物理 AI 落地的兩半：執行側解決「壓多重」，認知側解決「這算不算缺陷」

機器人擦桌子的時候，壓得輕了擦不乾淨，壓得重了動作發僵；有人碰一下手肘，它還得把動作做完。這已經不是一個視覺問題，而是物理規則的問題。檢測這一側的門檻長得不一樣，但性質相同。

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。

近期有國產力控機器人廠商宣佈，其人形力控臂累計交付進入萬臺級；據行業媒體報道，客戶主要來自具身智慧相關領域。數字是他們的，值得注意的是它引出的那個判斷 —— 模型層不再是瓶頸，關鍵是把模型跑進物理世界。

同一個命題有兩半：執行側要有分寸，認知側要敢下結論。

執行側的問題是「壓多重」

位置控制知道「應該去哪裡」，不知道「現在壓得怎麼樣」。抹布接觸桌面之後要保持壓力再走軌跡；端著水杯被人碰到肘部時，需要受干擾的那一段柔順響應而末端保持穩定；USB 插入介面的最後幾毫米，靠的也不是更精確的座標。這些都是連續量的問題，答案是力。

所以力覺正在被寫進模型：多模態里加入力反饋，遙操作的「跟手」程度直接決定採集回來的動作資料能不能用於訓練。力控於是從機械臂內部的一項功能，延伸到了模型訓練那一端。

認知側的問題是「這算不算缺陷」

工業檢測這一側有一個結構相同的門檻。傳統 AOI 的判定原理是比對：拿被檢物去對一份模板或一組規則，像就是好的，不像就報出來。它知道「應該長什麼樣」，不知道「現在這個算不算」。這與位置控制知道座標卻不知道受力，是同一種缺位。

於是產線上每一次換型、每一批來料差異、每一點光照漂移，都要人回去重新編程或重新調閾值。不是軟體不夠快，是它的判定原理裡沒有「理解」這一層。

微鏈道愛把這一類系統稱為 ACI（自動認知檢測）：過時的不是 A（自動）也不是 I（檢測），是 O（光學）—— 「光學」把這個品類綁死在一種成像模態、一類可見表面對象、以及一條比對式判定規則上。

「最後幾毫米」在檢測側是什麼

• 換型：換一塊從沒見過的板，要多久才能重新開始檢測
• 來料批次差：同一個工序，不同批次的器件外觀有合理波動，哪些算缺陷
• 光照與工況漂移：環境變了，判定要不要跟著變
• 新缺陷形態：從沒進過樣本庫的那一種，第一次出現時會不會被放過

這四件事都發生在演示之外。它們也正是基於特徵認知的做法與比對式做法真正分開的地方：一塊良品樣板即可建模，不需要 CAD 圖紙，也不需要預先收集缺陷樣本庫；換型不需要寫程式碼，模型依據產線反饋持續迭代。（匿名行業場景下的典型可達範圍，具體數值隨工序、器件與既有缺陷庫而變，以現場實測為準）

基礎設施的第一要求不是炫技，是穩定地存在

源自執行側的那個判斷同樣適用於認知側：當客戶把設備接進自己的訓練系統、產線與資料閉環之後，最不希望看到的是某一批產品突然出現不同的行為。一致性、可重複、長時間執行不漂移 —— 這些聽起來不像賣點的要求，恰恰決定了一套系統能不能成為基礎設施。

這也是把檢測軟體稱為「作業系統」的理由：它要向下管住成像與運動，向上給出穩定的判定介面，並且在不同機型、不同產線、不同批次之間表現一致。

兩側共用同一個物理世界模型

力控與認知看起來是兩條技術路線，但它們要理解的是同一個世界：空間、材質、光影、運動、因果。微鏈道愛的做法是把這五類要素放進同一個底座 DaoAI World，再由它派生各場景的專用模型 —— 認知判斷是大腦，相機與導軌的運動控制是小腦，兩者對同一個物理世界的理解由底座保證一致。

機器人離開被精心整理的演示環境，進入有誤差、有摩擦、有碰撞的真實世界，靠的不是某一側單獨變強。手臂要知道現在壓得怎麼樣，眼睛要知道現在看到的算不算 —— 缺哪一半，模型都還沒真正跑進物理世界。

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。