一、AOI 里过时的不是 A,也不是 I,是 O
AI AOI 这个词已经把「用视觉基础模型替代人工规则」说清楚了,这一层没有问题。真正开始不合身的是中间那个 O——光学。这一个字母同时绑死了三样东西,而这三样今天都不再成立。
它绑死了成像模态
「光学」默认指可见光成像。但同一个 DaoAI World 世界模型底座上跑的,还有结构光 3D 成像、X 光、红外,以及电镜图像的定量分析。判定逻辑是共用的,成像方式不是。继续把这件事叫「光学检测」,等于在名字里把其余模态排除在外——而客户的产线上,这些模态往往是并存的。
它绑死了检测对象
在产业语境里,AOI 几乎等同于电路板检测。当同一套系统进到医疗耗材、食品包装或化工薄膜时,这个词自带错误上下文:对方第一反应是「我们不做板子」。名字先于方案被否掉,是最不值得的一种失败。
它绑死了判定原理
光学检测有一个隐含承诺:拍一张图,和标准图逐像素比对。而这一代的做法恰恰相反——认的是元件,而非像素。差别不在精度高低,在于判据挂在什么上:挂在像素差异上,换个光源、换个批次的来料就要重调;挂在特征认知上,判的是「这个元件该长什么样」。
三条绑死,逐条对照
| 被「O」绑死的 | 光学检测的隐含承诺 | 认知检测的实际做法 |
|---|---|---|
| 成像模态 | 默认可见光成像,其余模态不在词义射程内 | 结构光 3D、X 光、红外与电镜图像共用同一套判定逻辑 |
| 检测对象 | 产业语境里默认指电路板 | 同一系统覆盖电子、汽车、半导体、电池、医药、食品、化工、消费八类场景 |
| 判定原理 | 拍一张图,与标准图逐像素比对 | 认元件、而非像素:判据挂在元件的正常形态上,不挂在像素差异上 |
二、C 换掉 O:自动认知检测
ACI(Auto Cognitive Inspection,自动认知检测)——保留 A(自动)与 I(检测),把 O(光学)换成 C(认知)。这个名字要说的只有一件事:判定依据是认知,不是成像方式。
三条随之变化的东西,都是站上已有产品页里能查到的做法,不是新承诺:
- 建模方式——ACI 把「收集缺陷样本库」换成只用良品建模:模型学的是正常形态,而不是穷举异常。
- 换型方式——ACI 把「逐块重新编程」换成0 代码换型:一块良品样板完成自动编程。
- 判定方式——从「像素差异超阈值即报」变成语义误报过滤:区分真缺陷与看起来像缺陷的正常变异。
把这三条放在一起看,「光学」已经不是它们的公因式了。认知才是。
三、为什么只换一个字母
类别创新大多死在同一件事上:要求客户学一套新词汇。
现实是,招标文件、工艺文件、质检规程、验收标准里写的都是 AOI。换一个全新的词,意味着这些招标与工艺文件要重写一遍,而动笔改的人和买设备的人往往不是同一批——这一步的阻力比技术评估大得多。
A 和 I 不动、只换 O,既有招标与工艺文件的主体可以沿用:其中绝大多数处的 AOI 是设备类别名与工序位置,换名不改变这两类位置上条款的含义。品类要往前走,同时把存量文档的改动量压到最小,这是代价最小的一条路径。
四、你现在需要哪一代
不必换名词就能自查。如果下面这几条里有任何一条成立,说明你要解的问题已经不在「光学」这个词的射程里了:
- 产线上同时存在两种以上成像方式(可见光 + 3D、或 + X 光 / 红外 / 电镜),而你希望它们共用一套判定逻辑。
- 检测对象不是电路板,而现有供应商的方案描述里到处是 PCB 语境。
- 换型频繁,每次换型都要重新编程或重新收集缺陷样本。
- 误报的主要来源不是「没拍清楚」,而是正常变异被当成了缺陷(反光、纹理、允许范围内的位移)。
四条都不成立,那么现有的 AI AOI 部署本来就够用,不必迁移——这也是微链道爱的判断。
延伸阅读:这条路线的14个技术面
下面14篇分别论证了把「光学」换成「认知」在技术上意味着什么。每篇都可以独立读,合起来是同一条判断路径。
包装盒印刷：2D ACI 0 代码快速换型与多品种小批量检测 —— 某消费品包装厂借助微链道爱 2D ACI 设备，实现多SKU包装盒印刷缺陷的0代码快速换型，将换型调试时间从数小时缩短至 5 分钟。
ACI OS 助力家电面板全检, 提升产线节拍与产能 —— 微链道爱 ACI OS 助力某家电面板制造商, 通过 100% 全检提升产线节拍, 将传统缺陷检测效率提升 30% 以上。
DaoAI 3D 机器人视觉: 替代人工目检, 优化消费品错漏装 —— 消费品组装线中，DaoAI 3D 机器人视觉替代人工目检，将错漏装检测效率提升至 99.7%，用工成本降低 35%。
新能源电池极耳焊接：3D ACI 助力产线节拍与100%全检产能 —— 微链道爱 3D ACI 设备大幅提升某头部新能源电池厂极耳焊接质量门全检产能，将传统人工目检瓶颈彻底解决。
医药标签OCR：APDT少样本自训练压降误报 —— 某中型制药厂引入微链道爱 2D ACI 设备，借助 APDT 少样本自训练技术，将药品标签序列码 OCR 误报率降低了 82%，显著提升了产…
ACI OS 快速换型，PCBA 连接器多品种小批量检测 —— 微链道爱 ACI OS 操作系统助力某中小型 PCBA 制造商，通过 0 代码快速换型，将 PCBA 连接器错装的换型时间从 30 分钟缩短…
ACI 自动认知检测：由世界大模型蒸馏、在客户产线上持续迭代的工业质检专用小模型 —— ACI 是微链道爱面向工业质检的专用小模型，由世界大模型底座 DaoAI World 蒸馏而来，在客户产线上持续迭代。本文给出它的建模方式、…
谁在给物理 AI 装上眼睛？微链道爱ACI 认知检测机器人第 1000 台套交付部署 —— 到 2026 年 6 月 30 日，微链道爱 ACI 认知检测设备累计部署 1000 台套，集中在半导体与 PCBA。离线桌面机、SMT 单…
物理 AI 落地的两半：执行侧解决「压多重」，认知侧解决「这算不算缺陷」 —— 近期有国产力控厂商宣布人形力控臂进入万台级交付，行业由此形成一个判断：模型层不再是瓶颈，关键是把模型跑进物理世界。这个判断在工业检测这一侧同…
缺陷是开集,良品是闭集:少样本自训练把判据换了一个方向 —— 传统做法要穷举「有哪些坏」,而坏的形态没有边界;只用良品建模要描述「什么是好」,而好的形态有边界。判据方向一换,冷启动、换型与长尾缺陷三件事…
一条产线上不止一种成像:结构光 3D、X 光、红外与电镜怎么共用一套判定逻辑 —— 同一条产线常常并存两种以上成像方式。判定逻辑能不能共用,取决于判据挂在像素上还是挂在元件上——这也是把「光学检测」改称「认知检测」的技术理由…
阈值是一条曲线,不是一个数字:语义误报过滤跳出了什么 —— 抬高阈值换来漏检,降低阈值换来误报——规则层只能在这条曲线上移动。正常变异与真缺陷在像素差异这一个量纲上重叠,想同时压低两头,必须加第二条判…
报一次误报,模型学一次:反馈学习到底学到了什么 —— 一次复核翻转的信息量极小——一个样本上的一个比特。真正起作用的是它被归到哪一类元件,以及那一类里已经有多少样本。边界往外推多少由分母决定,而…
0 代码换型:上一代为什么必须重新编程 —— 换型要重新编程,不是因为软件不够自动,是因为上一代的判据挂在坐标上——检测框、阈值、模板全部按这块板上的位置索引。板子一换索引就失效,连你已…
常见问题
ACI 和 AI AOI 是两个产品吗?
不是。ACI 是对同一条技术路线的更准确命名,不是另一条产品线。现有的 2D、3D 与 软件系统仍然是同一套东西,页面与型号都不变。
已经上线的 AI AOI 产线需要改造吗?
不需要为了换名词而改造。是否升级取决于上一节那四条自查,而不是取决于叫什么;真要算这笔账,见AOI 设备成本与投资回报怎么算。
为什么不直接叫「AI 检测」或别的新词?
因为招标与工艺文件里写的是 AOI。只改一个字母,这些招标与工艺文件的主体可以沿用——绝大多数处是一次查找替换;换一个完全陌生的词,等于把整份文档重写的成本转嫁给客户。