2016年，AlphaGo對人類頂尖圍棋手的無差別“虐殺”，又一次引發了大眾對AI技術的關注和恐懼。

在大部分人都熱衷于討論AI技術是否會真的全方位超越人類，進而對人類產生重大威脅時，有一群人卻因為看到其背后突破性的機器學習技術而深感興奮。

在他們看來，AI機器威脅到人類還是一個遙不可及的未來，眼下最重要的是如何把AI變成“新工人”，來幫助人類解決那些遲遲沒有找到好方案的問題。

產品檢測就是這樣一個急切需要新技術的老問題。

盡管企業很早就利用工業相機等數據采集設備對產品實施檢測，但是采集到的數據還是要通過人工識別和判定，效率低不說，質量穩定性也難以保證。

機器學習算法的突破，提供了一種可能性，就是基于過往積累的數據訓練AI模型，然后讓其自主判定產線相關檢測數據，進而克服人工判定的低效與高錯誤率等問題。

由此，傳統制造業向智能化轉型升級的大門，借由AI+機器視覺開啟了一道縫隙，讓遙遠的光亮照了進來，讓行業前進的道路逐漸明朗了起來。

時隔6年多后，機器視覺這項技術發展到了什么程度？相關企業利用AI技術如何打造自己機器視覺產品的獨特性？并如何實現商業落地？在這個過程中，又會遭遇怎樣的阻礙？透過機器視覺的發展，能夠給我們看待AI賦能傳統制造業的轉型升級提供怎樣的啟發？

為了尋求上述問題的答案，智次方·物聯網智庫分別采訪了格創東智科技有限公司AOI產品商務負責人江淵總和菲特（天津）檢測技術有限公司研發總監陳立名總，通過與兩位長期浸淫在戰斗最前線的專家的深度交流，盡可能全面地了解機器視覺技術的發展路徑，并在此基礎上管窺智能制造的發展現狀和方向。

什么是機器視覺？

根據美國自動成像協會（AIA）的定義：機器視覺（Machine Vision）是一種應用于工業和非工業領域的硬件和軟件組合，它基于捕獲并處理的圖像為設備執行其功能提供操作指導。

機器視覺可以分為成像和圖像處理分析兩大部分：成像依賴于機器視覺系統的硬件組件，如光源、光源控制器、鏡頭和相機；圖像處理分析則是在成像基礎上，通過視覺控制系統進行的。

機器視覺系統的核心功能包括：識別、測量、定位和檢測。

上述功能的難度是逐次遞增的，因此，生產檢測也是最能展現機器視覺“功力”的領域之一。

2023年12月12日，工信部聯合發改委和金融監管總局發布了《制造業卓越質量工程實施意見》通知。

通知中強調，質量是制造業的生命線，卓越的質量是高端制造的準則，推動產業從數量擴張向質量提升是新時期制造業高質量發展的現實需要，追求卓越質量是制造業由大變強的必由之路。

在這一定位下，通知中提出要推進質量保障數字化……推動企業加強試驗驗證、檢驗檢測數字化和智能化，深化機器視覺、人工智能等技術應用，提高質量檢驗檢測的效率、覆蓋率和準確性。

在這樣一個背景下再看機器視覺技術，其重要性不言而喻。

目前，機器視覺技術已經廣泛應用于消費電子、汽車制造、半導體、光伏等領域，且市場規模在不斷擴大。

據Markets and Markets統計和預測，2021年全球機器視覺市場規模為804億元，2025年有望達到1276億元。根據高工機器人產業研究所數據，2021年中國機器視覺市場規模達到138.16億元，到2025年我國機器視覺市場規模將達到469億元，2021-2025年復合增速達到36%。前瞻產業研究院預測，至2028年，中國機器視覺行業市場規模將達到億837元。

格創東智科技有限公司和菲特（天津）檢測技術有限公司自2017年起，各自開啟了AI+機器視覺的創新之旅。雖然兩家企業從不同的地點出發，經歷了截然不同的探索過程，但從更宏觀的技術發展視角來看，卻又給人一種殊途同歸的感覺。

接下來，我們將分別進行介紹。

格創東智——從具體場景中走出來的企業

2018年，格創東智由TCL孵化而出。帶著TCL在解決特定問題上積累的數字化能力，并以此為基礎發展出一系列相關產品和解決方案。

這樣的企業具備一個天然優勢，就是擁有深厚的行業Know-How，不同于一些AI企業是帶著技術去找場景和客戶，他們本身就是具體場景孕育的結果，所以甫一降生，就帶有很好的理解場景和客戶需求的基因。

格創東智的機器視覺檢測方案——天樞AI視覺檢測系統是其工業智能解決方案中的一個細小分支，源自TCL華星的半導體生產檢測。

據江淵介紹，面板生產過程的每一個關鍵制程都需要AOI（自動光學檢測）設備拍攝圖片，進而識別相關缺陷。早期通過人工進行缺陷分類，只有分類好了，才能知道下一步該怎么處理。整個流程有一百多個制程，需要大量的人工去做每一個關鍵制程。

2017年，機器視覺技術興起后，TCL華星內部開發了AI視覺檢測系統，基于人工智能技術進行圖片的識別分類。

方案實施后，首先是大幅提升了檢測效率，能夠代替百分之八九十的檢測人員，一天可以檢測將近三百多萬張圖片。其次是提升了檢測精度，因為能夠有效避免人員易疲勞、人與人之間的認知差異等問題。

此后，隨著技術成熟度的提升，格創東智的機器視覺方案逐步從半導體行業外溢，目前已經成功賦能光伏、3C電子、家電、石油石化、航空航天等22個細分行業。

AI模型是如何賦能生產制造的？

從采訪中我們也了解到，AI賦能機器視覺檢測的過程，經歷了一個從小模型到大模型，再到“小模型”的路徑。

初期，格創東智先結合深厚的行業數據積累和對特定工業場景及檢測指標的深入理解，再融合機器學習算法，構筑了針對特定檢測場景的小模型。

小模型的構建旨在緊密匹配特定的業務場景和需求，強調的是針對性和高適應性。通過專注和定制化的開發過程，小模型能夠在滿足行業特定需求的同時，提高操作效率和決策質量。

但是，小模型存在過擬合的風險，即模型太過專注于訓練數據集中的細節和噪聲，以至于它在新的、未見過的數據上表現得不好。這使得其落地前提是必須對數據進行規范化和標準化，使得數據分布和比例達到最佳狀態。模型的開發和調優需要專業人員的參與，要求他們既熟悉AI技術，也了解行業專業背景知識。

而很多客戶企業并沒有這樣的人才儲備。

2022年，大模型技術的突破給上述問題的解決帶來了希望。

相比于小模型，大模型有更強的兼容性和穩定性。大模型的設計不受數據復雜性的限制，無需對場景理解過于深入，只需足夠多的數據進行訓練，無需過多的參數調整或架構設計。在更加簡便地處理各種類型的數據的同時，還不會出現過擬合的現象。

概言之，大模型的出現可以大幅降低模型落地的門檻。

長期思索于如何將機器視覺系統變得更好、更容易落地的格創東智積極響應大模型的技術潮流，基于已有的大量數據和小模型來訓練和開發自己的大模型。

但是要直接把大模型落地在客戶側又存在新的問題，就是在實時工業場景中推理需求的高資源消耗與成本壓力難以滿足連續快速檢測與生產流程的無縫對接。

格創東智的解決辦法是，先在內部訓練大模型，而后再針對特定場景進行“模型瘦身”。這樣做的好處是，利用大模型進行學習和提取特征，可以更高效地訓練出小模型，訓練過程中所需的數據量也大幅減少，使得模型的落地應用變得更加便捷和可行。

此外，江淵也介紹到，為了提高產品交付性，他們的天樞AI視覺檢測系統還開發了可視化功能，通過將模型開發過程簡化為直觀的拖拉拽操作，使得非AI專家的普通IT人員也能輕松開發和優化AI模型。

客戶可以從一系列預設的子模型和算法中選擇，通過簡單的操作將它們組合起來，構建出滿足特定需求的模型，無需深入了解背后復雜的算法細節。

這樣一來，很多客戶企業無需額外投入巨大的人力成本，就可以享用到最新的機器視覺技術的賦能。

這種時刻從客戶場景入手，不斷在產品落地和交付性方面死磕的精神，正是格創東智這種從具體場景中孕育而出的企業最大的特點，也是他們的最大優勢。

菲特——國家重點“專精特新”小巨人

不同于格創東智的機器視覺檢測方案，是在一個大的工業智能解決方案基座上延伸出來的一個枝節。

成立于2013年的菲特（天津）檢測技術有限公司則是從檢測這個點出發，在產業實踐過程中不斷積累和豐富技術經驗，逐漸衍生出新的能力，從質量智能逐步到工廠智能，進而在更為廣泛的工業智能中發光發熱。

國家級重點“專精特新”小巨人的稱號，便是對其十年磨一劍最好的肯定。

筆者曾在文章中提到過，專精特新企業的目的不在于主導市場，讓自己成為家喻戶曉的知名企業，而是更加關注小生態位的主導權。通過產品創新和深耕市場，構筑具有絕對優勢的競爭壁壘，讓自己成為某個產業鏈中必不可少的基本要素。

概言之，如果一家企業掛上了“專精特新”的牌子，那也意味著在其耕耘的領域，他已經具備了相當深厚的積累和話語權。

從陳立名的介紹中我們了解到，菲特也積極抓住了2017年的機器學習浪潮，著手于將此前已經積累的大量數據用于模型訓練，這些模型專門針對質量檢測領域的需求，滿足特定行業檢測標準的同時實現最大化的成本控制。

在后續的發展中，菲特嘗試將AI技術應用于更多的工業場景，最后形成了四個主要的應用方向：生產智能、質量智能、物流智能、安全智能。

這四大領域覆蓋了從生產前端到后端的全過程，先后為整車、零部件、化紡、醫藥、軍工、泛工業等領域內的眾多全球知名企業提供了整體智能制造解決方案，真正為客戶企業實現提質增效。

一條獨特的研發路徑：技術-中臺-產品

陳立名提到，為了支撐上述四大業務領域的發展，菲特采用了分層研發策略，包括核心技術層、標準化技術的中臺層和產品層。

核心技術層是企業為未來五年的技術儲備而進行的頂級研發工作。這一層面的研發活動集中在創新和拓展技術邊界，比如2D和3D測量技術等，其目的是要實現在線級（即落地到實際的生產線上）微米級別的精確度。

標準化技術的中臺層是指通過匯總標準化、模塊化的工具和技術，形成中臺能力，以應對多變的工業場景和定制化生產需求。這一層面的研發旨在實現技術的可復用性和靈活性，以便快速適應市場和客戶需求的變化。

產品層指的是具體的產品開發，包括檢測設備和監控系統等，直接面向市場和客戶。力圖將先進的技術應用到具體的產品設計和功能實現中，使其成為看得見摸得著的成果。

大模型技術浪潮興起后，菲特也積極響應新趨勢。

陳立名提到，對于大模型的發展，他們有一個長期的規劃，主要集中在兩個方向：

首先，利用大語言模型改進數字化系統的交互方式，從傳統的表單和流程，轉向更直觀、更人性化的交互模式。既包含人與人之間的交互，也涉及知識檢索和沉淀，特別是將原本沉淀在個人或零散文件中的行業Know-How，通過大模型技術進行整理和可檢索化，以便更有效地復用。

其次，菲特也開始了多模態大模型的開發和應用。通過結合傳統的圖像數據和文本數據，實現不同數據類型的綜合利用，以此來更好地沉淀行業數據。

對談下來，筆者能夠感覺到，菲特對自己的核心要求體現在，他們始終想著如何利用AI技術去幫助客戶企業將他們已經擁有的數據資源和行業能力充分利用起來，以此為目標讓自己向著國內領先的智能制造整體解決方案提供商邁進。

機器視覺的商業模式

通過與兩位技術專家的對談，我們也對機器視覺的交付方式和商業模式有了更為深入地了解。

江淵提到，格創東智向客戶交付的機器視覺檢測系統主要涉及三大塊內容：硬件、數據算法和后續服務。

硬件部分主要包括光學采集設備和系統設備，這些設備在檢測過程中起著重要作用。數據算法與系統集成在一起，提供給客戶的是一個整合的系統，客戶可以在此基礎上進行使用和操作。后續服務通常包括數據算法的優化、調試以及系統的維護和更新等，以確保系統的長期穩定運行。

據江淵介紹，他們與客戶的商務合作模式主要分為兩類：買斷和訂閱。

買斷指客戶一次性購買系統和硬件，之后自行管理，遇到問題再與服務商聯系。訂閱則是客戶購買硬件設備，并訂閱公司提供的服務。

商務模式的選擇與客戶企業的規模和需求有關。對于規模較大、產品類型繁多的企業，可能更傾向于買斷模式，以滿足不斷變化的需求。而對于小型企業，可能更傾向于訂閱模式，以降低成本并獲得專業的服務支持。

類似的，陳立名介紹到，目前菲特的交付模式主要有三種類型，分別是全套服務交付模式、軟件算法服務交付模式和標準化產品交付模式。

全套服務交付模式提供了一個全面的解決方案，包括軟件和硬件的整合。公司承擔從項目開始到完成的所有工作，類似“交鑰匙”工程，即客戶從開始到結束不需要擔心任何細節問題。

軟件算法服務交付模式下，公司專注于提供軟件算法方面的服務，而不涉及任何硬件設備。公司的服務主要是賦能客戶現有的設備，比如制造設備或質檢設備，通過提供高級的軟件算法來優化客戶的操作流程。

與前兩種定制化服務不同，標準化產品交付模式下，公司提供的是成品解決方案，即直接銷售標準化的產品給客戶。交付過程通常包括現場安裝和調試，而所有的后續配合和適配工作則由客戶自己或公司的渠道伙伴來完成。

機器視覺方案的推進阻礙

通盤來看，AI+機器視覺帶給企業的好處是顯而易見的，但這并不意味著相關方案的落地就會水到渠成。在采訪中，兩位專家也提到了他們在產品推進過程中的一些阻礙以及相對應的策略。

首先，他們面臨的最大的問題是所有2B企業都繞不開的問題，即如何給客戶算清楚投入產出比這筆帳，只有讓客戶在數據上看到機器視覺方案帶來的顯著收益，他們才愿意在前期投入巨大的成本來引進。這需要方案提供商想辦法建立標桿案例，提高行業認知度，也讓客戶更加理解和信任新技術的價值。

其次，很多企業的相關人員對新技術的認知存在一定的局限性，把新技術當成了許愿池和百寶箱，期望引進相關技術方案后，能夠一下子解決自己公司面臨的所有的問題。面對這一情況，服務商能夠做的就是不斷溝通和解釋，讓客戶對新技術的認知更加清晰和明確，意識到相關技術的可為和不可為。

此外，數據保密問題也是一個比較大的阻礙。一些關鍵數據，客戶企業一方面是不愿意分享給服務商，這就無法讓他們的AI模型發揮作用。一些愿意分享的，也會要求相關開發工作必須在客戶現場進行，這又容易出現算力和工程師資源不足等問題。

最后，就是檢測指標的問題。客戶的期待是，既然都上AI了，那是不是能夠做到零漏檢和零缺陷，這在當前也很難實現。一方面是故障指標難以形成一個標準化的共識，另一方面就是質量問題與整個生產流程相關，無法通過檢測環節去解決所有問題。

總體而言，機器視覺方案的推進難度主要體現在客戶認知顆粒度的對齊上，需要服務商不斷與客戶方溝通和交流，并通過標桿案例等方式，解決客戶認知上的偏差和客戶期望與實際情況的落差。

寫在最后

通過了解機器視覺的發展境況，可以讓我們對AI的影響力和落地形式有一個更為直觀和具象的了解。它來得并不像技術狂熱派所宣揚的那么迅猛和摧枯拉朽，也不像保守者所認為的那樣一無是處，只是炒作和概念。

AI技術帶來的改變正在一點一滴地發生著，帶給我們新希望的同時也伴隨著種種待解決的問題。與此同時，技術起作用的關鍵，從不在于旁觀者如何言說，而是依賴于那些始終思考著如何利用新技術去解決老問題的實踐者。

審核編輯：劉清