阿丘科技用生成式AI与行业视觉大模型驱动工业AI视觉2.0

5月21日，阿丘科技CEO黄耀在“北京机器视觉助力智能制造创新发展大会”上，发表了题为《AI+工业视觉探索与展望》的演讲。以下内容是根据演讲要点整理而成。

一、AI+工业检测的难点与挑战

制造企业搞AI，投入最多的场景是啥？答案很明确：质量检测，占了将近40%。这个环节看起来简单，做起来却是一个接一个的坑。 先看第一关：质量管控本身。现代化工厂产量太大，工艺控制点又多。单个产品的检测参数已经够多了，乘以产量之后，那个数据量直接让人头皮发麻。更别变钱在都在追求极限制造，对精度和品质要求高得离谱——产线既要控制过检，又要压低漏检，产线速度还在不断往上提，检测的节奏和压力可想而知。 紧接着是第二关：缺陷本身也越来越难搞。很多缺陷极其微小，特征不明显，肉眼都分不清。以往靠人眼、靠传统方法去管，投入的人力财力巨大，但漏检风险始终挂着，很难根除。 这些痛点催生了工业AI视觉检测这个新兴领域。但新兴归新兴，真要落地，挑战也是层层叠叠。 **第一，性能指标太严苛。** 工业环境的AI不能“差不多就行”，它得极度精准，还得在各种复杂、变动的情况下保持稳定，这对模型的鲁棒性要求极高。 **第二，数据基础太薄弱。** 工业数据本身就很稀缺，很多还涉及企业机密拿不到，能拿到的往往数据量不够、质量参差不齐。数据又碎又少，AI模型训练和优化的效果自然大打折扣。 **第三，AI跑不动“光杆司令”。** 在工业场景里，AI基本都得跟硬件绑死在一起。这个集成过程增加了系统复杂度，还会带来各种干扰，反过来影响AI性能。 **第四，人不好找。** 既懂AI又懂工业的复合型人才，全行业都缺。这个人才断层，直接限制了技术大规模铺开的速度和深度。

二、工业AI视觉进入2.0时代

说起来，国内工业AI视觉真正落地，大概是从2019年开始的。用五年时间积累、迭代，现在正从1.0时代跨入2.0时代。 **工业AI视觉1.0时代：聚焦工业场景的AI算法，解决“可用”问题** 1.0时代最大的难题就是数据太少，所以核心玩法是小样本技术。这个时期有几个显著特征： - **小样本学习**：工业产线上能用的标注图像样本又少又难搞，AI算法只能在极度有限的数据库里锻炼本事。 - **高精度**：产品质检标准不是闹着玩的，无论是缺陷检测、尺寸测量还是物体识别，精度得一锤定音。 - **低算力依赖**：产线实际环境能提供的算力有限，但算法经过专门优化，哪怕性能一般，也得把活儿干漂亮。 这个时期的客户群体，主要是那些对新技术特别开放、且痛点明确的企业。他们愿意投钱去试，往往能清晰定义需求边界，也有能力管理数据和模型。 但说真的，1.0时代也只是解决了“可用”问题，离“好用”还有差距。比如，数据困局始终在——缺陷数据难搜集，清洗标注又贵，AI模型的训练和整理处处受阻；部署周期拖得很长，急得人跳脚；遇到没见过的缺陷类型，AI直接懵圈，识别不了；而且落地成本高，只有那些舍得花钱的企业才能玩得转。 **工业AI视觉2.0时代：生成式AI+垂直通用模型，追求“好用”** 迈入2.0时代，技术路线有了本质变化。基于Transformer的神经网络开始大展拳脚，通用性和泛化能力上一个台阶。过去只能“一个场景一个模型”地调参，现在可以把能力扩展到一整个垂类场景。 具体来说，这意味着单场景可以规模复制，多场景之间的模型也能泛化迁移。这个能力放大了应用的灵活性，也大幅拉低了AI落地的成本。同时，成像模组、算法模组、自动化模组都得跟着革新和简化，整个解决方案会变得更轻、更好交付。 2.0时代的客户群体更广泛，他们痛点明确，同时极度关注性价比——AI成本一旦降下来，技术就能大规模铺开。 这个时代，有三个技术非常关键。 **（1）智能良品学习** 核心是“非监督分割”和“非监督分类”两个模块。它的奥妙在于：只靠良品图就能训练模型，对产线上所有已知和未知的缺陷做像素级检测和整图分类。这意味着，当你遇到从未见过的新缺陷，或在极短时间内就得部署上线时，这项技术就能派上大用场——快速验证，快速跑起来。 目前这项技术已经在几十个产线场景中落地，尤其适合那些良品率高、样本收集周期长、可能随时冒出未知缺陷的场景。当然，如果缺陷特别微小，效果还有提升空间。 **（2）生成式AI——智能缺陷数据生成** 过去搜集缺陷样本有多难？数天甚至数月的苦功夫不说，产品一旦换型，整个流程就得重来。更头疼的是，有些长尾缺陷一年才冒一次头，想集齐样本好比大海捞针。 阿丘科技利用多年积累的大量场景数据，构建了预训练模型。基于这个模型，再结合具体场景的缺陷特征描述，通过Stable Diffusion框架就能“造”出接近真实的仿真缺陷图。复杂结构缺陷、背景变化、缺陷边缘处理都不在话下，还能高度还原真实缺陷的纹理、立体度和色彩细节。 这意味着，你再也不用苦等缺陷样本出现，AI自己就能“造”出来，再拿去训练和优化模型。泛化能力和适应性都显著提升。 **（3）工业视觉大模型** 这是专门为工业应用设计的大模型，基于Transformer和大量行业特定数据训练而成。它最大的优点是具备领域泛化能力——能适应复杂多变的工业环境，单场景能规模复制，多场景之间也能泛化迁移。 因为有一定的垂直场景通用性，所以能有效降低AI算法开发和训练的成本。在智能制造和自动化质量控制领域，它的应用速度非常快。 从1.0到2.0，其实就是从“能用”走到“好用”。1.0时代靠“算法驱动”，小样本、AI算法、软件工具链和方法论是关键。到了2.0时代，“以数据为中心”成为共识——高质量数据是AI算法的基础，生成式AI又负责把有限数据变出更多可用数据，大幅降低模型训练的成本。 2.0时代另一个重点，是“平台化”。一个统一的AI平台，把以往那些软件、工具链、方法论整合在一起，专门解决企业里那些碎片化场景的应用问题，让AI在各个分厂、各种场景下都能顺利落地。

三、工业AI垂直行业视觉大模型的实践落地

从2017年创业至今，阿丘科技已经在800多家工厂落地了方案，标准工业AI视觉软件的批量部署套数超过10000套，在3C电子、动力电池、PCB等行业积累了超过50家标杆客户。 拿PCB行业打个样。 PCB（印制电路板）是电子产品的核心部件，应用范围从手机、电脑到医疗、汽车、航空航天。它的设计工艺越来越复杂，单是缺陷种类就多达上百种，不同应用场景的检测标准还存在差异。背景复杂、工艺属性强、产品尺寸规格多样，算法兼容适配的难度肉眼可见。 早期PCB厂普遍采用传统算法AOI（自动光学检测）和A VI（自动视觉检测）来检缺陷。问题在于：设备调试复杂，误报率高，最后还得靠大量人工去复判假点。一台设备平均要配3到6名质检员，人工复判成本高、一致性差，质量根本控不住。 针对这些老难题，阿丘科技用三步走策略，构建了PCB行业垂直视觉大模型： - **第一步，数据积累**：收集了大量现场私有化部署的缺陷数据，再配合部分缺陷仿真，覆盖上百种缺陷细分类别，准确率干到了95%以上。同时借助AIDG智能缺陷生成工具，低成本、快速生成海量样本，喂饱大模型。 - **第二步，标准定义**：把各个出货检测标准汇总、整理、分级，逐步明确适用于不同交付场景的检测标准。 - **第三步，预制模型训练**：在AOI、A VI等场景里，模型覆盖度达到了90%以上。 这套组合拳下来，效果显著——交付周期从原本的120天，硬生生压缩到了14天，数据处理时间大幅缩短，模型上线也更稳更快。截至目前，这套AI垂直行业视觉大模型已在PCB行业导入超过100家工厂，累计升级设备超过1000台，TOP30客户覆盖率达到70%以上。 通过数据积累、标准定义和预制模型训练，AI垂直行业视觉大模型真正在PCB行业站住了脚，检测效率、交付速度都上了新台阶。接下来需要做的，就是继续扩展技术能力，深化视觉大模型的应用范围，让模型训练更高效，缺陷检测更精准，让市场对“快速响应、高效生产”的需求得到更好的满足。