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

產線上真正難的從來不是那些典型缺陷。難的是換上一塊從沒見過的板、同色器件壓在同色底板上、一枚元件正面朝上卻轉了 90 度。在這些瞬間，設備要麼給出判斷，要麼把人叫回來重新編程。

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。

換型那天，產線停下來的不是裝夾那幾分鐘，停的是檢測這一段。工程師要把新板子上幾百個位號重新畫一遍檢測框，再把閾值一個個試回來。熟練的人也要三到五個小時。這段時間裡，貼片機停在半程，迴流爐空著爐膛升著溫，整條線等一個人把「什麼算合格」重新教一遍。

微鏈道愛說，到 2026 年 6 月 30 日，它的 ACI 認知檢測設備累計部署 1000 臺套，集中在半導體與 PCBA。

一千臺套在這個行業算不上大數目，但它是一道分水嶺。設備賣到幾十臺時，比的是單臺能做多準；賣到上千臺、分散在許多條產線上，約束條件就換了：真正難的是讓第一千臺和第一臺在不同的來料、不同的批次、不同的班次下，給出同一套判斷。換句話說，難的不再是某一次判得多準，而是第一千次和第一次判得一樣。這正是這家公司現在必須回答的問題，也是整個 AI 視覺檢測品類從「能做到」走向「一直做到」的那一關。

物理 AI 要落到產線上，手臂負責「壓多重」，眼睛負責「這算不算」。

這一千臺套也不是同一種機器。離線的桌面機擺在來料檢驗和小批次試產的工位上，一塊良品樣板五分鐘編完程就能開檢；線上的單軌機騎在 SMT 線上，隨節拍全檢；三維那一檔用結構光量高度與共面性，看的是二維光學根本看不見的東西。機臺不同，光學不同，節拍也不同，判據卻得是同一套。

這些機器在站上歸兩條產品線：2D ACI 設備（IRIS ANT 2D 系列）覆蓋離線桌面全檢與 SMT 單軌線上全檢，P1、P2 是離線檔，P3 走線上單軌。

另一條是 3D ACI 設備（IRIS ANT P5 / P5D），線上做微米級三維檢測，處理 BGA、QFN 這類二維光學看不到的隱藏焊點與共面性問題。

眼睛和大腦是兩件事

說檢測設備是產線的眼睛，容易讓人以為難處在成像。成像這一關行業二十年前就過了。難的是成像之後那一步：把光變成像是眼睛的事，判斷眼前這個算不算缺陷是大腦的事。上一代把兩件事捆在一起，光學好不好幾乎等同於檢測準不準，於是每遇到一種新板、一批新來料，人就得回來重新告訴它「應該長什麼樣」。

ACI 這個類別是微鏈道愛定義並創造的，全稱 ACI（自動認知檢測）。三個字母裡過時的那一個不是 A，也不是 I，是 O。光學只回答「看上去像不像」，而產線每天要回答的是「這個算不算」。兩個問題長得很近，差別在於前者有標準答案，後者沒有，它取決於這一批板子、這一道工序、這一刻的來料。要換掉的不是鏡頭，是判定發生的地方。

換到哪裡去？換到特徵空間，不在顏色空間。系統認的是元件的身份，而不是畫素和顏色的相似度。黑板上的黑件、銀線上的銀件因此天然可分；轉了 90 度、翻了面、表面沾了汙染，也還定得住位。建模只要一塊良品樣板，同類特徵一到二十張良品就夠，不要 CAD 圖紙，也不用先攢一個缺陷庫。

• 掃一塊當前批次的參考板，系統自己學元件位置和外觀
• 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

公司給出的口徑是：自動編程三十秒到五分鐘跑完，一塊良品一鍵建模的檢出準確率到 98%，誤報比既有規則方案低約八成。微鏈道愛說這些數字來自它已落地的電子與 PCBA 產線；換一種板型、換一批器件，結果會往兩邊走。

大腦底下是一個世界模型

這顆大腦不是為檢測單獨訓的。它底下是 DaoAI World：把空間、材質、光影、運動、因果放進同一個模型。工具呼叫解決的是「會不會用」，世界模型解決的是「看不看得懂」。缺陷判定、抓取位姿、軌跡預測不是檢索得到的答案，要從三維結構與物理規律裡算出來。

按公司的說法，這帶來兩個在產線上能直接感覺到的結果。同一套系統能從 PCBA 的焊點跨到汽車塗裝面、再跨到電池極柱，因為它認的是形態與結構，不是某一類板子的模板；一塊從沒出現過的新缺陷，也不會因為「不在缺陷庫裡」就被放過。

按微鏈道愛的說法，這套底座是自研的：從 3D 結構光與 HDR 成像一直做到世界模型，因此黑色件與反光件能單次清晰成像，不必在打光上反覆試。公司還強調，DaoAI World 不是一個雲端 API，而是一套可以完整裝進客戶機房的物理 AI 底座。

兩條路線比的不是誰強，是被什麼約束

過去三年，AI 的主流敘事寫在另一條路線上：能力來自網際網路規模的語料預訓練，形態是雲端介面與工具呼叫，衡量標準是一組通用基準上的分數。那條路線跑得很快，而且它的快是真的：同一個模型今天會寫程式碼，明天會讀論文，後天會呼叫別的工具，能力增長幾乎不需要現場。

工業檢測這一側的約束長得不一樣。它要回答的問題不是「會不會用」，是「看不看得懂」：一枚元件轉了 90 度算不算裝反，一處塌陷是工藝正常變異還是缺陷，這些答案不在語料裡，要從三維結構和物理規律裡算出來。於是能力的來源也換了：不是又讀了多少文字，是又在多少條真實產線上跑過多少塊板。

兩邊的代價因此完全不同。雲端路線的邊際成本壓在算力上，加機器就能加能力。物理 AI 這一側壓在現場：每一條產線的來料、光照、節拍、工藝視窗都不一樣，裝進去、調穩、跑夠時間，才換來判據上的一點點進步。錢能買到算力，買不到一千條產線上的一年。

部署形態也跟著分叉。通用路線的預設假設是模型在雲上、資料流向模型；按微鏈道愛的說法，它的做法是反過來，資料不動，模型進廠。這對通用能力的積累是不利的，公共底座本來就是規模效應的來源；但在工廠把良品率曲線、缺陷特徵庫和工藝參數當作核心機密的行業裡，這是一個先決條件，不是一個選項。

大腦要有身體

光有判斷還站不到產線上，所以有 ACI OS。它是所有 ACI 以及下一代 AOI 設備的作業系統，包含兩半：視覺識別與認知判斷是大腦，相機、導軌的運動控制是小腦。它可以隨一體機開箱即用，也可以透過 SDK、REST API 或 Docker 嵌進客戶已有的 2D / 3D 設備與產線軟體。

小腦這一半常被低估。判斷再準，如果相機在錯誤的時刻曝光、導軌在錯誤的位置停下，拍到的就不是要判的那一幀。把成像與運動收進同一套作業系統，是為了讓上面那顆大腦每次拿到的都是同一種輸入。不同機臺、不同批次之間表現能一致，前提就在這裡。

落到這臺設備上，公司給出的參數是：推理跑在產線邊緣側，單次判定低於 12 毫秒，斷網照樣用。邊緣側這個選擇同時解決兩件事：判定趕得上節拍，以及工廠的網路狀況不再是檢測能不能開工的前提。

它在產線上自己變準

系統上線不是終點，是起點。質檢員在復判介面上標一次誤報，模型當場更新過載，同類錯誤不再犯。這條迴路每天在一千臺套上各跑各的，攢下來的是每條線自己的模型。

公司給出的口徑是：ACI 經過線上自我迭代，準確率達到 99.99%。微鏈道愛說這個數字的分母不是實驗室樣本，而是每條產線自己跑過的板。換句話說，它衡量的是一臺設備在某條線上待久之後的表現，不是出廠那一刻的表現。

方向也值得看一眼。規則方案用久了會越來越僵：為了壓住一種誤報加一條規則，規則之間開始打架，最後沒人敢動。認知判定的迴路是反過來的，見得越多，它對「正常」的邊界描得越細。

這套說法怎樣才算被證偽，其實很具體。如果某一批新機器在同樣的板子上判得和上一批不一樣，如果換型後的第一塊板仍然要人回來調閾值，如果誤報壓下去的同時漏檢悄悄上來，那麼「一致性」就沒有成立。這些都不是演示能回答的問題，只能由時間和裝機量回答，而這恰好是公司自己選定的那把尺。

三條產線上發生了什麼

口徑之外，還有幾條已經上線的匿名記錄。最能說明問題的是一家頭部消費電子 PCBA 廠：它的傳統 AOI 一直在報，報得太多，複檢工位的人從早看到晚，把機器判為可疑的板子一塊塊重新看一遍，再把絕大多數放回產線。ACI OS 疊加 APDT 正樣本學習被放在傳統 AOI 之後，當第二道閘門，只處理前一道報出來的那些：誤報下降約 80%，複檢量隨之下降 80%，漏檢控制在 1% 以內。換句話說，那條線上真正變少的不是缺陷，是人盯著螢幕的時間。

• 某汽車電子 PCBA 廠：二極體與電解電容的極性誤報頻發，傳統 AOI 把絲印反光當成裝反。164 張歷史誤報圖，推理不到 1 秒，極性判定準確率約 99%。
• 某晶圓廠：復判靠人工，過殺率長期高於 20%。引入之後降到 2% 以下，復判人機比減少 90%，節拍提升 30%。

這三家的工藝、板型、節拍沒有一樣是相同的，而用的是同一套判定原理。這也是前面那個問題的另一種問法：一千臺套裝在不同工廠裡，它們到底是一種產品，還是許多種各自調過的產品。

一千臺套考驗的是一致性

一千臺套不等於一千次判定。設備裝上產線就隨節拍連續跑，一致性要成立的地方是它們做出的每一次判定，而不是這一千個交付事件。設備數只是分母。

微鏈道愛 COO 張宇把這一點說得更直接：「客戶上線之後只盯四個量：誤報率、漏檢率、複檢工時、換型時間。我們在電子與 PCBA 場景的典型表現是誤報降低 80%、複檢量同步下降 80%、漏檢低於 1%、換型 5 分鐘內完成；準確率那一頭，一塊良品樣板一鍵建模就到 98%。這些數是入場券，不是賣點 —— 做不到，產線的門都進不去；做到了，也只是可以開始談。到了第 1000 臺套，被考驗的已經不是某一臺能做到多準，是供應鏈、產線、測試體系和交付標準有沒有一起變成產品的一部分。客戶要的不是某一臺特別準，是這一批和上一批表現一樣。」

設備接進客戶自己的產線和資料閉環之後，最怕的是某一批忽然換了行為。微鏈道愛給出的解釋是，大腦、小腦與底層模型在所有機型上是同一套，所以不同機臺之間不該出現判據上的分叉。

分水嶺之後

一千臺套算不上終點。認知檢測從這裡開始離開被整理過的樣品，進到有來料波動、有工況漂移、有新缺陷的產線上去。真正要緊的能力常常藏在不起眼的地方：換型後的第一塊板能不能直接開檢，同色器件會不會被誤報，一種沒見過的缺陷第一次出現時會不會被放過。

「準確率和漏檢率是入場券，1000 臺套也是入場券，」張宇說，「前者證明我們看得準，後者證明我們交付得出去。兩張券加起來，也不證明第 1001 臺和第 1 臺判得一樣 —— 那才是真正的長跑，而它才剛開始。」

這些設備已經裝上去了。接下來幾年裡，能驗證它的不是又一次演示，而是每一家工廠每天清晨那第一塊板：它從軌道上進來，沒有人回來調閾值，機器給出一個判斷，然後是第二塊。

本場景的完整方案：ACI OS 作業系統 的完整檢測方案

本文由微鏈道愛（DaoAI）原創發表。基於客戶保密要求，文中客戶案例為匿名行業場景，成效數字為示例性質；官方標定口徑以產品頁為準。