我自己是做算法出身，喜歡思考問題的本質。比如，AI對于我們整個工業視覺的本質到底是什么。今天我把這個不僅是我的思考，也是阿丘科技整個公司的思考分享給大家，供大家參考。但這也是一個比較初級的思考，要在以后的實踐中深化。

今天我講的內容包含三個主題，第一個是講AI對于工業視覺到底意味著什么；第二個是我們從整個技術發展周期的角度，看一看工業AI視覺發展的一個大的路線圖；第三個，也是必不可少的，要談一談我們對未來的一個趨勢和觀點的一些理解。

01

AI重構工業視覺

Part.1

算法

首先我們來看第一個主題，AI對于工業視覺算法到底有什么價值？

傳統算法，我用兩個關鍵詞來定義它，就是定量分析和特征工程。特征工程就是算不同的特征。后面做判斷的時候，一堆的if···else···是傳統算法的一個特點。那AI這塊的話大家已經很了解了，基于樣本來做學習。我認為這是很本質的一個東西。

從功能角度出發，工業視覺算法可分為圖像處理、定位、檢測、測量、識別；從算法實現技術角度就是分類、識別、測量三大類。本質上，工業視覺算法將會或正在被AI全部重構，當然如果涉及到測量技術，即定量分析技術，傳統算法依然不可或缺。

AI重構工業視覺算法的價值體現在以下 3 個方面：

a.

升維

AI通過升維來解決我們的一些復雜的分類和識別問題。包括復雜的背景、低對比度、柔性電子、一些強干擾。這些東西原來傳統方法是沒問題的，但是用AI的話，我覺得能更加好。這個點大家是能夠肉眼可見的。后面第二點和第三點可能未必肉眼可見，但實際上是更關鍵的。

b.

簡化、通用化

AI的一大優勢是可以對算法問題做極度的抽象，抽象之后較為復雜的工業視覺問題就會變得比較簡單，還有一個就是通用化。很多工業視覺里面比較復雜的算法問題，后面實際上用兩到三個比較通用的算法模塊去訓練數據，結果就出來了，并且這個指標還非常優秀。

c.

降本

大家聽到這個東西好像有點反直覺，覺得AI對算力有要求，怎么還能降本？

我們舉一個所有做傳統算法的人都能夠理解的一個例子。比如幾何形狀匹配，這個屬于是整個機器視覺里面，傳統算法繞不過的這樣的一個算法，它需要設置非常多的參數。如果要用好，工程師需要理解幾何匹配算法的基本原理、參數的物理含義，這需要較為專業的圖像處理背景知識，門檻要求高。如果你理解不到位，可能定位的結果不是你想要的，或者達不到一個非常精準的效果。要做到這一點的話，是需要有圖像處理算法背景的。所以說我原來做傳統圖像，就是我在原來東家的時候，我們帶著底下的應用工程師都是碩士，這個成本是非常高的。

而我們用 AI 來做，比如說我們只是訓練三、五個樣本，甚至是一個樣本，后面整個定位的精度跟效率都能夠達到，甚至超過傳統算法的精度。當然，整個魯棒性肯定也比傳統算法要好。那這樣使用的成本就可以降到非常低。

Part.2

解決方案

這個解決方案的范疇是什么？可以說是視覺系統范疇，也可以說是視覺檢測設備范疇。叫解決方案，就是基于算法疊加的一個完整方案。我們內部的觀點是，AI不僅僅是一個技術模塊，它是一種新的認知框架，本質上是基于數據和標準驅動的。首先我們要有這么一個認知框架，再往下看我們的視覺解決方案，核心包括哪些部分？對這些部分意味著是什么？

我抽取了里面三個核心部分：

成像模組

成像模組就是整個機器視覺里面成像的所有器件跟方案，它背后的基本原理是什么？是基于傳統算法，而傳統算法基于定量分析。所以說我們基于傳統算法來做的成像方案，它的底層要求是“定量、高對比度”。

這個會導致什么樣的后果？比如說我們要檢測一個表面很多不同類型的缺陷。為了要達到高對比度的定量，可能我需要打若干場光。可能每場光對應兩種缺陷，后面才能把這些缺陷完整的呈現出來，成像的效率非常低。

而我們進入AI時代以后，我們對成像的要求變了，只要是目視可見即可。當前基于傳統算法構建的成像方案，本質上還只是一個“光電轉換器”。只是把一個關鍵信號轉換成圖像，距離我們所說的眼睛差的太遠了。當然，我們也不可能一步躍成眼睛，那至少階段性的目標我們是不是可以達到攝影水準。這個做到了有什么好處呢？一方面是能夠提高我們整個成像的空間效率，更重要的是它簡化了、通用化了、成本低了。這是很重要的一個根本變化。

算法模組

客觀來說，當前落地的各種項目，成本還是比較高的。根源在于大部分只是把AI作為一個算法模塊，把它疊加到原來的體系里面，就比較低效。后續算法方案一定要以AI為中心，打通和優化整個計算流和數據流，這個才是最優的方式，能夠提高訓練推理效率、降低部署維護成本。

自動化模組

在傳統算法時代，由于成像有很多約束，自動化能發揮的作用非常受限。AI其實是打破了算法的束縛，本質上也打破了我們成像的束縛。可以自動化幫我們拍圖，各種“凹姿勢”“擺造型”。只要能將缺陷拍清楚就可以，并不需要那么明亮的成像。如果這么來做的話，極大地降低了自動化復雜度，提高了自動化通用性。并且能夠比較簡單高效地解決產品異形、多型號小批量等成像難題。

從大的維度來看，工業視覺解決方案會按兩個方向演進：

輕量級場景：更強調一體化，極致的簡單易用，可能需要線上訓練。

復雜場景：更強調通用化解決方案，包括：通用成像模組、通用大模型、通用自動化模組，降低全鏈路綜合成本。

02

工業AI視覺進化論

任何技術導入都有它的一個生命周期，每個階段有不同的特點。基于落地多個項目的思考，我們將AI工業視覺發展路徑劃分為三個階段：早期市場時期（2019）、保齡球道時期（2024）、龍卷風時期（2029）。

2019年是AI工業視覺元年，意味著有相關的AI項目落地，即早期市場。阿丘也是在這一年開始逐步項目落地，我們的第一個落地項目是3C行業的模組外觀檢測。

自 2021年開始，AI逐步在各細分市場成為標配，該趨勢將延續到2024年，即所謂的保齡球道時期。阿丘從2021年開始在結構件、模組、包裝等眾多細分市場批量落地。

預計在 2029年， AI 將在全域市場普及，即龍卷風時期。

這是一個大概的判斷，時間周期有可能會早或晚，僅供大家參考。

2019

早期市場時期：技術創新

我們首先來看一下早期市場有什么特點？

核心還屬于是技術創新的一個時期。換句話說，AI這個東西在工業視覺里面到底能不能用，比較專業的說法就叫技術創新導向。

那么工業AI算法跟我們自然場景（比如人臉識別、自動駕駛）的技術到底有什么差別？一是小樣本，大家知道缺陷是由非受控因素產生的，獲取成本很高，所以需要小樣本；二是高精度，包括尺寸小、對比度低、過檢率和漏檢率指標嚴格，特別是關鍵缺陷要達到零漏殺；三是低算力，本質上是由于工業產品對成本有約束。

正是基于這些洞察，我們構建了自主底層算法框架、上層算法工具，即大家耳熟能詳的工業 AI 視覺軟件平臺AIDI。

在推AIDI的過程中，有兩個比較有意思的點，在這里與大家分享下：

設備廠商甚至集成商大部分都有自研基礎AI算法的沖動，基本都無疾而終。甚至這個公司可能只有五六個人，他也安排一個人來自研。核心原因就兩個：一是有很多開源的框架；二是確實把這些數據拉到框架里充分跑一跑能看到不錯的指標。但是真正上線時會受三個約束，即小樣本、高精度、低算力。所以很多人可能做到后面無法突破這三個約束，慢慢地就悄無聲息了。

通過和客戶的交流和我個人的思考，我認為其實它是一個經濟學問題，不是一個技術問題。我們在傳統算法時代，用OpenCV去做項目也能做一部分，但是大部分的系統和設備，還是一定要用專業的平臺軟件來做。在AI這個時代我認為也是一樣的。能不能自研AI算法呢？我認為是比自研傳統算法更難的。主要是三個方面：第一個方面，自然場景跟工業場景的問題特性有非常大的差別；第二個方面是AI算法的參數維度更多；第三個，要達到低算力，需要對算法做高性能優化，優化復雜度是非常高的。如果一個公司真的要自研AI算法，投入的強度要很高，要有很多工程師，所以我覺得最終它實際上是一個經濟學問題。

總的來說，如果大家投入資源的強度足夠，我認為也能夠做一個至少能用的東西，但如果要做到更好，就看你有沒有天花板足夠高的團隊。

有些人問我，做傳統算法的視覺廠商來做AI算法是更容易還是更難？針對這個問題我還真是進行了深度的思考，這也是我想給大家分享的第二個點。其實我認為是更難，可能比一個完全初創的公司還更難。為什么？本質上AI算法和傳統算法的架構和迭代范式完全不同，研發理念也是天壤之別。要從傳統算法的方式切換到AI，我不是說沒有可能，只是概率較小。

阿丘落地的第一個項目是3C模組外觀檢測，這個項目是有一定復雜度的。其中涉及注塑件、金屬件等多種材料組合，產品異形，缺陷種類多達70余種、形態多變。?檢測要求漏檢率低于0.1%，過檢率3%左右，以傳統算法視角看來該項目基本無解。我們從方案到樣機上線花了超過6個月的時間，在項目進行過程中，我們發現 POC指標和上線指標之間存在巨大鴻溝。為什么會有這個鴻溝？我認為主要有四個方面：

第一個就是對AI的認知。它到底能解決什么問題？不能解決什么問題？所謂AI是不論復雜度的，只要學習過的，再復雜也可以解決，沒學習過的再簡單也無法解決。

第二個是對需求邊界的認知，AI本身無法分辨正確與錯誤，這意味著你給它錯誤的樣本，它也會學習。從這個角度，他對標準是有很嚴格的要求的。

第三個是對數據的管理。核心主要是兩個點，如何把握標注的標準以及如何篩選對迭代模型有信息量的數據。標注標準太嚴苛，成本太高；不夠嚴苛，標準對AI來說又不明確。

最后一個是模型相關的問題。如何保證指標的穩定性和在產線間進行復制。比如，不同的產品型號該如何做到兼容。

為了解決這些問題，我們基于項目經驗，提煉出了AI落地方法論，比較成熟的方法，就會成為AIDI產品功能的一個組成部分。

該階段客戶的特征：擁抱新技術、有痛點、有一定支付能力。我認為這三個特征缺一不可。這樣來看，早期我們項目落地在3C行業是有其必然性的，因為以Apple為主驅動的3C供應鏈是最早擁抱新技術的行業之一。并且在3C供應鏈中，自動化程度最低的就在質檢環節。前幾年疫情引起的人員受限等問題更加推動了檢測自動化。由于檢測問題的復雜性，傳統算法時代實現檢測自動化可能性非常小。當然也做了一些AOI，但實現的效果不太好，沒有一個真正的解決方案。可能你上了一臺設備，但還需要更多的人來維護這臺設備。AI提供了全新的強力的技術手段，和更多的可能性！

2024

保齡球道時期：產品創新

早期市場階段，我認為是找一些場景落地，后面到了保齡球道時期，一定是在細分市場。

這里面的一個焦點就是產品創新。從算法維度來看就是算法的標準化，包括工具鏈標準化。把前面說的那套落地方法論抽象成一套工具，集成到產品中，讓大家更方便地使用。從解決方案維度，核心點在于創新簡化。發掘AI特性，在提高檢測性能的同時，簡化成像、算法、自動化解決方案，縮短產品上市周期，降低產品生命周期綜合成本。

該階段客戶的特征：有痛點且關注性價比。我們認為這個階段還需要延續兩到三年的時間。

2029

龍卷風時期：行業價值鏈重構

下一個時期就是龍卷風時期，重點在于重構行業價值鏈。

該時期的前置條件是殺手級產品的出現，該殺手級產品把行業價值鏈卷一遍，在暴風過后，將會呈現新的價值鏈格局。比如，移動互聯網時代的殺手級產品就是iPhone。視覺行業的殺手級產品是康耐視的VisionPro，有了這個產品才定義了我們現在提到的很多術語。那AI時代的殺手級產品是什么？這個還是需要由市場來選擇。

龍卷風時期的重要特征：大量“偽AI公司出現”。特別是傳統視覺公司沒有涉及AI也紛紛披上AI的外衣，因為大家都感知到暴風即將來臨，想跟上風潮的同時又恐懼被暴風卷走。

03

演進趨勢觀點

談談我們對未來3-5年的演進趨勢的一些判斷。

? 第一個是算法方面，有三個趨勢：第一個是非監督，這個主要針對輕量級場景；第二個是大模型，前面提到對于復雜場景，大模型是最佳機會；最后一個是輕量化，即低算力，低成本是工業視覺永恒的關鍵維度。

??第二個趨勢屬于解決方案。第一個核心還是簡化和通用化，前面提到的成像、算法自動化都是屬于簡化、通用化。還有一個是全鏈路的成本優化。這是什么意思？一個行業要達到最大化普及，成本是很關鍵的一個因素。整個鏈條包括硬件、算力、開發成本、部署成本、維護成本，如何實現整體最低。

??第三個我認為是整個行業大的趨勢。未來五年左右，一定會出現殺手級產品。這個產品的出現靠能力，也要靠點運氣，最終它是由市場篩選出來。整個行業將會因為這個殺手級產品重新洗牌。這個殺手級產品的出現將影響什么？我分享一下我個人的觀點：第一個就是不了解AI的工程師可能將被淘汰。還有一個就是傳統的視覺公司從業者能不能在大的圖景里面創造價值，否則也會被淘汰。這個我們可以用時間來檢驗。

編輯：黃飛