硝烟里大模型与求变机器视觉数据定天花板平台架构是底牌

时间：2026-07-20 14:09

机器视觉在大模型时代面临样本少、时间短、爬坡要求高等挑战，数据标准化、精准化、知识化是关键。平台化架构提升系统一致性与交付效率。垂直大模型凭借专业知识和低数据需求，更适合工业场景，能提供可解释、安全的解决方案。

如果问最近哪个行业最热，无疑是大模型。ChatGPT的落地，证明了它已经能针对具体任务进行场景化应用，跟用户的距离，一下子拉近了不少。

当一批类ChatGPT的通用大模型层出不穷时，另一批参与者把目光投向了“更容易落地”的行业垂直大模型，它们也走到了舞台中央。机器视觉作为大模型重点应用的垂直领域，自然会从这场技术革命中受益。但工业场景与生俱来的碎片化、样本量少等特点，也给大模型的应用带来了实实在在的挑战。说到底，这一碘伏性的技术究竟该怎么用在工业里，大家还都在摸索着前进。

机器视觉的长期痛点：样本少、时间短、爬坡要求高

在人工智能和机器人领域，有个著名的“莫拉维克悖论”——对计算机来说，掌握人类的逻辑推理这类高级智慧，只需要很少的计算能力；但人类那些无意识的感知、运动等“低级智慧”，反倒需要极大的计算资源去模拟。这个悖论，在工业领域体现得尤为明显。

用自动化的机器人替代人类，完成一个简单的动作，往往存在巨大的瓶颈。比如摁压、扣接这类精密组装，人类可以靠肌肉的弹力或指尖的触感，在不做出明显向前位移的情况下就出色完成；可对于机器人，仅这一个简单动作，背后就需要海量的计算。更棘手的是，工业各细分领域千差万别，每一项固定工序都需要大量的计算，这些训练工作叠加起来的时间和成本，企业根本负担不起。

当下，小样本学习、预训练、预适应，被认为是最适合工业场景的技术路径。这背后，是工业实际应用场景的严苛要求：样本少、时间短、爬坡要求高。

样本量少，是工业领域的典型难题。很多工厂里的边缘AI应用，都缺少丰富、多样化的产品样本来进行模型训练。正如凌云光知识理性研究院副院长全煜鸣所说：“在缺陷检测场景中，工厂里会有大量正常的‘好样本’，但异常样本的积累，通常要花几个月甚至半年的时间。”不妨想象一下，一款新手机即将发布，前期模组生产已经耗费大量时间，最终组装就剩两三个月，根本来不及积累足够的异常样本。

要在样本极少、产能爬坡要求极高的条件下，让产线适应新产品，对小样本、预训练、预适应就提出了极高的要求。对小样本来说，模型必须有极其严苛的适应性，数据上要有很强的增广能力——在样本稀缺的情况下，能自己增广出更多样本来完成训练。

寻找共性，是增广样本数量常用的办法。有些缺陷，在不同行业是相通的，比如中框、结构件的外观检测和手机整机的外观检测，再比如锂电和光伏的外观缺陷检测，都存在一定的相通性。凌云的方案是，建立了拥有500万样本的专用工业数据集，对缺陷的机理进行研究，再结合深度学习与人工智能算法平台F.Brain，让预训练模型能更好地实现样本扩增。当然，生成缺陷只是第一步，还得兼顾与场景融合过程中的科学性，才能保证小样本缺陷图增广的有效性。

预适应也一样，目的都是让模型有更好的精度和更广的适应范围，以满足不同工业场景，从而在一定程度上缓解产品在实验室表现稳定、一到真实产线就“歇菜”的普遍问题。

一方面，工业场景对小样本学习技术提出了高要求；另一方面，工业场景对产品的要求也在日益提高。

首先，生产的精度要求越来越高。宁德时代的倪军教授曾提出“极限制造”的概念，认为工业领域做到6σ（每百万个产品里只有一两个不良品）远远不够，而是要达到9σ-12σ，也就是对不良品的要求上升到十亿级——每十亿个产品中，只允许出现1到3个不良品。这对机器视觉厂商来说，是个极大的挑战。

其次，3C制造、汽车、印刷品等行业不断升级，对产品良率和产品形态也提出了更高要求。在这个过程里，怎么把物理世界的缺陷，通过摄像头感知到光电领域、数字领域，并对不同类型和程度的瑕疵进行科学分级，最终定义良品与不良品，其实是个难题。因为，无瑕疵的产品几乎不存在，所谓的“良品”，本质上来自人们的主观定义。比如，苹果和富士康通过三级质量分级完成了对良品的定义，而为其提供视觉感知系统的凌云光，则对标人眼感知，把缺陷细化为十级，再针对不同客户的质量要求，通过微调来满足需求。

这一切，都建立在一个前提基础上：有一套能够精确感知缺陷的视觉系统。而这背后有两大挑战，一个来自数据，一个来自平台架构。

To B 丛林探险，向场景要什么样的数据？

人工智能由两个部分驱动，一是数据，二是模型。数据的重要性，正如ML大牛吴恩达提出的“二八定律”：80%数据+20%模型=更好的AI。随着预训练大模型技术的发展，对数据质量、数量和多样性的要求越来越高。

从样本中积累行业知识、场景知识，是一条重要的路径。以显示屏裂纹检测为例，只有掌握了缺陷和产品物理位置的关系、物理形态上是否垂直于边缘、不同位置产生缺陷的概率等数据，才能打造出好的预训练模型。

但要获取精准的数据，并不容易。其中至少有三大难点：一是数据的完整性问题；二是数据维度单一性问题——检测点获取的数据以及制程点的人、机、料、法、环、测数据，能否从逻辑上实现闭环建模；三是做知识抽取和知识沉淀时，得出的结论在验证阶段仍会出现偏差，需要更大数据量的验证。

即使是有着20多年行业积累、手握数十亿级相关样本的凌云光，在数据获取过程中也同样面对这些挑战。全煜鸣坦言，要减少这些问题的影响，核心在于实现精准感知和数据获取的标准化。

精准感知，是对器件提出的要求。照明系统、感知元件、光学传递的镜头以及待测目标，都得做到相关的标准化。只有在模块级做到精准，才能在系统级达到成像性能的一致性。对照明系统来说，辐射通量、光谱信息、时间稳定性、温度稳定性等度量指标，要在模块级完成测量和度量；对感知元件来说，灵敏度、量子效率、暗噪声、动态范围，也得能精准度量、调节；对被测目标，要能完整地对光电成像过程进行物理建模和理论分析。

数据的标准化，则是从维度上说的。比如对一件产品进行质检，维度包括整体产品数据、瑕疵数据、产品履历、不同制程段的检测结果等，既有图像数据，又有文本数据，既有结构化数据，又有非结构化数据。但需要注意，并非所有数据都有价值。数据标准化的过程，需要舍弃那些永远无人关心的“沉默数据”，只留下有用的数据。全煜鸣强调：“数据的标准化是个系统性问题，对数据的单位、背景条件、存储都应有相应的标准。比如，数据要以什么形式存储下来，是不是要有产品的大图，有缺陷的小图用什么格式定义，在什么地方可以获取到，这些都需要明确。”

实现数据标准化只是第一步，在此基础上，还需要进一步实现数据的精准化和数据知识化。数据的精准化，指的是能够重复获取、稳定且客观的数据。实现精准的数据，是挖掘到带有工艺知识和场景知识的数据的基础。以手机维修产线为例，维修不同产品过程中产生的数据，其实就包含着如何对手机或主板进行下一步检测的知识。最终将维修记录整合成标准操作流程的过程，就是把一般数据变成带有知识沉淀的数据的过程。

把带有知识沉淀的数据用到知识图谱和大模型上，能帮终端客户缩短整体业务流程。比如，富士康的主板维修严重依赖于有经验的工人，但制造业的人力供应链很不稳定，工人离职率高达100%以上，有经验的工人很难留住，老师的知识和经验也随之流失。而通过知识图谱将大模型拓展到主板维修环节，过去需要1500步工序才能搞定一块主板，现在15步就能完成，产线UPPH提升了37%，真正让一线维修工做到了“入职三个月，五年老司机”。

从标准化数据，到精准化数据，再到带工艺知识的数据，三者层层递进，而数据自始至终是贯穿其中的主线。

向平台化架构要体验

机器视觉涉及多个学科，复杂性高、通用性差，且高度依赖数据驱动。在全煜鸣看来，机器视觉至今仍像一门“民间艺术”——光、机、电、算、软各自为战，从成像硬件，到成像方案，再到算法软件平台，并没有形成一个整体解决方案。

与此同时，大模型时代的到来，对数据和技术架构都带来了全新挑战。如果没有全新的技术架构和解决方案做支撑，就很容易出现技术投入越大、复杂度越高、可持续性越差的问题。基于此，行业在思考如何高效利用数据迭代模型的同时，也越来越重视技术架构的创新。

不过，企业在搭建技术架构时，需要注意两个问题。

首先，要警惕脱离具体场景谈技术架构。必须基于业务来搭建技术架构和平台，否则就是做无用功。做架构的第一件事，是把需求和业务目标捋清楚，然后才有可能找到合适的方案。据全煜鸣介绍，为真正做到从场景中来、回到场景中去，凌云光将技术规划和产品规划分成了三部分：第一部分是目前已经落地应用的解决方案，比如2D视觉、3D视觉的量测和检测方案，思考怎么提高效率、提高精度，降低对端侧算力的要求；第二部分是在一些新兴、短期有落地应用机会的创新方案上，领先行业半步，进行人才补齐等资源投入；第三部分是针对超前的研究进行提前布局，比如三年前就开始构建大模型和知识图谱的能力，提前完成整体技术框架的落地。对于不同成熟度的解决方案，要能分梯次落地应用，并形成闭环。

其次，当前构建的架构要有足够的灵活性，能应对未来的变化，保持旺盛的生命力。也就是说，要能够诞生多个可模块化快速复制的集成用例，并在平台化的技术架构基础上，设计横向快速复制的方法。一个既支持现在、又支持未来的架构，不仅能避免重复建设、节约成本，还能整体拉低综合成本。

技术架构走向平台化，是重要趋势之一。凌云光从2018年左右开始向平台化方向转变，时隔5年，今年又发布了全新的KingKong技术架构，包含视觉、数字基准、大脑、自动化和驾驶舱五个部分。在全煜鸣看来，这个架构的特征可以概括为三点：视觉领域实现了科学的标定和图像评价，整体系统一致性非常好；数据层面做到了精准，且是带有知识的数据；AI模型上实现了数据加知识的双轮驱动。

对凌云光而言，这些技术为平台构建了丰富且差异化的功能与服务，提升了基础技术能力，为业务的安全、稳定、高效运行提供了保障。对客户来说，一个更具一致性的技术架构，更能帮助提升缺陷产品的检出精度、加快交付，从而提升生产效率、拉动产能。一般来说，新设备进入工厂要经过NPI新品导入，之后就进入产量和质量爬坡阶段。这个阶段越短，客户就能省下更多物料和人力成本，更快进入大批量生产。KingKong架构调整后，能让手机中框、顶框、底框的外观检测，到整机外观检测的交付时间缩短，并且这样的解决方案还能拓展到锂电外观、圆柱外观检测上。

垂直大模型叩响工业大门，碘伏性技术随时可能发生

人工智能领域发展突飞猛进，大模型将对全行业产生碘伏性重构，这已是业界共识。在工业领域，从生产优化到供应链管理，从质量控制到创新设计，大模型正逐渐改变着工业的运作方式和业务模式。然而，工业领域的复杂性和专业性，决定了通用大模型无法直接应用，尤其是在一些要求高精度和专业知识的领域。

面对种种挑战，能针对行业细分领域提供精确、可解释、安全且定制化解决方案的垂直模型，受到越来越广泛的关注。通用大模型虽然在多个领域表现不错，但并不具备深入的领域专业知识。以工业质检为例，产品质检涉及大量数据和复杂的图像、声音、视频等信息，要求模型能准确识别和分析各种缺陷——甚至是微小的变化。但通用模型很难在短时间内学会这些领域知识，也难以捕捉产线上工艺流程和设备运行的细节。

垂直模型则具备专业知识，能更好地理解和处理行业数据与任务，达到更高的精度和性能，输出更准确的结果。工业领域数据的稀缺性和特殊性，也使通用模型难以应对。要达到高精度，模型通常需要大量高质量的训练数据。可在某些工业领域——特别是新兴或小规模领域——短期内很难积累足够的异常样本，模型经常面临训练数据不足的窘境。此外，工业数据还具有许多特殊性，对大量实时数据、多种类型数据、异常数据的处理和分析极其复杂，通用模型难以胜任。而垂直模型对数据的需求更低，只需较少的场景训练数据就能实现高效开发，定制成本也更低。

工业领域讲求实际，对稳定性、可控性的要求极高，垂直模型在这方面更能赢得客户信任。工厂需要模型能提供清晰的解释和推理过程，以便理解并信任其判断，做出下一步决策。通用大模型通常是个“黑盒”，内部运行机制复杂，难以提供透明解释，风险较高，很难获得客户信任；而垂直大模型则能将决策过程和推理逻辑展现出来。

安全和隐私问题，是敲开工业客户的最后一道大门。工业领域的数据庞大且复杂，通用大模型尚难提供足够的数据安全保障。而且，生产流程、产品工艺、设备参数等都属于企业的敏感数据，通用大模型在训练过程中会接触广泛的公共数据，存在将工厂敏感数据泄露出去的风险。因此，很多企业在权衡风险与收益后，并不愿意交出数据。垂直模型则可以在特定领域内进行本地化处理，减少数据共享和隐私泄露的风险。

大模型的诞生让行业意识到，机器视觉的整体解决方案，很有可能被一些极具革命性和创造力的新模型所重构。全煜鸣坦言，“最近看到很多碘伏性技术，一些原先的技术路径或解决方案，很有可能被新技术碘伏。”目前，凌云光F.Brain深度学习平台已实现工业场景数据、算法、推理为一体的云边端协同一体化平台——先通过算法平台进行特定场景的数据增广和模型训练精调，再通过推理平台完成多端多平台的部署优化。

不过，工业场景对精确度、可靠性的要求极高，现阶段这些新模型要直接导入应用，还存在一定的瓶颈。在全煜鸣看来，这是时代抛给企业的两个命题：一边要沿着已有路线不停迭代，保证满足客户4个9、12个σ的确定性需求；一边要保持技术的敏感性和兴奋度，警惕那些会带来碘伏性的新技术。

要打磨出对行业有碘伏性价值的模型，绝不是闭门造车的事。企业需要在通用大模型基础上微调出行业大模型，再精调成具体制造场景的模型。过程中，企业需要对不同产品和行业特点有深刻认识；需要有行业高质量数据的积累；需要有在数据上进行研发、计算和推理的能力；更需要有懂行业know-how的研究员和科学家。这意味着，那些深耕产业、能触达更多客户场景、容易从生产线上获取大量行业数据、且已积累大量科学精准样本的企业，将更好地满足工业领域的需求与挑战，同时具备更快的技术迭代速度和竞争优势。