AOI 编程占用的时间，正在悄悄吃掉你产线的有效产能。「编程税」指传统 AOI 冗长的设置时间造成的效率损失，让 SMT 产线生产率降到仅约 70%。
在多品种小批量（HMLV）环境中，贴片机速度可达 40,000 CPH，但每次新产品导入，产线都因手动编程而闲置 2–3 小时。这不是设备故障、也不是物料缺陷，而是纯粹「等待 AOI 完成编程」的成本。
「黄金样本」时代的隐性成本
过去二十年，AOI 依赖基于规则的算法，在大规模、长周期生产中行之有效。但今天的订单更小、更频繁，HMLV 工厂日均换产品 2–5 次。每一次新产品导入都会触发：
- 手动阈值调整：工程师花数小时调整色彩参数、光照角度与几何规则。
- 高误判率：规则过严则误判合格板，过松则漏检缺陷。
- 专家依赖：检测质量取决于编程人员的个人技能。
设置通常耗时每块新板 2 到 3 小时，期间产线产出为零。
Few-Shot Learning：从「编码」到「识别」
解决方案不在硬件，而在软件。Few-Shot Learning 的工作方式类似人眼 —— 无需数千张训练图像，只需要看到一个良好示例。通过仅从一个「黄金样本」学习，AI 理解的是元件放置的意图，而非单纯的像素值。
118 分钟 对比 5 分钟
实际验证结果：
- 传统 AOI 设置：118 分钟（且仍需微调）
- DaoAI 设置：5 分钟
消除手动算法调整后，制造商可在原本一次产品切换的时间内完成 20 次切换。
把增长与人员数量解耦
「编程税」本质上是人力成本。Deloitte 预测到 2033 年将有 190 万个制造业职位空缺；若 NPI 流程依赖手动编码，业务增长就与人员数量死死绑定。AI 自动化设置过程，让现有团队能管理 10 倍的工作量，也让初级操作员达成专家级成果。
智能工厂的定义已经改变 —— 不是扫描速度，而是「准备就绪」的速度。