2025 年 12 月,NVIDIA 在其開發者部落格上發表了一篇技術文章,主題非常直接:使用視覺基礎模型和生成式 AI 最佳化半導體缺陷分類系統。核心發現毫不含糊:傳統 CNN——過去十年 AOI 中占主導地位的 AI 檢測技術——已經觸及天花板。
傳統 CNN 的三大結構性局限
CNN 在過去十年中驅動了大部分自動光學檢測系統。但隨著製造複雜度的提升,三個結構性弱點已經無法繞過:
- 高資料門檻:每種缺陷類型都需要數千張標註影像來訓練。罕見缺陷?你根本沒有足夠樣本。
- 語意理解有限:模型能「讀圖」,但無法理解上下文或推理根本原因。
- 持續重新訓練:每次切換產品線,你都得從頭開始標註和重新訓練。維護成本永不停歇。
NVIDIA 的驗證:視覺基礎模型是正確方向
NVIDIA 的方法:採用預訓練的視覺基礎模型,用數百萬張未標註的工廠影像進行領域適配,然後用少量標註資料集進行微調。
根據 NVIDIA 的實驗,PCB 缺陷檢測準確率從 93.84% 直接躍升至 98.51%——無需大量標註工作。
讀到這裡的製造工程師會感到欣慰。然後現實來了:在你自己的工廠裡真正複現這個結果需要什麼?
你需要精通 NVIDIA TAO Toolkit。你需要百萬級的未標註影像。你需要 GPU 叢集進行 SSL 訓練。你需要懂 Docker、YAML 設定、ONNX 匯出的工程師。部署門檻是真實存在的。
這不是典型 EMS 工廠的日常工作流程。
DaoAI 選擇了不同的路徑:全部內建到硬體裡。即插即用。
DaoAI 針對 PCBA 的 AI AOI 技術底層遵循 NVIDIA 所描述的完全相同方向:
- 基於視覺基礎模型架構(VGG),在超過 100 萬張真實 SMT 工廠影像上訓練
- 不依賴通用預訓練模型——針對 PCBA 製造進行專門的領域適配
- 特徵提取發生在特徵空間而非像素空間——對光照變化、元件批次差異和板材翹曲具有高容錯性
換句話說:NVIDIA 提供工具包。DaoAI 提供預訓練好的大腦,外加一個開箱即用的身體。
97%
程式設計時間減少
80%
誤報率降低
60%
營運成本降低
這意味著什麼?
NVIDIA 的文章在告訴產業:下一代 AOI 的技術方向已經確定。視覺基礎模型 + 領域適配 + 持續學習——這就是正確路徑。
DaoAI 在告訴市場:你不必等待那個未來。它已經到來。它已經被封裝進你明天就能部署的硬體裡。
對於正在評估 AOI 升級的製造商,有一個問題值得認真思考:你想要一個需要自己組裝的技術堆疊,還是一個隨時可部署、越用越智慧的檢測系統?