傳統 AOI 只能檢出疑似缺陷，真伪判定與分類仍壓在質檢員身上；過杀失控既拖產能，也讓良率數據失真。
<2%過杀率
−90%複判人機比
+30%產線節拍
該晶圓廠前道 AOI 設備每片晶圓產出大量疑似缺陷點位，但設備本身無法區分真實缺陷與劃痕反光、顆粒残留等伪報。所有點位需由質檢員逐一在顯微圖像上人工複判與归類，三班倒仍難以覆蓋產量高峰，複判積壓直接頂到出货節點。
長期運行下，該廠 AOI 過杀率維持在 20% 以上，意味着每五個報警就有一個是好的被誤判，大量合格晶圓被退回重檢，既消耗工時，也讓缺陷分布統計失真，工藝端難以據此定位真實異常源。
DaoAI 產品方案
DaoAI 將 AI-ADC 自動缺陷分類模塊接入 AOI 複判工位：AOI 輸出的疑似點位圖像直接進入 AI-ADC，模型在顯微/微米級精度下區分真伪並归入預定義缺陷類別。針對歷史樣本不均衡的類別，采用 APDT 正樣本學習配合 DaoAI World 世界模型泛化，減少對大量人工標注的依賴。
- AI-ADC 對 AOI 報警點位做真伪二次判定，過濾伪報
- 按顆粒、劃傷、圖形缺陷等類別自動归類並回寫 MES
- APDT 正樣本學習覆蓋低頻缺陷，縮短上線周期
- 分類結果反哺工藝端，定位真實異常源
過杀從 20% 以上壓到 2% 以下，質檢員從逐片複判轉向異常仲裁。
上線後，該廠 AOI 過杀率由 20% 以上降至 2% 以下，複判環節人機比下降約 90%，質檢員只需處理少量邊界樣本；複判不再成為瓶頸，整線節拍提升約 30%，缺陷分類數據也回归可用。