2025 年 12 月,NVIDIA 在其开发者博客上发布了一篇技术文章,主题非常直接:使用视觉基础模型和生成式 AI 优化半导体缺陷分类系统。核心发现毫不含糊:传统 CNN——过去十年 AOI 中占主导地位的 AI 检测技术——已经触及天花板。
传统 CNN 的三大结构性局限
CNN 在过去十年中驱动了大部分自动光学检测系统。但随着制造复杂度的提升,三个结构性弱点已经无法绕过:
- 高数据门槛:每种缺陷类型都需要数千张标注图像来训练。罕见缺陷?你根本没有足够样本。
- 语义理解有限:模型能【读图】,但无法理解上下文或推理根本原因。
- 持续重新训练:每次切换产品线,你都得从头开始标注和重新训练。维护成本永不停歇。
NVIDIA 的验证:视觉基础模型是正确方向
NVIDIA 的方法:采用预训练的视觉基础模型,用数百万张未标注的工厂图像进行领域适配,然后用少量标注数据集进行微调。
根据 NVIDIA 的实验,PCB 缺陷检测准确率从 93.84% 直接跃升至 98.51%——无需大量标注工作。
读到这里的制造工程师会感到欣慰。然后现实来了:在你自己的工厂里真正复现这个结果需要什么?
你需要精通 NVIDIA TAO Toolkit。你需要百万级的未标注图像。你需要 GPU 集群进行 SSL 训练。你需要懂 Docker、YAML 配置、ONNX 导出的工程师。部署门槛是真实存在的。
这不是典型 EMS 工厂的日常工作流程。
DaoAI 选择了不同的路径:全部内置到硬件里。即插即用。
DaoAI 针对 PCBA 的 AI AOI 技术底层遵循 NVIDIA 所描述的完全相同方向:
- 基于视觉基础模型架构(VGG),在超过 100 万张真实 SMT 工厂图像上训练
- 不依赖通用预训练模型——针对 PCBA 制造进行专门的领域适配
- 特征提取发生在特征空间而非像素空间——对光照变化、元件批次差异和板材翘曲具有高容错性
换句话说:NVIDIA 提供工具包。DaoAI 提供预训练好的大脑,外加一个开箱即用的身体。
97%
编程时间减少
80%
误报率降低
60%
运营成本降低
这意味着什么?
NVIDIA 的文章在告诉行业:下一代 AOI 的技术方向已经确定。视觉基础模型 + 领域适配 + 持续学习——这就是正确路径。
DaoAI 在告诉市场:你不必等待那个未来。它已经到来。它已经被封装进你明天就能部署的硬件里。
对于正在评估 AOI 升级的制造商,有一个问题值得认真思考:你想要一个需要自己组装的技术栈,还是一个随时可部署、越用越智能的检测系统?