锦更倾向于称它们为“嵌入式认知工具”。“我们的制造现场，永远在动态变化。”她曾在2023年接受行业访谈时这样说，“技术的价值不是替代人的判断，而是降低复杂性带来的认知负担。”这正是她在多个系统设计中反复强调的“第二层系统”：既不只是硬件层的数据采集，也不只是业务层的表单流转，而是更靠近理解力的“知识结构层”。
在行业趋势层面，这种技术路径也与当前中国制造业数字化转型的政策引导相呼应。2025年年初，中国工业和信息化部发布的《关于深化中小企业数字化赋能的指导意见》中明确提出：要推动“选型辅助、工艺智能生成”等关键场景的技术突破。在此背景下，高淑锦所提出的“选型决策智能协同框架”，为政策落地提供了可被快速推广与复制的范式样本。
但她本人对“被称为行业范式”的说法似乎持有距离感。“我不认为它已经足够完备。”她在不久前的一场闭门演讲中表示，“真正的挑战不是建一个‘可用系统’，而是让用户在不自觉中做出更聪明的决策。”
这句近乎哲学化的表达，或许也揭示了高淑锦在这一阶段技术实践的根基——不是把系统造得更庞大，而是更贴近问题本身。
正因如此，她的原创成果也开始走出“电气设备工程”这个相对传统的技术领域，向医疗器械配置、轨道交通控制、甚至城市基础设施维护系统延伸。据悉，目前已有多家机构就技术转化与合作意向进行初步接洽，这或许意味着，“选型智能”这一曾被视为细分技术的议题，正被重新置于“工业认知革命”的广角镜中。
如果说人工智能让我们得以重新想象机器的边界，那么高淑锦的研究，则让我们重新理解“适配”这个看似朴素的概念——在一个工程项目之初，选择什么设备，不只是技术选项，更是对整个系统结构、合作效率和资源利用效率的深层表达。
而她的工作，正让这些原本隐蔽在选型表格背后的判断机制，逐渐被照亮，并可被学习、模仿、改进。（文/李盛川）
