ACI（Auto Cognitive Inspection，自動認知檢測）是微鏈道愛面向工業質檢的專用小模型：由通用世界大模型底座 DaoAI World 蒸餾而來，到了客戶現場還能繼續學習、不斷變強。判據掛在元件的正常形態上，不掛在畫素差異上，因此不繫結單一成像方式，也不預設電路板是唯一檢測對象。
本文用到的 ACI 是「自動認知檢測」(Auto Cognitive Inspection)的縮寫—— AI AOI 的下一代提法:保留 A(自動)與 I(檢測),把 O(光學)換成 C(認知),因為判定依據是認知而不是成像方式。完整論證見從 AI AOI 到 ACI。
到 2026 年 6 月 30 日，微鏈道愛的 ACI 認知檢測設備累計部署 1000 臺套，集中在半導體與 PCBA。
一個蒸餾下來的專用小模型
DaoAI World 是通用世界大模型底座，把空間、材質、光影、運動、因果放進同一個模型。裝到某一條產線上的不是這個底座本身，而是從它蒸餾出來的專用小模型——不是從零訓練，一上線就帶著先驗，再在這條產線上繼續長。
這也是微鏈道愛對 AGI 的判斷在工業側的形狀：AGI 等於一個通用世界大模型加上 N 個垂類小模型，而不是「大語言模型加 skill 或 agent」。語言模型擅長符號與知識的組合；製造要解的是物體在三維空間中如何存在、如何運動、為何這樣運動——這些約束不在語料裡，只在物理世界裡。
建模：一塊良品，30 秒到 5 分鐘
ACI 只用良品建模——模型學的是「正常長什麼樣」，凡偏離即可疑。缺陷是開集，形態沒有邊界；良品是閉集，可以被描述完。判據方向一換，冷啟動、換型與長尾缺陷三件事同時鬆動。
- 掃一塊當前批次的良品參考板，系統自己學元件位置與外觀
- 元件、引腳、極性秒級對映，不用手畫 ROI
- 判定閾值從樣板推出來，產線員工就能上手
- 同一類元件在樣板上通常有多個實例，1 到 20 個就夠它學會這一類的正常形態
- 不要 CAD 圖紙，也不用先攢一個缺陷庫
自動編程 30 秒到 5 分鐘跑完，換型當天不佔產線。
判據掛在特徵空間，不掛在顏色空間
ACI 認的是元件的身份，而不是畫素和顏色的相似度。這一條決定了幾類最難的現場情況能不能過：黑板上的黑件、銀線上的銀件不靠顏色反差區分；元件轉了 90 度、翻了面、表面沾了汙染，也還定得住位。
判據不掛在座標上，還帶來兩個直接結果：換板不需要重建索引，以及同一套判定邏輯可以跨成像模態。結構光 3D、X 光、紅外與電鏡影像共用同一套判據——成像方式是可換的，要判的東西不變。
準確率的上限不是一個預設值，而是迭代次數的函式。
越用越準：98% 到 99.99% 的那條曲線
冷啟動這一端：一塊良品一鍵建模，檢出準確率到 98%，誤報比上一代規則方案低約八成。跑起來之後這一端：經線上自我迭代，檢出準確率可達 99.99%。兩個數字都來自已落地的電子與 PCBA 產線，是匿名行業場景下的典型可達範圍——換一種板型、換一批器件，結果會往兩邊走，以現場實測為準。
中間那段靠反饋學習走完。一次人工複核翻轉，資訊量其實極小——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：判定邊界往外推多少，由分母決定。所以越是跑得久、樣本累積得多的元件類別，判據收得越緊。
微鏈道愛總經理張宇在新華網 2026 年 7 月 20 日的專訪中給過一個對照：人工目檢連續作業三小時後，人就疲勞了，檢測準確率會下滑到 90% 以下；而物理 AI 檢測系統可以 7×24 小時不間斷作業，且檢測準確率穩定維持在 99.999% 以上。他說的是物理 AI 檢測系統這一類的口徑，與前面 ACI 設備自身的 98% 和 99.99% 不是同一個計量對象。
設備與指標
2D ACI 設備（IRIS ANT 2D 系列）：離線 P1 與 P1L 為 5MP·15μm，離線 P2 為 12MP·10μm；線上 P3 與 P3D 搭載 2600 萬高速全域相機，光學解析度 10μm/px，與 SMT 同節拍線上全檢。
3D ACI 設備（IRIS ANT P5 / P5D）：21MP 相機加 4 方向沙姆投影光機，高度精度 ±6μm（使用校準工具），光學解析度 10μm，最大高度量程 25mm，檢查速度大於 10cm²/s。量的是二維光學量不出來的表面幾何：BGA 與 QFN 的共面度、焊點高度與體積、微米級三維形貌。
被器件本體遮住的焊點、焊點內部的空洞，由 X 光或 CT 成像，ACI 判讀這些影像——同一套判定邏輯，換一種成像方式即可。
- 檢測系列 AQ-060：60×60mm 遠心視野，2μm 重複精度
- 檢測系列 AD-080：77×70mm 雙光機，4μm 重複精度，±8mm 量程
- 檢測系列 AD-470：477×435mm 大幅面，40μm
- IN 系列 Z 重複定位精度：IN-XS 5μm / IN-S 8μm / IN-M 15μm
- 抓取系列：BP-AMR / BP-AMR-GPU / BP-S / BP-M / BP-L
- 全繫結構光成像加自研 3D HDR，黑色件與高反光件單次拍清，IP65，3 分鐘現場標定
落在哪些產線上
同一套判定邏輯覆蓋電子、汽車、半導體、電池、醫藥、食品、化工、消費八類場景。下面每類各取一到兩個已落地的現場——客戶均匿名，數字是匿名行業場景下的典型可達範圍，換一種產品、換一條產線會往兩邊走，以現場實測為準。
- 電子與 PCBA：SMT 焊點虛焊、連錫、少錫線上檢測，換型時間從 60 分鐘縮短到 5 分鐘；元件極性反向的誤報率降低 82%
- 半導體：引腳共面性與劃片崩邊誤報率降低 82%；微凸點橋連與缺失的誤報率從行業慣常的 15% 降到 2.5% 以下；稀有缺陷的人工目檢成本降低 75%
- 汽車：塗膠密封 100% 線上檢測與路徑糾偏，誤報率降低 35%
- 電池：極片塗布線上全檢，漏檢率降到 0.08%；卷繞與疊片對齊 0 程式碼換型，換型時間從數小時縮短到 5 分鐘內
- 醫藥：膠囊多類缺陷 100% 全檢，產線節拍提升 25%，誤報率降低 80%
- 食品：包裝封口的微小褶皺與異物，漏檢率從 1.5% 壓降到 0.4% 以下，人工復判誤報率降低 70%
- 化工與材料：印刷膜表面缺陷誤報率降低 82%；紋理表面缺陷檢出率提升到 99.7%；紙張微米級表面缺陷全檢，誤報率降低 75%
- 消費品：機身 Logo 絲印的微米級高速全檢，誤報率降低 78%；裝配缺漏件與錯裝的高節拍 100% 全檢，誤報率降低 75%
這裡要分清兩件事：覆蓋八類場景說的是同一套判定邏輯用得上，而前面那 1000 臺套的實際裝機目前集中在半導體與 PCBA 兩類，其餘場景是已落地的方向，規模不在一個量級。
部署：資料不出廠，斷網能開工
ACI 按 100% 本地私有化部署交付：樣板與檢測影像全程不出廠，推理跑在產線邊緣側，單次判定時延小於 12 毫秒，斷網不影響開工。交付方式包括 Docker 容器一鍵私有化部署與本地一體機開箱即用。
這不是一個可選項。良品率曲線、缺陷特徵庫與工藝參數是製造企業的核心機密，資料留在廠裡是採購的先決條件，不是加分項。跑在產線邊緣側、做出每一次判定的，是那個蒸餾出來的專用小模型；檢測過程不依賴外部雲端介面。
本場景的完整方案：ACI OS 作業系統 行業解決方案
本文由人工智慧生成。文中客戶案例為基於產品真實能力的模擬場景，成效數字為示例性質；官方標定口徑以產品頁為準。