ACI（Auto Cognitive Inspection，自动认知检测）是微链道爱面向工业质检的专用小模型：由通用世界大模型底座 DaoAI World 蒸馏而来，到了客户现场还能继续学习、不断变强。判据挂在元件的正常形态上，不挂在像素差异上，因此不绑定单一成像方式，也不默认电路板是唯一检测对象。
本文用到的 ACI 是「自动认知检测」(Auto Cognitive Inspection)的缩写—— AI AOI 的下一代提法:保留 A(自动)与 I(检测),把 O(光学)换成 C(认知),因为判定依据是认知而不是成像方式。完整论证见从 AI AOI 到 ACI。
到 2026 年 6 月 30 日，微链道爱的 ACI 认知检测设备累计部署 1000 台套，集中在半导体与 PCBA。
一个蒸馏下来的专用小模型
DaoAI World 是通用世界大模型底座，把空间、材质、光影、运动、因果放进同一个模型。装到某一条产线上的不是这个底座本身，而是从它蒸馏出来的专用小模型——不是从零训练，一上线就带着先验，再在这条产线上继续长。
这也是微链道爱对 AGI 的判断在工业侧的形状：AGI 等于一个通用世界大模型加上 N 个垂类小模型，而不是「大语言模型加 skill 或 agent」。语言模型擅长符号与知识的组合；制造要解的是物体在三维空间中如何存在、如何运动、为何这样运动——这些约束不在语料里，只在物理世界里。
建模：一块良品，30 秒到 5 分钟
ACI 只用良品建模——模型学的是「正常长什么样」，凡偏离即可疑。缺陷是开集，形态没有边界；良品是闭集，可以被描述完。判据方向一换，冷启动、换型与长尾缺陷三件事同时松动。
- 扫一块当前批次的良品参考板，系统自己学元件位置与外观
- 元件、引脚、极性秒级映射，不用手画 ROI
- 判定阈值从样板推出来，产线员工就能上手
- 同一类元件在样板上通常有多个实例，1 到 20 个就够它学会这一类的正常形态
- 不要 CAD 图纸，也不用先攒一个缺陷库
自动编程 30 秒到 5 分钟跑完，换型当天不占产线。
判据挂在特征空间，不挂在颜色空间
ACI 认的是元件的身份，而不是像素和颜色的相似度。这一条决定了几类最难的现场情况能不能过：黑板上的黑件、银线上的银件不靠颜色反差区分；元件转了 90 度、翻了面、表面沾了污染，也还定得住位。
判据不挂在坐标上，还带来两个直接结果：换板不需要重建索引，以及同一套判定逻辑可以跨成像模态。结构光 3D、X 光、红外与电镜图像共用同一套判据——成像方式是可换的，要判的东西不变。
准确率的上限不是一个预设值，而是迭代次数的函数。
越用越准：98% 到 99.99% 的那条曲线
冷启动这一端：一块良品一键建模，检出准确率到 98%，误报比上一代规则方案低约八成。跑起来之后这一端：经在线自我迭代，检出准确率可达 99.99%。两个数字都来自已落地的电子与 PCBA 产线，是匿名行业场景下的典型可达范围——换一种板型、换一批器件，结果会往两边走，以现场实测为准。
中间那段靠反馈学习走完。一次人工复核翻转，信息量其实极小——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：判定边界往外推多少，由分母决定。所以越是跑得久、样本累积得多的元件类别，判据收得越紧。
微链道爱总经理张宇在新华网 2026 年 7 月 20 日的专访中给过一个对照：人工目检连续作业三小时后，人就疲劳了，检测准确率会下滑到 90% 以下；而物理 AI 检测系统可以 7×24 小时不间断作业，且检测准确率稳定维持在 99.999% 以上。他说的是物理 AI 检测系统这一类的口径，与前面 ACI 设备自身的 98% 和 99.99% 不是同一个计量对象。
设备与指标
2D ACI 设备（IRIS ANT 2D 系列）：离线 P1 与 P1L 为 5MP·15μm，离线 P2 为 12MP·10μm；在线 P3 与 P3D 搭载 2600 万高速全局相机，光学分辨率 10μm/px，与 SMT 同节拍在线全检。
3D ACI 设备（IRIS ANT P5 / P5D）：21MP 相机加 4 方向沙姆投影光机，高度精度 ±6μm（使用校准工具），光学分辨率 10μm，最大高度量程 25mm，检查速度大于 10cm²/s。量的是二维光学量不出来的表面几何：BGA 与 QFN 的共面度、焊点高度与体积、微米级三维形貌。
被器件本体遮住的焊点、焊点内部的空洞，由 X 光或 CT 成像，ACI 判读这些图像——同一套判定逻辑，换一种成像方式即可。
- 检测系列 AQ-060：60×60mm 远心视野，2μm 重复精度
- 检测系列 AD-080：77×70mm 双光机，4μm 重复精度，±8mm 量程
- 检测系列 AD-470：477×435mm 大幅面，40μm
- IN 系列 Z 重复定位精度：IN-XS 5μm / IN-S 8μm / IN-M 15μm
- 抓取系列：BP-AMR / BP-AMR-GPU / BP-S / BP-M / BP-L
- 全系结构光成像加自研 3D HDR，黑色件与高反光件单次拍清，IP65，3 分钟现场标定
落在哪些产线上
同一套判定逻辑覆盖电子、汽车、半导体、电池、医药、食品、化工、消费八类场景。下面每类各取一到两个已落地的现场——客户均匿名，数字是匿名行业场景下的典型可达范围，换一种产品、换一条产线会往两边走，以现场实测为准。
- 电子与 PCBA：SMT 焊点虚焊、连锡、少锡在线检测，换型时间从 60 分钟缩短到 5 分钟；元件极性反向的误报率降低 82%
- 半导体：引脚共面性与划片崩边误报率降低 82%；微凸点桥连与缺失的误报率从行业惯常的 15% 降到 2.5% 以下；稀有缺陷的人工目检成本降低 75%
- 汽车：涂胶密封 100% 在线检测与路径纠偏，误报率降低 35%
- 电池：极片涂布在线全检，漏检率降到 0.08%；卷绕与叠片对齐 0 代码换型，换型时间从数小时缩短到 5 分钟内
- 医药：胶囊多类缺陷 100% 全检，产线节拍提升 25%，误报率降低 80%
- 食品：包装封口的微小褶皱与异物，漏检率从 1.5% 压降到 0.4% 以下，人工复判误报率降低 70%
- 化工与材料：印刷膜表面缺陷误报率降低 82%；纹理表面缺陷检出率提升到 99.7%；纸张微米级表面缺陷全检，误报率降低 75%
- 消费品：机身 Logo 丝印的微米级高速全检，误报率降低 78%；装配缺漏件与错装的高节拍 100% 全检，误报率降低 75%
这里要分清两件事：覆盖八类场景说的是同一套判定逻辑用得上，而前面那 1000 台套的实际装机目前集中在半导体与 PCBA 两类，其余场景是已落地的方向，规模不在一个量级。
部署：数据不出厂，断网能开工
ACI 按 100% 本地私有化部署交付：样板与检测图像全程不出厂，推理跑在产线边缘侧，单次判定时延小于 12 毫秒，断网不影响开工。交付方式包括 Docker 容器一键私有化部署与本地一体机开箱即用。
这不是一个可选项。良品率曲线、缺陷特征库与工艺参数是制造企业的核心机密，数据留在厂里是采购的先决条件，不是加分项。跑在产线边缘侧、做出每一次判定的，是那个蒸馏出来的专用小模型；检测过程不依赖外部云端接口。
本场景的完整方案：ACI OS 操作系统 行业解决方案
本文由人工智能生成。文中客户案例为基于产品真实能力的模拟场景，成效数字为示例性质；官方标定口径以产品页为准。