英偉達說這是 AOI 的未來，DaoAI 已經做到了

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（卷積神經網路）已經觸及發展天花板。

傳統 CNN 在 AOI 中的結構性侷限

在自動光學檢測（AOI）領域，傳統卷積神經網路（CNN）長期以來佔據主導地位，但它存在著不可忽視的三大結構性侷限。首先是高資料門檻問題。在實際應用中，每種缺陷類型都需要數千張標註影像才能讓模型達到較好的識別效果。以電子製造行業為例，電路板上的細微缺陷種類繁多，如短路、斷路、元件偏移等。對於常見的缺陷類型，收集數千張標註影像或許相對可行，但對於罕見缺陷，由於其出現的頻率極低，很難收集到足夠的樣本。據行業統計，在某些複雜的電子產品製造過程中，罕見缺陷的樣本數量可能不足常見缺陷的 10%，這使得傳統 CNN 在處理這些罕見缺陷時準確率大幅下降。

其次，傳統 CNN 的語義理解有限。模型雖然能夠識別影像中的物體，但無法理解上下文資訊，也難以推理缺陷產生的根本原因。例如，在檢測一塊電路板時，它只能識別出某個元件的位置或外觀存在異常，但無法判斷這種異常是由於生產工藝問題、原材料質量問題還是設備故障導致的。這就使得在實際生產中，即使檢測出了缺陷，也需要人工進一步分析原因，增加了生產的時間和成本。

最後，持續重新訓練也是傳統 CNN 的一大弊端。當製造商切換產品線時，由於不同產品的外觀、結構和缺陷類型可能存在差異，就需要重新標註資料並對模型進行訓練。隨著產品線的不斷更新和擴展，維護成本會持續累加。有資料顯示，一些大型電子製造企業每年在模型重新訓練上的成本佔總檢測成本的 30%以上。

NVIDIA 驗證的 AOI 新方向

面對傳統 CNN 的侷限性，NVIDIA 探索出了一條新的技術路線。他們採用預訓練的視覺基礎模型，先用百萬張未標註的工廠影像做領域適配，再用少量標註資料進行微調。這種方法充分利用了大量未標註資料的資訊，降低了對標註資料的依賴。在 PCB 缺陷檢測實驗中，該方法取得了顯著的效果。實驗結果顯示，PCB 缺陷檢測準確率從 93.84% 提升到 98.51%。這一提升不僅提高了檢測的可靠性，還減少了誤判和漏判的情況，為生產質量提供了更有力的保障。

NVIDIA 的實驗結果表明，採用預訓練的視覺基礎模型結合少量標註資料微調的方法，能夠有效提升 AOI 的檢測準確率。

DaoAI 的創新實現

DaoAI 在 NVIDIA 驗證的方向上更進一步，將這條技術路線內建進硬體，提供了即插即用的解決方案。其底座是自研的 DaoAI World 世界模型——在數億張工業真實樣本上自監督預訓練，統一表徵空間、材質、光影與運動；面向 PCBA 製造，再以超過 100 萬張真實 SMT 產線影像做領域適配，派生出這一垂類的檢測模型。在此之上，DaoAI World 還能按物理規律把訓練資料再放大 2–10 倍——造得出符合物理規律的樣本，本身就是模型內部存在物理世界表徵的證明。與傳統方法不同的是，DaoAI 在特徵空間、而非畫素空間進行特徵提取，這種方式能夠更有效地捕捉影像的本質特徵，提高檢測的準確性和效率。

從產線實際應用的資料來看，DaoAI 的優勢十分明顯。編程時間減少了 97%，這意味著製造商可以更快地將檢測系統應用到生產中，縮短了產品的上市週期。誤報率降低了 80%，大大減少了人工複查的工作量，提高了生產效率。運營成本降低了 60%，這對於製造商來說是一個巨大的成本節約。

製造商的選擇與行業趨勢

在 AOI 技術不斷發展的今天，製造商面臨著一個重要的選擇：是採用一套需要自己組裝的技術棧，還是部署一套隨時可用、且持續自我最佳化的檢測系統。傳統的技術棧雖然可以根據自身需求進行定製，但需要投入大量的人力、物力和時間進行開發和維護，對於一些中小型企業來說，這可能是一個難以承受的負擔。而像 DaoAI 這樣的即插即用解決方案，具有低門檻、高效率和低成本的優勢，更符合現代製造業的發展需求。

從行業趨勢來看，隨著人工智慧技術的不斷進步，AOI 系統將朝著更加智慧化、自動化和高效化的方向發展。預訓練的視覺基礎模型和硬體整合的解決方案將成為未來的主流。製造商應該及時關注這些技術趨勢，選擇適合自己的檢測系統，以提高生產質量和競爭力。

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。