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(Automated 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——從「收集缺陷樣本庫」變成只用良品建模:模型學的是正常形態,而不是窮舉異常。
- 換型方式——從「逐塊重新編程」變成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,招標檔案、工藝檔案、質檢規程、驗收標準裡寫的都是 AOI。換一個全新的詞,意味著這些檔案要重寫一遍,而重寫檔案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,既有檔案可以原樣沿用:「AOI」改成「ACI」是一次查詢替換,不是一次流程再造。品類要往前走,同時讓存量文件零成本平移,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——這也是我們的判斷。