當 NVIDIA 描繪物理 AI 檢測的願景時，DaoAI 已經把它落到了產線。2025 年 12 月，NVIDIA 發布技術文章指出：過去十年主導 AOI 的傳統 CNN（卷積神經網絡）已經觸及發展天花板。
傳統 CNN 的三大結構性局限
- 高數據門檻：每種缺陷類型需要數千張標注圖像，罕見缺陷缺乏足夠樣本。
- 語義理解有限：模型能識別圖像，但無法理解上下文、也無法推理根本原因。
- 持續重新訓練：切換產品線就要重新標注與訓練，維護成本持續累加。
NVIDIA 驗證的方向
NVIDIA 采用預訓練的視覺基礎模型，先用百萬張未標注的工廠圖像做領域適配，再用少量標注數據微調。實驗結果顯示：PCB 缺陷檢測準確率從 93.84% 提升到 98.51%。
DaoAI 的實現：把它做成硬件
DaoAI 把這條技術路線內置進硬件，提供即插即用的解決方案：
- 基於視覺基礎模型（VGG）架構
- 在超過 100 萬張真實 SMT 工廠圖像上訓練
- 針對 PCBA 製造做專門的領域適配
- 在特征空間、而非像素空間進行特征提取
落到產線上的關鍵數據：編程時間減少 97%、誤報率降低 80%、運營成本降低 60%。
製造商面臨一個選擇：采用一套需要自己組裝的技術棧，或部署一套隨時可用、且持續自我優化的檢測系統。
常见问题
傳統CNN在AOI領域有哪些結構性局限？
傳統CNN在AOI領域有三大結構性局限，包括高數據門檻，每種缺陷類型需數千張標注圖像；語義理解有限，無法理解上下文和推理根本原因；持續重新訓練，切換產品線成本高。
NVIDIA驗證的AOI技術方向是什麼？
NVIDIA采用預訓練的視覺基礎模型，先用百萬張未標注的工廠圖像做領域適配，再用少量標注數據微調，實驗使PCB缺陷檢測準確率大幅提升。
DaoAI如何將技術落到產線，有何效果？
DaoAI把技術路線內置進硬件，基於VGG架構，經超100萬張圖像訓練及領域適配，產線編程時間減97%、誤報率降80%、運營成本降60%。