近日，阿丘科技 CEO 黃耀受邀出席參與了由中信證劵舉辦的"獨角獸十問十答"產業策略會，以"AI重構工業視覺"為主題，分享了工業視覺領域市場發展現狀，當前AI 對工業視覺領域的影響和應用，以及剖析了未來 AI 在工業視覺領域的發展思想、新觀點、新路徑等。

以下為精簡版紀要

Q1

從技術角度看，AI將如何影響工業視覺？

一、維度提升，優化復雜問題的處理能力：Rule-based的方法受人工設計特征工程的維度限制，而深度神經網絡可實現維度的量級提升。以大模型為例，可達到一千億、二千億的參數空間維度，高維度下處理復雜問題更為簡便。

二、性能改進：一方面，降低現場運維成本，受傳統Rule-based技術的瓶頸限制，現有AOI設備為保持低漏檢率與低過殺率，需進行人工復判；AI可進一步減少對人力的依賴，進而提升成本效益。另一方面，在產品層面重構用戶的交互體驗，簡化操作流程。傳統的工業視覺依賴于Halcon或康耐視的Vision Pro，需對數百個算子進行預處理，工序復雜；而阿丘的AIDI軟件只有五個核心模塊，強調易用性。工業基礎視覺軟件正在從Software 1.0邁向 2.0，從Rule-based變成Smart Software后，用戶體驗發生質的飛躍。

三、通用泛化：實現跨領域通用，賦能碎片化工業視覺市場整合。工業領域包含電子、汽車、醫藥等眾多細分賽道，單一品類的市場容量不大，但多行業整合后的市場空間巨大。AI的通用泛化能力可推動解決工業視覺領域的第一性原理問題：如何實現碎片化市場的最大化覆蓋。

Q2

從商業模式角度，AI將如何影響工業視覺？

一、降低門檻，不再需要資深算法工程師進行檢測與復雜的應用，從業者只需對行業與軟件有基本認知即可；

二、重塑成本結構，研發成本降低，交付運維成本降低，短期內尤其是AI進入一個行業的早期階段會增加數據成本（包括數據維護或數據標注成本），但隨著時間會不斷降低，最終會走向基礎模型。未來三年整個行業的成本結構將大幅優化。

Q3

AI+工業視覺目前處于什么階段？

一、AI 1.0階段，核心為以算法為中心。1.0階段的算法特征為小樣本、高精度、低算力；落地方法論關注AI認知、需求邊界、數據與模型的管理；客戶群體普遍存在痛點，愿意擁抱新技術且有一定支付能力。主要問題為數據缺乏，上線部署周期長，如遇未知缺陷必須重新訓練，研發成本與定價偏高。

二、AI 2.0階段，核心為以數據為中心。一是開始累積行業數據，這是2.0階段的重點。某場景下的客戶達到一定數量后，累積的數據可協助在基礎模型上針對不同客戶的需求進行微調。二是形成工業 AI 視覺的標準化平臺，減少對人工的依賴。三是完善數據清洗、數據生成、分析輔助的工具鏈。2.0階段產品易用性將大幅提升，同時成本進一步下降，客戶關注性價比。此外，大規模的AI運行 scale up & scale out、場景復制和遷移泛化的問題是本階段的重點議題。

目前，阿丘正處于從1.0邁向2.0的上半場。整體而言，當前AI在工業視覺領域仍屬于逐步加速滲透的過程，預計到2024、2025年之后將開始加速普及。

Q4

工業視覺下游場景眾多，各自有什么特點？

一、最上層為半導體、面板與PCB，特點是工藝屬性強，不僅依賴技術能力，典型公司如KLA。該領域存在重大機會。

二、腰部市場，如汽車、電子、新能源領域。具有兩個典型特點：

1)極具創新力，以電池為例，有磷酸鐵鋰、三元電池、氫燃料電池、固態電池等多種形態。除頭部公司外，不斷有創業公司用顛覆性的創新方法重塑行業；

2)競爭激烈，市場規模大且快速變化，靠近消費者，難以形成一套標準解決方案。腰部市場需秉持解耦的理念，追求碎片化市場的覆蓋。

三、傳統行業，如食品、金屬加工等。特點是節奏慢，認知度不佳，客戶較少關注底層技術，更為關注解決具體問題的速度與產品易用性。因此在這類市場，產品力是制勝的關鍵點，而形成產品力的關鍵要素是易用性與快速部署。

Q5

除了仿真技術手段之外，還有什么方法可以加速corner cases的收集？

第一種方法是最早期采用的通過人為制造缺陷或PS缺陷數據，即與客戶商討該缺陷的特征和表現，以便公司能夠準確了解其特點。然而，這種方法存在一個問題，即如果客戶不提供足夠的信息，我們將無法準確了解該缺陷。因此，這種方法在早期使用較多，但后來逐漸減少。

第二種方法是利用AIGC來進行缺陷生成，通過模擬和生成缺陷的特征來解決問題。這種方法可以有效應對缺陷背后的復雜性，并且可以生成各種不同類型的缺陷，這是目前常用的一種方法。

第三種方法是利用非監督學習的方式，使用OK品進行建模。這種方法可以幫助公司更好地理解缺陷的特征和模式，從而提高缺陷檢測和修復的效果。

Q6

如何看待大模型對工業視覺領域的影響？

大模型是相對概念，用“基礎模型”描述更為準確?；A模型包含兩層概念：

1）通用基礎模型，如SAM，能夠解決通用問題，但是解決方案較為粗略，在工業場景中無法直接使用。

2）行業基礎模型，如針對PCB行業的基礎模型或預制模型，阿丘已在這類模型中取得進展并實現商業化落地。

另一方面，大模型不能通吃一切，其可能符合To C端的通用需求，并誕生相應的公司。但對于To B類或垂類需求，會出現垂類的基礎模型（小模型）。最終的生態將是大模型+垂類的細分模型并存。

Q7

CV領域什么時候會迎來“ChatGPT時刻”？

目前在工業視覺的實際應用中，AI的應用仍屬于上一波的技術階段，主要是深度卷積神經網絡，其中神經網絡層數大約為20-30層或30-50層，根據具體情況進行選擇。

CV領域的“ChatGPT時刻”目前還沒有出現，顛覆性創新技術出現的時間具有不可預測性。Meta提出了SAM，得到資本市場瘋狂追捧，事實上只是邁出了一小步，CV領域的大模型依然需要一段時間。公司認為，CV領域一定會出現自己的ChatGPT，大概率由技術路線清晰的頭部大模型公司引領。