联邦学习试点的推进，像一缕春风，吹散了笼罩在陈曦团队心头的阴霾。5位核心老匠人的参与，为系统算法训练提供了100组珍贵的老匠人手工数据参数，研发中心的屏幕上，算法模型的识别精度，正以肉眼可见的速度稳步提升——从82%攀升至85%，每一个百分点的突破，都凝聚着团队与老匠人们的共同努力。

第604章结尾，老匠人联盟的信任重建全面展开，已有8位老匠人加入联邦学习试点，更多老匠人正陆续动摇，数据采集的僵局彻底被打破。陈曦团队原本以为，只要积累足够多的老匠人数据参数，就能快速将识别精度提升至协会要求的95%以上，可现实却再次给了他们一记重击。

这天清晨，研发中心里，李工盯着屏幕上的精度曲线，脸色再次变得凝重。他反复调试算法参数，对比分析100组老匠人数据与200组年轻传承人数据的差异，却始终无法突破85%的瓶颈。“陈姐，不对劲，我们明明补充了老匠人的核心数据参数，可精度还是停留在85%，没有进一步提升的迹象。”李工语气急切地向陈曦汇报，指尖在键盘上快速敲击，调出一组组数据对比图，“我排查了所有可能的问题，算法模型没问题，数据标注也没问题，问题出在数据本身。”

陈曦快步走到李工身边，目光紧紧锁定在屏幕上的数据图表。图表清晰地显示，在8项量化维度上，识别精度已经达到了90%以上，尤其是揉面力度波动、原料混合顺序等维度，识别准确率甚至接近95%；但在4项定性维度上，精度却普遍偏低，其中，塑形细微纹路识别精度仅78%，手工温度残留识别精度也只有80%，正是这两项的拉低，导致整体精度无法突破。

“定性维度的识别，还是太困难了。”陈曦眉头紧锁，轻声说道。她心里清楚，定性维度之所以难以突破，核心原因在于，目前团队仅依靠视觉数据（高速摄像机拍摄的纹路）和力度数据，无法全面捕捉手工工艺的独有特征。比如塑形细微纹路，手工制作的纹路看似杂乱无章，却藏着老匠人手指发力的习惯和经验，仅靠视觉观察，很难区分手工纹路与AI模仿的精细纹路；而手工温度残留，更是细微到难以用普通传感器捕捉，AI生成的糕团经过精准控温，表面温度与手工糕团差异极小，普通检测方式根本无法有效区分。

“我们已经尝试了各种算法优化方法，调整了特征权重，增加了定性维度的数据标注量，但效果还是不理想。”李工无奈地说道，“仅靠视觉和力度数据，根本无法精准捕捉定性维度的核心特征，再这样下去，我们就算积累再多的老匠人数据，也很难突破85%的精度瓶颈。”

研发团队的士气，再次陷入低谷。之前联邦学习试点成功带来的喜悦，渐渐被精度停滞不前的焦虑取代。张教授看着屏幕上的数据，忧心忡忡地说道：“陈曦，定性维度是区分手工与高端AI生成产品的核心，要是这部分精度无法提升，就算其他维度精度再高，整个系统也无法达到‘溯源保真’的要求，更无法通过协会的验收。”

王宇也从老匠人作坊赶了回来，带来了老匠人们的疑问：“陈姐，赵爷爷他们问，为什么系统已经用了他们的手艺数据，还是无法精准识别手工糕团？有几位老匠人甚至开始担心，是不是我们的技术不行，无法守护好他们的手艺。”

一边是定性维度识别精度停滞不前，无法满足协会要求；一边是老匠人们的信任面临考验，数据采集的推进可能受阻。陈曦坐在会议室的主位上，沉默不语，指尖轻轻敲击着桌面，脑海里反复思索着破解之法。她知道，现在必须找到一种新的技术手段，补充定性维度的识别数据，才能突破精度瓶颈。

“或许，我们可以引入多模态技术。”就在这时，一直沉默的食品检测专家周教授开口了。周教授是江南大学食品学院的教授，也是团队的特邀顾问，之前在跨界研讨会上，曾为特征维度的确定提供了重要支持。此刻，他推了推眼镜，语气沉稳地说道：“目前我们仅依靠视觉和力度两种模态的数据，无法全面捕捉手工糕团的独有特征。如果能引入红外光谱、微生物检测等多模态技术，采集更多维度的特征数据，就能精准区分手工与AI生成糕团的定性差异。”

“多模态技术？”陈曦眼前一亮，连忙问道，“周教授，具体怎么操作？红外光谱和微生物检测，能捕捉到哪些手工独有的特征？”

周教授点了点头，耐心解释道：“红外光谱技术，可以检测糕团的分子结构差异。手工制作过程中，老匠人的手部温度、发力方式，会影响糕团原料的分子排列，形成独特的红外吸收峰；而AI生成糕团，原料混合和加工过程都是标准化的，分子排列相对规整，红外吸收峰与手工糕团有明显差异。”

本小章还未完，请点击下一页继续阅读后面精彩内容！