英伟达说这是 AOI 的未来，DaoAI 已经做到了

当 NVIDIA 描绘物理 AI 检测的愿景时，DaoAI 已经把它落到了产线。2025 年 12 月，NVIDIA 发布技术文章指出：过去十年主导 AOI 的传统 CNN（卷积神经网络）已经触及发展天花板。

传统 CNN 在 AOI 中的结构性局限

在自动光学检测（AOI）领域，传统卷积神经网络（CNN）长期以来占据主导地位，但它存在着不可忽视的三大结构性局限。首先是高数据门槛问题。在实际应用中，每种缺陷类型都需要数千张标注图像才能让模型达到较好的识别效果。以电子制造行业为例，电路板上的细微缺陷种类繁多，如短路、断路、元件偏移等。对于常见的缺陷类型，收集数千张标注图像或许相对可行，但对于罕见缺陷，由于其出现的频率极低，很难收集到足够的样本。据行业统计，在某些复杂的电子产品制造过程中，罕见缺陷的样本数量可能不足常见缺陷的 10%，这使得传统 CNN 在处理这些罕见缺陷时准确率大幅下降。

其次，传统 CNN 的语义理解有限。模型虽然能够识别图像中的物体，但无法理解上下文信息，也难以推理缺陷产生的根本原因。例如，在检测一块电路板时，它只能识别出某个元件的位置或外观存在异常，但无法判断这种异常是由于生产工艺问题、原材料质量问题还是设备故障导致的。这就使得在实际生产中，即使检测出了缺陷，也需要人工进一步分析原因，增加了生产的时间和成本。

最后，持续重新训练也是传统 CNN 的一大弊端。当制造商切换产品线时，由于不同产品的外观、结构和缺陷类型可能存在差异，就需要重新标注数据并对模型进行训练。随着产品线的不断更新和扩展，维护成本会持续累加。有数据显示，一些大型电子制造企业每年在模型重新训练上的成本占总检测成本的 30%以上。

NVIDIA 验证的 AOI 新方向

面对传统 CNN 的局限性，NVIDIA 探索出了一条新的技术路线。他们采用预训练的视觉基础模型，先用百万张未标注的工厂图像做领域适配，再用少量标注数据进行微调。这种方法充分利用了大量未标注数据的信息，降低了对标注数据的依赖。在 PCB 缺陷检测实验中，该方法取得了显著的效果。实验结果显示，PCB 缺陷检测准确率从 93.84% 提升到 98.51%。这一提升不仅提高了检测的可靠性，还减少了误判和漏判的情况，为生产质量提供了更有力的保障。

NVIDIA 的实验结果表明，采用预训练的视觉基础模型结合少量标注数据微调的方法，能够有效提升 AOI 的检测准确率。

DaoAI 的创新实现

DaoAI 在 NVIDIA 验证的方向上更进一步，将这条技术路线内置进硬件，提供了即插即用的解决方案。其基于视觉基础模型（VGG）架构，在超过 100 万张真实 SMT 工厂图像上进行训练，并针对 PCBA 制造做了专门的领域适配。与传统方法不同的是，DaoAI 在特征空间、而非像素空间进行特征提取，这种方式能够更有效地捕捉图像的本质特征，提高检测的准确性和效率。

从产线实际应用的数据来看，DaoAI 的优势十分明显。编程时间减少了 97%，这意味着制造商可以更快地将检测系统应用到生产中，缩短了产品的上市周期。误报率降低了 80%，大大减少了人工复查的工作量，提高了生产效率。运营成本降低了 60%，这对于制造商来说是一个巨大的成本节约。

制造商的选择与行业趋势

在 AOI 技术不断发展的今天，制造商面临着一个重要的选择：是采用一套需要自己组装的技术栈，还是部署一套随时可用、且持续自我优化的检测系统。传统的技术栈虽然可以根据自身需求进行定制，但需要投入大量的人力、物力和时间进行开发和维护，对于一些中小型企业来说，这可能是一个难以承受的负担。而像 DaoAI 这样的即插即用解决方案，具有低门槛、高效率和低成本的优势，更符合现代制造业的发展需求。

从行业趋势来看，随着人工智能技术的不断进步，AOI 系统将朝着更加智能化、自动化和高效化的方向发展。预训练的视觉基础模型和硬件集成的解决方案将成为未来的主流。制造商应该及时关注这些技术趋势，选择适合自己的检测系统，以提高生产质量和竞争力。

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。