當 NVIDIA 指出「這就是 AOI 的未來」，DaoAI 早已將其內建於硬體之中

2025 年 12 月，NVIDIA 在其開發者部落格發表了一篇技術文章，主旨非常明確：運用視覺基礎模型（vision foundation models）與生成式 AI 來最佳化半導體缺陷分類系統。其核心結論毫無懸念：過去十年主導 AOI 檢測的傳統 CNN 技術，已經碰到了天花板。

傳統 CNN 的三大結構性限制

CNN 支撐了過去十年大部分的自動光學檢測。但隨著製程複雜度攀升，三個結構性缺陷已變得無法忽視：

• 數據門檻極高：每種缺陷類型都需要數千張標註影像進行訓練。遇到罕見缺陷？根本不可能收集到足夠的樣本。
• 語意理解能力有限：模型只能「看圖認字」，無法理解上下文或推導根本原因。
• 頻繁重新訓練：每次更換產線，都必須從頭開始標註與重新訓練。維護成本永無止境。

NVIDIA 的驗證：視覺基礎模型才是正確方向

NVIDIA 的做法是：採用預訓練的視覺基礎模型，利用數百萬張工廠未標註影像進行領域調優（domain adaptation），再以少量標註數據集進行微調。

根據 NVIDIA 的實驗數據，PCB 缺陷檢測準確率從 93.84% 直接躍升至 98.51%——完全不需要龐大的標註人力。

製造工程師看到這裡必然深有同感。但現實隨即而來：要在自己的工廠落地複製這套架構，究竟需要付出多少代價？

你必須熟練使用 NVIDIA TAO Toolkit。你需要百萬等級的未標註影像。你需要 GPU 叢集進行 SSL 自監督訓練。你需要懂 Docker、YAML 配置、ONNX 匯出的工程師。部署門檻切實存在。

這絕非一般 EMS 廠日常作業能輕易負荷的流程。

DaoAI 選擇了另一條路：將一切整合進硬體，開箱即用。

DaoAI 的 PCBA 專用 AI AOI 技術骨幹，與 NVIDIA 指出的方向完全一致：

• 基於視覺基礎模型架構（VGG），以超過 100 萬張 SMT 工廠真實影像進行訓練
• 不依賴通用的預訓練模型——而是針對 PCBA 製造現場導入專用領域調優
• 在特徵空間而非像素空間進行特徵提取——對光影變化、零件批次差異與板彎板翹具備極高容忍度

換言之：NVIDIA 提供的是工具箱。DaoAI 提供的則是訓練完成的大腦，以及開箱即用的整機設備——正如 DaoAI P1 離線型 AI AOI 所展現的實力。

97%

減少編程時間

反饋學習

誤判率隨使用持續下降

60%

降低營運成本

這代表什麼？

NVIDIA 的文章向業界宣告：下一代 AOI 的技術方向已成定局。視覺基礎模型結合領域調優與持續學習——這才是正確的路徑。

DaoAI 則向市場表明：你不需要等待未來。它現在就在這裡，已經封裝進硬體設備中，明天就能上線投產。

對於正在評估升級 AOI 的製造商而言，有一個問題值得深思：你想要的是一套必須自己組裝的技術堆疊，還是一台開箱即用、而且越用越聰明的檢測系統？

準備好親自驗證了嗎？

深入了解 DaoAI 視覺基礎模型如何以開箱即用的方式，實現 NVIDIA 驗證的卓越檢測成果。