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

产线上真正难的从来不是那些典型缺陷。难的是换上一块从没见过的板、同色器件压在同色底板上、一枚元件正面朝上却转了 90 度。在这些瞬间，设备要么给出判断，要么把人叫回来重新编程。

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。

换型那天，产线停下来的不是装夹那几分钟，停的是检测这一段。工程师要把新板子上几百个位号重新画一遍检测框，再把阈值一个个试回来。熟练的人也要三到五个小时。这段时间里，贴片机停在半程，回流炉空着炉膛升着温，整条线等一个人把「什么算合格」重新教一遍。

微链道爱说，到 2026 年 6 月 30 日，它的 ACI 认知检测设备累计部署 1000 台套，集中在半导体与 PCBA。

一千台套在这个行业算不上大数目，但它是一道分水岭。设备卖到几十台时，比的是单台能做多准；卖到上千台、分散在许多条产线上，约束条件就换了：真正难的是让第一千台和第一台在不同的来料、不同的批次、不同的班次下，给出同一套判断。换句话说，难的不再是某一次判得多准，而是第一千次和第一次判得一样。这正是这家公司现在必须回答的问题，也是整个 AI 视觉检测品类从「能做到」走向「一直做到」的那一关。

物理 AI 要落到产线上，手臂负责「压多重」，眼睛负责「这算不算」。

这一千台套也不是同一种机器。离线的桌面机摆在来料检验和小批量试产的工位上，一块良品样板五分钟编完程就能开检；在线的单轨机骑在 SMT 线上，随节拍全检；三维那一档用结构光量高度与共面性，看的是二维光学根本看不见的东西。机台不同，光学不同，节拍也不同，判据却得是同一套。

这些机器在站上归两条产品线：2D ACI 设备（IRIS ANT 2D 系列）覆盖离线桌面全检与 SMT 单轨在线全检，P1、P2 是离线档，P3 走在线单轨。

另一条是 3D ACI 设备（IRIS ANT P5 / P5D），在线做微米级三维检测，处理 BGA、QFN 这类二维光学看不到的隐藏焊点与共面性问题。

眼睛和大脑是两件事

说检测设备是产线的眼睛，容易让人以为难处在成像。成像这一关行业二十年前就过了。难的是成像之后那一步：把光变成像是眼睛的事，判断眼前这个算不算缺陷是大脑的事。上一代把两件事捆在一起，光学好不好几乎等同于检测准不准，于是每遇到一种新板、一批新来料，人就得回来重新告诉它「应该长什么样」。

ACI 这个类别是微链道爱定义并创造的，全称 ACI（自动认知检测）。三个字母里过时的那一个不是 A，也不是 I，是 O。光学只回答「看上去像不像」，而产线每天要回答的是「这个算不算」。两个问题长得很近，差别在于前者有标准答案，后者没有，它取决于这一批板子、这一道工序、这一刻的来料。要换掉的不是镜头，是判定发生的地方。

换到哪里去？换到特征空间，不在颜色空间。系统认的是元件的身份，而不是像素和颜色的相似度。黑板上的黑件、银线上的银件因此天然可分；转了 90 度、翻了面、表面沾了污染，也还定得住位。建模只要一块良品样板，同类特征一到二十张良品就够，不要 CAD 图纸，也不用先攒一个缺陷库。

• 扫一块当前批次的参考板，系统自己学元件位置和外观
• 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

公司给出的口径是：自动编程三十秒到五分钟跑完，一块良品一键建模的检出准确率到 98%，误报比既有规则方案低约八成。微链道爱说这些数字来自它已落地的电子与 PCBA 产线；换一种板型、换一批器件，结果会往两边走。

大脑底下是一个世界模型

这颗大脑不是为检测单独训的。它底下是 DaoAI World：把空间、材质、光影、运动、因果放进同一个模型。工具调用解决的是「会不会用」，世界模型解决的是「看不看得懂」。缺陷判定、抓取位姿、轨迹预测不是检索得到的答案，要从三维结构与物理规律里算出来。

按公司的说法，这带来两个在产线上能直接感觉到的结果。同一套系统能从 PCBA 的焊点跨到汽车涂装面、再跨到电池极柱，因为它认的是形态与结构，不是某一类板子的模板；一块从没出现过的新缺陷，也不会因为「不在缺陷库里」就被放过。

按微链道爱的说法，这套底座是自研的：从 3D 结构光与 HDR 成像一直做到世界模型，因此黑色件与反光件能单次清晰成像，不必在打光上反复试。公司还强调，DaoAI World 不是一个云端 API，而是一套可以完整装进客户机房的物理 AI 底座。

两条路线比的不是谁强，是被什么约束

过去三年，AI 的主流叙事写在另一条路线上：能力来自互联网规模的语料预训练，形态是云端接口与工具调用，衡量标准是一组通用基准上的分数。那条路线跑得很快，而且它的快是真的：同一个模型今天会写代码，明天会读论文，后天会调用别的工具，能力增长几乎不需要现场。

工业检测这一侧的约束长得不一样。它要回答的问题不是「会不会用」，是「看不看得懂」：一枚元件转了 90 度算不算装反，一处塌陷是工艺正常变异还是缺陷，这些答案不在语料里，要从三维结构和物理规律里算出来。于是能力的来源也换了：不是又读了多少文本，是又在多少条真实产线上跑过多少块板。

两边的代价因此完全不同。云端路线的边际成本压在算力上，加机器就能加能力。物理 AI 这一侧压在现场：每一条产线的来料、光照、节拍、工艺窗口都不一样，装进去、调稳、跑够时间，才换来判据上的一点点进步。钱能买到算力，买不到一千条产线上的一年。

部署形态也跟着分叉。通用路线的默认假设是模型在云上、数据流向模型；按微链道爱的说法，它的做法是反过来，数据不动，模型进厂。这对通用能力的积累是不利的，公共底座本来就是规模效应的来源；但在工厂把良品率曲线、缺陷特征库和工艺参数当作核心机密的行业里，这是一个先决条件，不是一个选项。

大脑要有身体

光有判断还站不到产线上，所以有 ACI OS。它是所有 ACI 以及下一代 AOI 设备的操作系统，包含两半：视觉识别与认知判断是大脑，相机、导轨的运动控制是小脑。它可以随一体机开箱即用，也可以通过 SDK、REST API 或 Docker 嵌进客户已有的 2D / 3D 设备与产线软件。

小脑这一半常被低估。判断再准，如果相机在错误的时刻曝光、导轨在错误的位置停下，拍到的就不是要判的那一帧。把成像与运动收进同一套操作系统，是为了让上面那颗大脑每次拿到的都是同一种输入。不同机台、不同批次之间表现能一致，前提就在这里。

落到这台设备上，公司给出的参数是：推理跑在产线边缘侧，单次判定低于 12 毫秒，断网照样用。边缘侧这个选择同时解决两件事：判定赶得上节拍，以及工厂的网络状况不再是检测能不能开工的前提。

它在产线上自己变准

系统上线不是终点，是起点。质检员在复判界面上标一次误报，模型当场更新重载，同类错误不再犯。这条回路每天在一千台套上各跑各的，攒下来的是每条线自己的模型。

公司给出的口径是：ACI 经过在线自我迭代，准确率达到 99.99%。微链道爱说这个数字的分母不是实验室样本，而是每条产线自己跑过的板。换句话说，它衡量的是一台设备在某条线上待久之后的表现，不是出厂那一刻的表现。

方向也值得看一眼。规则方案用久了会越来越僵：为了压住一种误报加一条规则，规则之间开始打架，最后没人敢动。认知判定的回路是反过来的，见得越多，它对「正常」的边界描得越细。

这套说法怎样才算被证伪，其实很具体。如果某一批新机器在同样的板子上判得和上一批不一样，如果换型后的第一块板仍然要人回来调阈值，如果误报压下去的同时漏检悄悄上来，那么「一致性」就没有成立。这些都不是演示能回答的问题，只能由时间和装机量回答，而这恰好是公司自己选定的那把尺。

三条产线上发生了什么

口径之外，还有几条已经上线的匿名记录。最能说明问题的是一家头部消费电子 PCBA 厂：它的传统 AOI 一直在报，报得太多，复检工位的人从早看到晚，把机器判为可疑的板子一块块重新看一遍，再把绝大多数放回产线。ACI OS 叠加 APDT 正样本学习被放在传统 AOI 之后，当第二道闸门，只处理前一道报出来的那些：误报下降约 80%，复检量随之下降 80%，漏检控制在 1% 以内。换句话说，那条线上真正变少的不是缺陷，是人盯着屏幕的时间。

• 某汽车电子 PCBA 厂：二极管与电解电容的极性误报频发，传统 AOI 把丝印反光当成装反。164 张历史误报图，推理不到 1 秒，极性判定准确率约 99%。
• 某晶圆厂：复判靠人工，过杀率长期高于 20%。引入之后降到 2% 以下，复判人机比减少 90%，节拍提升 30%。

这三家的工艺、板型、节拍没有一样是相同的，而用的是同一套判定原理。这也是前面那个问题的另一种问法：一千台套装在不同工厂里，它们到底是一种产品，还是许多种各自调过的产品。

一千台套考验的是一致性

一千台套不等于一千次判定。设备装上产线就随节拍连续跑，一致性要成立的地方是它们做出的每一次判定，而不是这一千个交付事件。设备数只是分母。

微链道爱 COO 张宇把这一点说得更直接：「客户上线之后只盯四个量：误报率、漏检率、复检工时、换型时间。我们在电子与 PCBA 场景的典型表现是误报降低 80%、复检量同步下降 80%、漏检低于 1%、换型 5 分钟内完成；准确率那一头，一块良品样板一键建模就到 98%。这些数是入场券，不是卖点 —— 做不到，产线的门都进不去；做到了，也只是可以开始谈。到了第 1000 台套，被考验的已经不是某一台能做到多准，是供应链、产线、测试体系和交付标准有没有一起变成产品的一部分。客户要的不是某一台特别准，是这一批和上一批表现一样。」

设备接进客户自己的产线和数据闭环之后，最怕的是某一批忽然换了行为。微链道爱给出的解释是，大脑、小脑与底层模型在所有机型上是同一套，所以不同机台之间不该出现判据上的分叉。

分水岭之后

一千台套算不上终点。认知检测从这里开始离开被整理过的样品，进到有来料波动、有工况漂移、有新缺陷的产线上去。真正要紧的能力常常藏在不起眼的地方：换型后的第一块板能不能直接开检，同色器件会不会被误报，一种没见过的缺陷第一次出现时会不会被放过。

「准确率和漏检率是入场券，1000 台套也是入场券，」张宇说，「前者证明我们看得准，后者证明我们交付得出去。两张券加起来，也不证明第 1001 台和第 1 台判得一样 —— 那才是真正的长跑，而它才刚开始。」

这些设备已经装上去了。接下来几年里，能验证它的不是又一次演示，而是每一家工厂每天清晨那第一块板：它从轨道上进来，没有人回来调阈值，机器给出一个判断，然后是第二块。

本场景的完整方案：ACI OS 操作系统 的完整检测方案

本文由微链道爱（DaoAI）原创发表。基于客户保密要求，文中客户案例为匿名行业场景，成效数字为示例性质；官方标定口径以产品页为准。