机器人擦桌子的时候，压得轻了擦不干净，压得重了动作发僵；有人碰一下手肘，它还得把动作做完。这已经不是一个视觉问题，而是物理规则的问题。检测这一侧的门槛长得不一样，但性质相同。
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。
近期有国产力控机器人厂商宣布，其人形力控臂累计交付进入万台级；据行业媒体报道，客户主要来自具身智能相关领域。数字是他们的，值得注意的是它引出的那个判断 —— 模型层不再是瓶颈，关键是把模型跑进物理世界。
同一个命题有两半：执行侧要有分寸，认知侧要敢下结论。
执行侧的问题是「压多重」
位置控制知道「应该去哪里」，不知道「现在压得怎么样」。抹布接触桌面之后要保持压力再走轨迹；端着水杯被人碰到肘部时，需要受干扰的那一段柔顺响应而末端保持稳定；USB 插入接口的最后几毫米，靠的也不是更精确的坐标。这些都是连续量的问题，答案是力。
所以力觉正在被写进模型：多模态里加入力反馈，遥操作的「跟手」程度直接决定采集回来的动作数据能不能用于训练。力控于是从机械臂内部的一项功能，延伸到了模型训练那一端。
认知侧的问题是「这算不算缺陷」
工业检测这一侧有一个结构相同的门槛。传统 AOI 的判定原理是比对：拿被检物去对一份模板或一组规则，像就是好的，不像就报出来。它知道「应该长什么样」，不知道「现在这个算不算」。这与位置控制知道坐标却不知道受力，是同一种缺位。
于是产线上每一次换型、每一批来料差异、每一点光照漂移，都要人回去重新编程或重新调阈值。不是软件不够快，是它的判定原理里没有「理解」这一层。
微链道爱把这一类系统称为 ACI（自动认知检测）：过时的不是 A（自动）也不是 I（检测），是 O（光学）—— 「光学」把这个品类绑死在一种成像模态、一类可见表面对象、以及一条比对式判定规则上。
「最后几毫米」在检测侧是什么
- 换型：换一块从没见过的板，要多久才能重新开始检测
- 来料批次差：同一个工序，不同批次的器件外观有合理波动，哪些算缺陷
- 光照与工况漂移：环境变了，判定要不要跟着变
- 新缺陷形态：从没进过样本库的那一种，第一次出现时会不会被放过
这四件事都发生在演示之外。它们也正是基于特征认知的做法与比对式做法真正分开的地方：一块良品样板即可建模，不需要 CAD 图纸，也不需要预先收集缺陷样本库；换型不需要写代码，模型依据产线反馈持续迭代。（匿名行业场景下的典型可达范围，具体数值随工序、器件与既有缺陷库而变，以现场实测为准）
基础设施的第一要求不是炫技，是稳定地存在
源自执行侧的那个判断同样适用于认知侧：当客户把设备接进自己的训练系统、产线与数据闭环之后，最不希望看到的是某一批产品突然出现不同的行为。一致性、可重复、长时间运行不漂移 —— 这些听起来不像卖点的要求，恰恰决定了一套系统能不能成为基础设施。
这也是把检测软件称为「操作系统」的理由：它要向下管住成像与运动，向上给出稳定的判定接口，并且在不同机型、不同产线、不同批次之间表现一致。
两侧共用同一个物理世界模型
力控与认知看起来是两条技术路线，但它们要理解的是同一个世界：空间、材质、光影、运动、因果。微链道爱的做法是把这五类要素放进同一个底座 DaoAI World，再由它派生各场景的专用模型 —— 认知判断是大脑，相机与导轨的运动控制是小脑，两者对同一个物理世界的理解由底座保证一致。
机器人离开被精心整理的演示环境，进入有误差、有摩擦、有碰撞的真实世界，靠的不是某一侧单独变强。手臂要知道现在压得怎么样，眼睛要知道现在看到的算不算 —— 缺哪一半，模型都还没真正跑进物理世界。
常见问题
ACI 和传统 AOI 的区别是什么？
判定原理不同。传统 AOI 靠比对模板或规则，知道「应该长什么样」；ACI 基于视觉基础模型的特征认知，回答「现在这个算不算缺陷」，一块良品样板即可建模，无需 CAD 图纸，也无需预先收集缺陷样本库。
为什么把检测软件称为「操作系统」？
因为它要向下管住成像与运动、向上给出稳定的判定接口，并在不同机型、产线与批次之间表现一致。ACI OS 包含视觉识别的认知判断与相机导轨的运动控制两部分。
力控和检测是两件事吗？
是同一个命题的两半。执行侧解决「压多重」，认知侧解决「这算不算缺陷」，两者要理解的是同一个物理世界，在微链道爱这里由同一个底座 DaoAI World 保证一致。
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。