维度网讯，Strivr认为工作前的培训存在上限，而工作中提供的智能才是更有价值的产品。这家企业培训平台公司近日推出前线智能平台，标志着其从VR培训转向实时工作辅助。该平台基于定制视觉语言模型，通过智能眼镜交付，系统在员工执行任务时实时检测错误并提供免提纠正指导，而非像以往那样仅在任务开始前进行模拟训练。

Strivr创立于斯坦福大学，CEO德里克·贝尔奇（Derek Belch）在那里撰写了关于VR对运动表现影响的论文，并在足球运动员身上验证了这一概念，随后将其引入企业。其商业模型始终围绕行为改变，而非内容交付。该平台从创立之初就每秒收集每个学习者超过100个数据点，追踪视线、动作、姿势、语音和情感，而不仅仅是完成状态。这一行为数据基础如今成为更宏大愿景的基石。前线智能使用智能眼镜捕捉真实世界的执行情况——视频、音频、工作流上下文和任务进展——并通过针对每个客户环境专门训练的视觉语言模型进行处理。当仓库操作员错误排序货物、漏扫或跳过检查步骤时，系统实时标记并在错误累积前提供免提纠正指导。

该平台瞄准的正是高频执行错误带来的显著运营成本。Strivr引用的第三方数据指出：仓库拣选错误占运营履约低效率的23%；人为失误导致大约20%的计划外制造停机，使工业制造商每年损失估计500亿美元；近25%的现场服务访问需要重复派车；有限服务餐厅面临110%的年员工流动率；可预防的医疗错误每年给美国医疗系统造成估计200亿美元损失。其中，快餐行业110%的年流动率数据尤为说明问题——在如此高的流动率下，培训成为一种永续成本且保质期极短。一个始终在线的智能层，无论员工任职时间长短，都能指导任何工人完成任何任务，这改变了前线运营的单位经济性。

前线智能平台的技术架构分为四步。第一步通过智能眼镜捕捉前线工作流；第二步针对每个客户的特定工具、环境和流程训练视觉语言模型；第三步实时检测并免提提供纠正指导；第四步声称随着更多执行数据积累，实现持续改进。这种按客户定制的VLM方法解决了通用AI在企业运营中的真正局限性：基于通用仓库数据训练的模型无法可靠识别特定客户的装配顺序、专有工装或设施布局。但这也引发了关于模型达到运营可靠性所需最小数据量、上线时间表以及上线前如何验证准确性的问题。平台页面将第二步的结果描述为“一个专门针对你所在环境如何完成工作而训练的AI模型”。采购阶段的买家应特别询问模型训练需要多长时间、需要多少捕获的工作流数据量，以及在部署到真实运营环境之前Strivr承诺的准确性基准是什么。

Strivr的VR培训记录有据可查。沃尔玛的入职培训从8小时缩短到15分钟；威瑞森员工在主动射击培训后感觉准备充分程度提高了97%。一位沃尔玛员工公开发布的感言称，经历VR体验后感觉自己真正在店里做出了那些决定，因此非常自在地直接进入销售楼层。前线智能则通过智能眼镜交付，设备在全班次中的舒适度、共用设备卫生、移动设备管理集成以及员工接受度都需要在每个特定环境中验证。尽管Strivr的企业基础设施已涵盖移动设备管理支持、企业集成以及安全与合规，但关于始终在线捕捉的内容记录、存储位置以及访问权限的政策层，需要客户方面自行完成治理工作。

Strivr在沉浸式工作领域中做出了一项在逻辑上更为连贯的押注。从工作前培训到工作中智能的转变是正确的方向，按客户定制的VLM架构是正确的方法，跨垂直领域的问题框架基于真实的运营成本数据。但目前尚未公开与VR培训传统所设定的成果证据标准相当的前线智能成果数据。这与其处于早期访问阶段的平台状态相符。拥有高容量前线运营、重大执行错误成本以及早期采用意愿的买家是合适的目标；需要完全记录部署记录才能承诺的买家则应密切关注，并在12个月后重新评估。