AI重构工业视觉阿丘科技中信证券策略会精选问答

近日，阿丘科技 CEO 黄耀受邀出席中信证券举办的“独角兽十问十答”产业策略会，围绕“AI重构工业视觉”主题，深入探讨了工业视觉领域的市场现状、AI 带来的变革以及未来发展方向。以下为本次分享的完整教程，帮助您系统理解 AI 如何赋能工业视觉。

一、AI 从技术角度如何重塑工业视觉？

AI 对工业视觉的技术影响主要体现在三个核心层面：

• 维度提升，优化复杂问题的处理能力：传统 Rule-based 方法受限于人工设计的特征工程维度，而深度神经网络可实现维度的量级提升。例如大模型的参数空间可达一千亿、二千亿级别，高维度下处理复杂问题更加简便。
• 性能改进：
  • 降低现场运维成本：传统 AOI 设备受 Rule-based 技术瓶颈限制，为保持低漏检率与低过杀率，需大量人工复判。AI 可减少人力依赖，提升成本效益。
  • 重构用户交互体验，简化操作流程：传统工业视觉依赖 Halcon 或康耐视 Vision Pro，需对数百个算子进行预处理，工序复杂。而阿丘 AIDI 软件仅五个核心模块，强调易用性。工业基础视觉软件正从 Software 1.0 迈向 2.0，从 Rule-based 变为 Smart Software，用户体验发生质的飞跃。
• 通用泛化：实现跨领域通用，赋能碎片化工业视觉市场整合：工业领域包含电子、汽车、医药等众多细分赛道。单一品类市场容量不大，但多行业整合后空间巨大。AI 的通用泛化能力可推动解决工业视觉的第一性原理问题——如何最大化覆盖碎片化市场。

小提示：在实际部署时，建议优先评估现有产线的数据积累情况，高维度模型虽然能力强，但需要充足的数据支撑。

二、AI 如何改变工业视觉的商业模式？

• 降低门槛：不再需要资深算法工程师进行检测与复杂应用，从业者只需对行业与软件有基本认知即可。
• 重塑成本结构：
  • 研发成本降低，交付运维成本降低。
  • 短期内（尤其 AI 进入行业早期）会增加数据成本（如数据维护或标注），但随着时间推移会不断下降，最终走向基础模型。
  • 未来三年整个行业的成本结构将大幅优化。

常见问题：“AI 工业视觉方案初期投入较高，中小企业如何平衡成本？” 答：建议从单一关键检测环节切入，利用 AI 的易用性快速部署，逐步积累数据，降低长期运维成本。

三、AI+工业视觉目前处于什么发展阶段？

当前分为两个阶段：

• AI 1.0 阶段：以算法为中心
  • 特征：小样本、高精度、低算力。
  • 方法论：关注 AI 认知、需求边界、数据与模型管理。
  • 客户群体：存在痛点、愿意拥抱新技术且有一定支付能力。
  • 主要问题：数据缺乏、上线部署周期长、未知缺陷需重新训练、研发成本与定价偏高。
• AI 2.0 阶段：以数据为中心
  • 开始累积行业数据（核心重点），客户达到一定数量后，数据可协助在基础模型上进行微调。
  • 形成工业 AI 视觉标准化平台，减少人工依赖。
  • 完善数据清洗、生成、分析辅助工具链。
  • 产品易用性大幅提升，成本进一步下降，客户关注性价比。
  • 大规模 AI 运行（scale up & scale out）、场景复制和迁移泛化成为本阶段重点议题。

目前，阿丘正处在从 1.0 迈向 2.0 的上半场。整体来看，AI 在工业视觉领域正逐步加速渗透，预计 2024、2025 年之后将开始加速普及。

小提示：企业应尽早建立数据管理和标注流程，为进入 2.0 阶段做准备。

四、工业视觉下游场景众多，各自有什么特点？

• 最上层：半导体、面板与 PCB
  • 特点：工艺属性强，不仅依赖技术能力，典型公司如 KLA。
  • 该领域存在重大机会。
• 腰部市场：汽车、电子、新能源
  • 两个典型特点：
    • 极具创新力：电池领域有磷酸铁锂、三元、氢燃料电池、固态电池等多种形态，除头部公司外，创业公司不断用碘伏性方法重塑行业。
    • 竞争激烈：市场规模大且快速变化，靠近消费者，难以形成标准解决方案。
  • 需秉持解耦理念，追求碎片化市场覆盖。
• 传统行业：食品、金属加工等
  • 特点：节奏慢，认知度不佳，客户更关注解决具体问题的速度与产品易用性。
  • 产品力是制胜关键，核心要素是易用性与快速部署。

五、除了仿真技术，还有哪些方法可以加速 corner cases 的收集？

三种主要方法：

• 人为制造缺陷或 PS 缺陷数据：与客户商讨缺陷特征和表现，早期使用较多，但依赖客户提供信息。缺点：若客户不提供足够信息，无法准确了解缺陷，后来逐渐减少使用。
• 利用 AIGC 进行缺陷生成：通过模拟和生成缺陷特征，有效应对缺陷背后的复杂性，可生成各种不同类型的缺陷。这是目前常用方法。
• 利用非监督学习方式，使用 OK 品进行建模：帮助理解缺陷特征和模式，提高检测和修复效果。

小提示：在实际项目中，建议组合使用 AIGC 与非监督学习，以平衡数据多样性和模型准确性。

六、如何看待大模型对工业视觉领域的影响？

大模型是相对概念，用“基础模型”描述更准确，包含两层：

• 通用基础模型：如 SAM，能解决通用问题，但方案较粗略，在工业场景中无法直接使用。
• 行业基础模型：如针对 PCB 行业的基础模型或预制模型，阿丘已取得进展并实现商业化落地。

另一方面，大模型不能通吃一切。它可能符合 To C 端通用需求，但对于 To B 或垂类需求，会出现垂类基础模型（小模型）。最终生态将是大模型 + 垂类细分模型并存。

常见问题：“中小企业是否应该立刻投入大模型研发？” 答：建议优先关注行业基础模型，利用已有的预训练模型进行微调，可降低投入并快速落地。

七、CV 领域什么时候会迎来“ChatGPT 时刻”？

目前工业视觉实际应用中，AI 仍属于上一波技术阶段（深度卷积神经网络，层数约 20-50 层）。CV 领域的“ChatGPT 时刻”尚未出现，碘伏性创新技术具有不可预测性。Meta 提出的 SAM 虽受资本市场追捧，但仅迈出一小步，CV 领域的大模型仍需一段时间。公司认为，CV 领域一定会出现自己的 ChatGPT，大概率由技术路线清晰的头部大模型公司引领。

小提示：企业可关注头部公司动态，同时深耕自身垂类场景，等待技术拐点出现时快速切入。

常见问题与解答（补充）

• 问：AI 工业视觉与传统机器视觉（Rule-based）相比，最大优势是什么？
  答：最大优势在于高维特征学习能力，能处理传统方法难以解决的复杂缺陷（如纹理、表面划痕等），同时降低对人工算子和阈值的依赖，大幅提升易用性。
• 问：未来三年，哪些行业最可能率先大规模采用 AI 工业视觉？
  答：半导体、面板、PCB 等工艺密集型领域将率先受益，其次是汽车、新能源等腰部市场，因为它们创新力强且竞争激烈，对检测效率和成本优化有迫切需求。

通过以上七个维度的剖析，我们可以看到 AI 正在从技术、商业模式、产品易用性、场景覆盖等多个层面重构工业视觉。无论是深度神经网络带来的高维处理能力，还是数据驱动的 2.0 阶段，都预示着这个行业即将迎来加速普及的浪潮。企业应紧跟趋势，提前布局数据积累与平台化建设，方能在碎片化市场中占据先机。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：AI重构工业视觉阿丘科技中信证券策略会精选问答要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题