一、AOI 裡過時的不是 A,也不是 I,是 O
AI AOI 這個詞已經把「用視覺基礎模型替代人工規則」說清楚了,這一層沒有問題。真正開始不合身的是中間那個 O——光學。這一個字母同時綁死了三樣東西,而這三樣今天都不再成立。
它綁死了成像模態
「光學」預設指可見光成像。但同一個 DaoAI World 世界模型底座上跑的,還有結構光 3D 成像、X 光、紅外,以及電鏡影像的定量分析。判定邏輯是共用的,成像方式不是。繼續把這件事叫「光學檢測」,等於在名字裡把其餘模態排除在外——而客戶的產線上,這些模態往往是並存的。
它綁死了檢測對象
在產業語境裡,AOI 幾乎等同於電路板檢測。當同一套系統進到醫療耗材、食品包裝或化工薄膜時,這個詞自帶錯誤上下文:對方第一反應是「我們不做板子」。名字先於方案被否掉,是最不值得的一種失敗。
它綁死了判定原理
光學檢測有一個隱含承諾:拍一張圖,和標準圖逐畫素比對。而這一代的做法恰恰相反——認的是元件,而非畫素。差別不在精度高低,在於判據掛在什麼上:掛在畫素差異上,換個光源、換個批次的來料就要重調;掛在特徵認知上,判的是「這個元件該長什麼樣」。
三條綁死,逐條對照
| 被「O」綁死的 | 光學檢測的隱含承諾 | 認知檢測的實際做法 |
|---|---|---|
| 成像模態 | 預設可見光成像,其餘模態不在詞義射程內 | 結構光 3D、X 光、紅外與電鏡影像共用同一套判定邏輯 |
| 檢測對象 | 產業語境裡預設指電路板 | 同一系統覆蓋電子、汽車、半導體、電池、醫藥、食品、化工、消費八類場景 |
| 判定原理 | 拍一張圖,與標準圖逐畫素比對 | 認元件、而非畫素:判據掛在元件的正常形態上,不掛在畫素差異上 |
二、C 換掉 O:自動認知檢測
ACI(Auto Cognitive Inspection,自動認知檢測)——保留 A(自動)與 I(檢測),把 O(光學)換成 C(認知)。這個名字要說的只有一件事:判定依據是認知,不是成像方式。
三條隨之變化的東西,都是站上已有產品頁裡能查到的做法,不是新承諾:
- 建模方式——ACI 把「收集缺陷樣本庫」換成只用良品建模:模型學的是正常形態,而不是窮舉異常。
- 換型方式——ACI 把「逐塊重新編程」換成0 程式碼換型:一塊良品樣板完成自動編程。
- 判定方式——從「畫素差異超閾值即報」變成語義誤報過濾:區分真缺陷與看起來像缺陷的正常變異。
把這三條放在一起看,「光學」已經不是它們的公因式了。認知才是。
三、為什麼只換一個字母
類別創新大多死在同一件事上:要求客戶學一套新詞彙。
現實是,招標文件、工藝文件、質檢規程、驗收標準裡寫的都是 AOI。換一個全新的詞,意味著這些招標與工藝文件要重寫一遍,而動筆改的人和買設備的人往往不是同一批——這一步的阻力比技術評估大得多。
A 和 I 不動、只換 O,既有招標與工藝文件的主體可以沿用:其中絕大多數處的 AOI 是設備類別名與工序位置,換名不改變這兩類位置上條款的含義。品類要往前走,同時把存量文件的改動量壓到最小,這是代價最小的一條路徑。
四、你現在需要哪一代
不必換名詞就能自查。如果下面這幾條裡有任何一條成立,說明你要解的問題已經不在「光學」這個詞的射程裡了:
- 產線上同時存在兩種以上成像方式(可見光 + 3D、或 + X 光 / 紅外 / 電鏡),而你希望它們共用一套判定邏輯。
- 檢測對象不是電路板,而現有供應商的方案描述裡到處是 PCB 語境。
- 換型頻繁,每次換型都要重新編程或重新收集缺陷樣本。
- 誤報的主要來源不是「沒拍清楚」,而是正常變異被當成了缺陷(反光、紋理、允許範圍內的位移)。
四條都不成立,那麼現有的 AI AOI 部署本來就夠用,不必遷移——這也是微鏈道愛的判斷。
延伸閱讀:這條路線的14個技術面
下面14篇分別論證了把「光學」換成「認知」在技術上意味著什麼。每篇都可以獨立讀,合起來是同一條判斷路徑。
包裝盒印刷：2D ACI 0 程式碼快速換型與多品種小批次檢測 —— 某消費品包裝廠藉助微鏈道愛 2D ACI 設備，實現多SKU包裝盒印刷缺陷的0程式碼快速換型，將換型調試時間從數小時縮短至 5 分鐘。
ACI OS 助力家電面板全檢, 提升產線節拍與產能 —— 微鏈道愛 ACI OS 助力某家電面板製造商, 透過 100% 全檢提升產線節拍, 將傳統缺陷檢測效率提升 30% 以上。
DaoAI 3D 機器人視覺: 替代人工目檢, 最佳化消費品錯漏裝 —— 消費品組裝線中，DaoAI 3D 機器人視覺替代人工目檢，將錯漏裝檢測效率提升至 99.7%，用工成本降低 35%。
新能源電池極耳焊接：3D ACI 助力產線節拍與100%全檢產能 —— 微鏈道愛 3D ACI 設備大幅提升某頭部新能源電池廠極耳焊接質量門全檢產能，將傳統人工目檢瓶頸徹底解決。
醫藥標籤OCR：APDT少樣本自訓練壓降誤報 —— 某中型製藥廠引入微鏈道愛 2D ACI 設備，藉助 APDT 少樣本自訓練技術，將藥品標籤序列碼 OCR 誤報率降低了 82%，顯著提升了產…
ACI OS 快速換型，PCBA 連接器多品種小批次檢測 —— 微鏈道愛 ACI OS 作業系統助力某中小型 PCBA 製造商，透過 0 程式碼快速換型，將 PCBA 連接器錯裝的換型時間從 30 分鐘縮短…
ACI 自動認知檢測：由世界大模型蒸餾、在客戶產線上持續迭代的工業質檢專用小模型 —— ACI 是微鏈道愛面向工業質檢的專用小模型，由世界大模型底座 DaoAI World 蒸餾而來，在客戶產線上持續迭代。本文給出它的建模方式、…
誰在給物理 AI 裝上眼睛？微鏈道愛ACI 認知檢測機器人第 1000 臺套交付部署 —— 到 2026 年 6 月 30 日，微鏈道愛 ACI 認知檢測設備累計部署 1000 臺套，集中在半導體與 PCBA。離線桌面機、SMT 單…
物理 AI 落地的兩半：執行側解決「壓多重」，認知側解決「這算不算缺陷」 —— 近期有國產力控廠商宣佈人形力控臂進入萬臺級交付，行業由此形成一個判斷：模型層不再是瓶頸，關鍵是把模型跑進物理世界。這個判斷在工業檢測這一側同…
缺陷是開集,良品是閉集:少樣本自訓練把判據換了一個方向 —— 傳統做法要窮舉「有哪些壞」,而壞的形態沒有邊界;只用良品建模要描述「什麼是好」,而好的形態有邊界。判據方向一換,冷啟動、換型與長尾缺陷三件事…
一條產線上不止一種成像:結構光 3D、X 光、紅外與電鏡怎麼共用一套判定邏輯 —— 同一條產線常常並存兩種以上成像方式。判定邏輯能不能共用,取決於判據掛在畫素上還是掛在元件上——這也是把「光學檢測」改稱「認知檢測」的技術理由…
閾值是一條曲線,不是一個數字:語義誤報過濾跳出了什麼 —— 抬高閾值換來漏檢,降低閾值換來誤報——規則層只能在這條曲線上移動。正常變異與真缺陷在畫素差異這一個量綱上重疊,想同時壓低兩頭,必須加第二條判…
報一次誤報,模型學一次:反饋學習到底學到了什麼 —— 一次複核翻轉的資訊量極小——一個樣本上的一個位元。真正起作用的是它被歸到哪一類元件,以及那一類裡已經有多少樣本。邊界往外推多少由分母決定,而…
0 程式碼換型:上一代為什麼必須重新編程 —— 換型要重新編程,不是因為軟體不夠自動,是因為上一代的判據掛在座標上——檢測框、閾值、模板全部按這塊板上的位置索引。板子一換索引就失效,連你已…
常見問題
ACI 和 AI AOI 是兩個產品嗎?
不是。ACI 是對同一條技術路線的更準確命名,不是另一條產品線。現有的 2D、3D 與 軟體系統仍然是同一套東西,頁面與型號都不變。
已經上線的 AI AOI 產線需要改造嗎?
不需要為了換名詞而改造。是否升級取決於上一節那四條自查,而不是取決於叫什麼;真要算這筆賬,見AOI 設備成本與投資回報怎麼算。
為什麼不直接叫「AI 檢測」或別的新詞?
因為招標與工藝文件裡寫的是 AOI。只改一個字母,這些招標與工藝文件的主體可以沿用——絕大多數處是一次查詢替換;換一個完全陌生的詞,等於把整份文件重寫的成本轉嫁給客戶。