IA sulla linea SMT nel 2026: l'ispezione ripaga, i robot incarnati possono aspettare

La revisione con IA dei falsi allarmi AOI si ripaga in mesi. Un braccio robotico solo per estrarre le schede difettose mai. Ecco cosa ho trovato, con il rapporto completo e le slide.

Abstract

Alle fabbriche di elettronica vengono vendute due storie di IA insieme: la visione che ispeziona le schede, e i bracci robotici che imparano. Ho esaminato entrambe per le linee SMT e PCBA in Cina continentale, Taiwan, Sud-est asiatico e Stati Uniti, usando relazioni annuali, norme, regole di esportazione, tariffe doganali, benchmark e listini prezzi fino all'11 novembre 2026. La parte che funziona è ristretta. Circa il 97–99 % degli allarmi che un AOI solleva sono falsi allarmi che una persona conferma uno per uno, e i modelli supervisionati addestrati sulle stesse immagini dell'AOI riducono quel lavoro del 60–90 % secondo i fornitori; una grande azienda EMS riporta una riduzione dell'85 % nella sua relazione annuale. A 50.000 RMB per linea, questo si ripaga in cinque-otto mesi negli USA, a Taiwan e a Shenzhen. I bracci cobot che caricano e scaricano le stazioni di test si ripagano in poco più di un anno. Un braccio robotico aggiunto solo per estrarre le schede difettose non si ripaga da nessuna parte. I modelli multimodali generali non sono ancora ispettori: nessuno dei modelli di punta del 2026 ha un punteggio pubblicato su un benchmark di difetti industriali. Sono utili come insegnanti che pre-etichettano i dati per piccoli modelli locali. Il deployment locale, isolato dalla rete, è praticabile. Il mercato del retrofit è reale ma piccolo: circa 320 milioni di RMB in Cina continentale, distribuiti su circa cinque anni.

Perché ho esaminato questo

Tutto è iniziato con una domanda di un piccolo team hardware che conosco. Costruiscono e assemblano elettronica, e stavano valutando di entrare nell'ispezione con IA e nei bracci robotici per le fabbriche. I fornitori raccontavano una storia, gli investitori un'altra, e ogni demo sembrava buona. Volevano sapere per cosa una fabbrica pagherebbe davvero nel 2026, quanto costa farlo girare dentro uno stabilimento e cosa è ancora un progetto di ricerca.

Ho passato più di vent'anni tra chip, hardware e le fabbriche che li costruiscono, quindi mi sono offerto di guardare. Ho letto le relazioni annuali e i prospetti delle società quotate di AOI, visione artificiale, robotica ed EMS, le norme e i regolamenti pertinenti, le classificazioni di controllo delle esportazioni e le tariffe doganali, le pagine dei benchmark e i paper, e i listini prezzi pubblici. Ho anche verificato una serie di affermazioni tratte da interviste al settore contro quel registro. Dove il registro pubblico finisce, lo dico.

Ogni numero qui sotto è dell'11 novembre 2026. Il denaro è in RMB a 6,7188 per dollaro USA, salvo diversa indicazione. La maggior parte delle cifre proviene dal rapporto completo, che puoi scaricare alla fine.

Risultati a colpo d'occhio

Figura 1. Dove l'IA si inserisce oggi nel reparto produttivo. Più in alto significa ritorno più rapido per l'acquirente.

Dove sono le persone su una linea SMT

Una linea SMT ad alto volume è già altamente automatizzata. Le schede passano attraverso la stampa della pasta, l'ispezione 3D della pasta saldante (SPI), il posizionamento, un AOI opzionale prima del reflow, il reflow, l'AOI dopo il reflow, i raggi X (AXI) su un campione quando ci sono BGA, quindi il test in circuito e funzionale, l'ispezione visiva e l'imballaggio. Il takt è di circa 13–22 secondi per scheda, e una linea di solito ha da tre a cinque AOI. Un ODM di laptop ha stanziato 30,6 milioni di RMB per gli AOI su 18 linee.

Figura 2. Una linea SMT ad alto volume. Le persone siedono dietro gli AOI.

Le persone non sono sul nastro trasportatore. Siedono dietro gli AOI. Un AOI è tarato per non mancare mai un difetto, quindi segnala troppo: nei casi che ho trovato, circa il 97–99 % dei suoi allarmi sono falsi allarmi su schede che vanno bene. Un revisore li guarda uno per uno, il che richiede 42–55 secondi. Su una linea trafficata si tratta di circa 448 falsi allarmi per turno, ovvero 5,2–6,8 ore del turno di una persona. Lo stabilimento in quel caso impiegava due revisori per turno.

Figura 3. Su 100 allarmi AOI, circa 97–99 sono falsi allarmi.

Quella postazione di revisione è il punto in cui entra l'IA, ed entra in tre modi. I produttori di AOI la integrano nelle nuove macchine: Jutze afferma che il suo AOI 3D con IA «elimina la revisione umana in fase di ispezione», ViTrox ha lanciato un AOI con IA, e Sinic-Tek ne sta sviluppando uno insieme a Tencent. Le più grandi aziende EMS costruiscono la propria. E terzi agganciano una scatola e software agli AOI che uno stabilimento già possiede.

Cosa funziona: la revisione con IA sulle stesse immagini dell'AOI

L'approccio che funziona non è affascinante. Un modello supervisionato, addestrato sui ritagli che l'AOI già salva, si colloca subito dopo l'AOI e risponde OK, NG o «chiedi a una persona». I fornitori affermano che riduce i falsi allarmi o le ore di revisione del 60–90 %. La migliore evidenza pubblica che ho trovato è in una relazione annuale di un'EMS: il sistema interno di DBG copre almeno il 95 % dei componenti che i suoi AOI segnalano, mantiene le fughe sotto 20 PPM e ha ridotto la revisione umana di almeno l'85 %. Se vuoi vendere a un'EMS di primo livello, quella è la barra con cui sarai misurato.

Due dettagli contano più del modello.

Il primo è l'immagine. Spesso si chiede se una buona fotocamera e un grande modello potrebbero sostituire l'AOI. Una fotocamera 4K generica che guarda un intero pannello da 300 mm ottiene circa 78 µm per pixel; un AOI lavora a 8–20 µm. A 78 µm, una resistenza 0402 misura circa 13 per 6 pixel, abbastanza per dire se c'è ma non se le sue saldature sono buone, e una 01005 misura circa 5 per 3 pixel, cioè invisibile. L'IA lavora sulle immagini dell'AOI. Non sostituisce l'ottica.

Il secondo è cosa succede quando fallisce. La scatola deve fallire in modo aperto: se si blocca o diventa insicura, ogni chiamata va a una persona e la linea continua a girare. Uno stabilimento non accetterà una scatola che può fermare una linea, e non dovrebbe accettarne una che può far passare silenziosamente una scheda difettosa.

I modelli multimodali sono insegnanti, non ispettori

La domanda ovvia nel 2026 è se un modello multimodale di frontiera possa semplicemente guardare la scheda. Non ancora. All'11 novembre 2026, nessuno dei modelli di punta rilasciati tra settembre e novembre (GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 e altri) aveva un punteggio pubblicato su MMAD, MVTec AD 2, VisA, Real-IAD o UniPCB, i benchmark che testano i difetti industriali.

Figura 4. I punteggi di rilevamento generici sono raddoppiati in una generazione. Mancano i punteggi sui difetti industriali.

I loro punteggi di rilevamento generici sono effettivamente raddoppiati in una generazione, ma tracciare un riquadro attorno a una persona o a un'auto non è la stessa cosa che giudicare una saldatura. Su MMAD, che chiede «c'è un difetto?», gli esperti umani ottengono 95,2 e il miglior risultato di un modello generale che ho trovato è 83,1. Nella sfida PCBA dell'ACM MM 2026, i primi cinque sistemi, incluso uno tarato su 6.600 immagini reali di linea, hanno ottenuto 77–82 su difetto-o-no, anche se contare i componenti e leggere gli attributi arrivava a 95–100. La produzione richiede il 99 % e oltre.

Quindi li userei come insegnanti. Un modello di frontiera pre-etichetta e tria le nuove immagini, per circa $23–196 per modello per round. Le persone giudicano: due o tre etichettatori lavorano alla cieca e un ingegnere senior decide. Le etichette vanno in un golden set, e un piccolo modello a 8 bit viene addestrato su di esse per girare nella scatola in linea. Gira in modalità ombra per due-quattro settimane, registrando le decisioni ma senza cambiare nulla, ed entra in produzione solo dopo aver superato i gate.

Figura 5. Due pipeline insegnante-studente. Per i bracci, gli insegnanti sono ancora persone.

Il gate è la parte che la maggior parte dei progetti salta, ed è per lo più aritmetica. Per mostrare un recall del 99 % al 95 % di confidenza con zero mancati, servono 299 difetti reali di quella classe nel golden set. Per il 95 % ne servono 59. Per il 99,9 % ne servono 2.995, cosa che nessun acquirente può raccogliere prima di un acquisto. La mia regola: accetta automaticamente le etichette dell'insegnante solo per le classi di difetto che superano 299 con zero mancati, e solo se il modello concorda con la ground truth almeno quanto due persone concordano tra loro. Per ogni altra classe, l'insegnante pre-etichetta e una persona decide.

Per i bracci robotici, gli insegnanti sono ancora persone. Una policy piccola impara da 10–300 dimostrazioni umane, circa 15–70 minuti di guida del braccio, poi migliora con 1.000–3.000 prove su robot reale, circa 6–22 ore-robot. I modelli di frontiera aiutano offline: riscrivono i programmi del robot (corretti al 77–99,7 % su task ABB RAPID, verificati in simulazione prima del deployment), pianificano i cambi di linea e spiegano i guasti. Non stanno nel loop di controllo.

Farlo girare dentro lo stabilimento

Molti stabilimenti di elettronica sono isolati dalla rete, e i contratti dei loro clienti spesso lo richiedono. È meno problematico di quanto sembri, perché il vincolo è il processo, non il calcolo.

Figura 6. Un deployment isolato. La scatola in linea decide; la sala server risponde alle domande.

Una sala SMT ordinaria è un'area protetta dalle scariche elettrostatiche, all'incirca equivalente a ISO 8, non una camera bianca classificata. Una scatola senza ventola, messa a terra, sotto i 100 W accanto all'AOI gestisce le decisioni in linea in 0,5–3 secondi per ritaglio. I server GPU o NPU stanno nella sala server, dove gestiscono domande, analisi e riaddestramento per l'intero stabilimento. Gli aggiornamenti arrivano offline, tramite approvazione e importazione di supporti. Il golden set, le versioni dei modelli e gli hash dei pesi vivono in un caveau, e i dati non lasciano mai lo stabilimento.

Quale hardware puoi usare dipende prima di tutto da dove ti trovi. In Cina continentale sono disponibili solo modelli domestici o pesi aperti ospitati localmente. Secondo le classificazioni di esportazione di NVIDIA, Jetson Thor e DGX Spark possono essere venduti a un normale stabilimento continentale senza licenza USA, mentre DGX Station e la RTX PRO 6000 no. Un kit di sviluppo Thor costa 59.104 RMB in Cina, tasse incluse, e assorbe 40–130 W. Una grande workstation non è neanche un buon assistente condiviso: in test indipendenti, una DGX Station che eseguiva un modello da 743 miliardi di parametri dava a 32 utenti 139 token al secondo in totale, circa 4 a testa.

Sulla precisione, l'8 bit è sicuro. Il 4 bit con quantizzazione consapevole dei fornitori di solito va bene per modelli da 70 miliardi di parametri in su. A 3 bit e sotto, i punteggi scendono di 7–15 punti in media e di 20–34 punti sui grafici. I rischi maggiori sono nella pila di serving. In uno studio, con il caching dei prefissi attivo, l'82,5 % delle esecuzioni ripetute di un modello a 4 bit divergeva, contro il 37,4 % a 16 bit. In un altro, 7 dei 305 tag ufficiali di modelli di codice di Ollama erano praticamente rotti anche se i file erano intatti, e nessuno dei 198 repository GGUF popolari registrava come erano stati costruiti i suoi file. La mia regola è semplice: riesegui il golden set dopo ogni cambio di precisione o di motore di inferenza.

Quanto costa, e cosa si ripaga

Il business case si riduce ai salari. Un addetto all'ispezione o alla movimentazione a costo pieno costa circa $70.000 all'anno negli USA, $19.600 a Taiwan, $12.700 a Shenzhen, $9.100 in Malesia e $5.300 in Vietnam. Gli USA sono circa 5,5 volte Shenzhen.

Figura 7. Ritorno per regione per l'acquirente.

A 50.000 RMB per linea, la revisione con IA si ripaga in 0,46 anni negli USA, 0,53 a Taiwan e 0,65 a Shenzhen, e in 1,1–2,8 anni nel Sud-est asiatico. Una cella cobot che carica e scarica una stazione di test su due turni, a 200.000 RMB o $140.000, si ripaga in 1,1–1,3 anni negli USA, a Taiwan e a Shenzhen. Un nuovo AOI acquistato per sostituire i controlli visivi manuali si ripaga in meno di un anno negli USA, ma richiede 3,3 anni a Shenzhen.

Ciò che non ripaga è un braccio robotico il cui unico compito è estrarre le schede difettose da una linea SMT. Sopra il 90 % di resa al primo passaggio, l'estrazione richiede tra 2,5 e 100 minuti per turno, cioè 0,003–0,14 di una persona. Un deviatore di NG o un buffer fa già quel lavoro.

Due avvertenze sul prezzo. Nessun terzo pubblica un prezzo in RMB per la revisione con IA; i fornitori fanno preventivi caso per caso dopo una prova gratuita. La mia migliore stima di ciò che un acquirente di medie dimensioni in Cina continentale pagherà a un terzo è di 10.000–30.000 RMB per linea una tantum, o 5.000–10.000 RMB all'anno, quindi i 50.000 RMB nel modello di ritorno sono un limite superiore, non un prezzo di listino. E per chiunque venda negli USA, conta dove viene prodotto l'hardware: i bracci robotici fabbricati in Cina continentale pagano circa il 40 % di dazio USA combinato, contro il 10–15 % dal Sud-est asiatico o da Taiwan.

Un mercato reale, ma piccolo

Le dimensioni pubblicate per l'«ispezione visiva con IA» differiscono di oltre dieci volte, perché ogni società conta qualcosa di diverso, dalle fotocamere ai servizi di test. Nessuna è utile per decidere se costruire un prodotto di revisione. Quindi ho contato dal basso verso l'alto.

Figura 8. Mercato bottom-up per la revisione con IA di terzi in Cina continentale.

La Cina continentale ha circa 40.000 linee SMT e circa 44.000 AOI in linea senza revisione con IA. Prendi la quota senza IA e la quota che un terzo può davvero raggiungere, e circa 16.000 linee sono servibili. A 20.000 RMB per linea, è un mercato una tantum di circa 320 milioni di RMB (intervallo 105–705 milioni). La finestra dura circa cinque anni, perché i produttori di AOI ora forniscono l'IA nelle nuove macchine e la base installata senza di essa si riduce dell'8–12 % all'anno.

Il cuneo è anche affollato. I produttori di AOI stanno integrando la revisione, le più grandi aziende EMS costruiscono la propria, e i fornitori di piattaforme come Hikvision e SmartMore vendono con aggressività. Uno dei principali fornitori di visione con IA ha riportato ricavi 2025 di 1,086 miliardi di RMB e una perdita netta di 991 milioni di RMB, dopo una guerra dei prezzi. I margini stanno nell'hardware prodottizzato: le piattaforme di visione e i produttori di AOI ottengono margini lordi del 46–67 %, mentre i fornitori di soluzioni IA ottengono il 35–37 % e perdono denaro. Anche il denaro arriva lentamente. Le condizioni abituali sono 30 % alla firma, 60 % dopo l'accettazione e 10 % trattenuto per un anno, quindi il pagamento completo richiede due-tre anni. I crediti vanno da 51–99 giorni per i prodotti standard e 188–319 giorni per le apparecchiature su progetto.

Lo spazio che resta è specifico: aziende EMS di medie dimensioni con 10–40 linee, AOI più vecchi o di marche miste e nessun upgrade IA dal produttore dell'AOI, più le ispezioni che gli AOI coprono male, come la saldatura a foro passante e manuale, la verniciatura conformale, i cavi, i connettori e gli FPC, e l'aspetto finale e le viti.

Bracci robotici e IA incarnata

Il controllo robotico appreso funziona oggi dove la stazione è strutturata. Con attrezzature e un pezzo noto, le policy piccole raggiungono il 90–99,4 % di successo, il 10–15 % più lente di una persona. Togli la struttura e i numeri calano: 29–67 % su connettori che la policy non ha visto, 37–59 % nella presa da un nastro in movimento, e 0–5,5 % quando un modello linguistico di frontiera aziona direttamente i giunti.

Figura 9. Gli studenti robot sono vicini al livello di produzione solo quando la stazione è strutturata.

I deployment in stabilimento rivelano meno di quanto suggeriscano i titoli. Tra i deployment in fabbrica che ho seguito, la maggior parte pubblica solo per quanto tempo o quanto hanno girato. Nessuno pubblica insieme tasso di successo, takt e tasso di intervento, e alcuni dei numeri da titolo sono obiettivi anziché risultati. Quando converto i numeri pubblicati in manodopera realmente sostituita, il divario è grande: una cella a braccio strutturata sostituisce circa 0,82 lavoratori per turno; un umanoide al 40 % della velocità umana, circa 0,26; un umanoide teleoperato per il 40 % del tempo, circa 0,05.

Figura 10. Manodopera netta sostituita per robot e per turno.

La pila si sta stratificando. I modelli di frontiera pianificano e scrivono i programmi offline, su una scala da secondi a minuti. Le policy piccole come ACT, le policy di diffusione e i piccoli VLA girano nella cella con blocchi d'azione di 100–300 ms; secondo i numeri del fornitore, una piccola policy ACT gira in circa 50 ms su una scheda edge. Il controllo del movimento resta al controllore del robot a cadenza di millisecondi, e la sicurezza resta deterministica. Le norme concordano: sotto il Regolamento Macchine UE, una funzione di sicurezza che usa l'apprendimento automatico richiede una valutazione di un organismo notificato dal 20 gennaio 2027, e le norme che darebbero all'IA un percorso di certificazione dentro le funzioni di sicurezza non dovrebbero consolidarsi prima del 2027–2029.

Per i prossimi due anni, quindi, comprerei bracci certificati, ci metterei dentro percezione appresa e policy piccole, terrei la sicurezza deterministica, e aspetterei i dati di produzione del 2027 e del 2028 prima di scommettere sugli umanoidi.

Cosa costruirei e cosa no

Il filo conduttore è noioso di proposito: scegliere un task ristretto con un responsabile chiaro, misurarlo sulle immagini dello stabilimento e lasciare che le macchine esistenti dello stabilimento continuino a fare ciò che già fanno bene.

Cosa non ho potuto verificare

Questa è ricerca a tavolino. Non ho testato alcun prodotto su una linea. I numeri della base installata e la quota di AOI che già eseguono l'IA sono mie stime da documenti pubblici e dati di mercato, e le cifre sulla disponibilità a pagare sono stime che solo preventivi reali possono confermare. Molti numeri sui robot sono affermazioni dei fornitori, e li ho marcati come tali nel rapporto. Modelli, prezzi, dazi e regole di esportazione cambiano in fretta; ogni cifra qui è dell'11 novembre 2026. Il rapporto elenca le domande aperte e come un pilota risolverebbe ciascuna.

Download

• Rapporto completo (PDF): AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment, edizione pubblica, con tutte le figure, le tabelle e le fonti.
• Slide (PDF): gli stessi risultati in una breve presentazione.

Sull'autore

Tan Shuai è un tecnologo e fondatore con oltre vent'anni di lavoro tra chip, hardware e software di sistema, e 20 brevetti concessi. Il suo lavoro lo ha portato attraverso la Silicon Valley, New York, Chicago, Taiwan, la Greater Bay Area (Shenzhen e Hong Kong), il Vietnam e la Malesia, con una lunga attenzione alla manifattura avanzata e alle catene di fornitura. Oggi lavora come ricercatore e sviluppatore di IA, concentrandosi su come l'IA viene realmente usata nel reparto produttivo.

Accoglie volentieri il confronto con persone che costruiscono in questo ambito, sia per mettere insieme un team, cercare un partner o scambiarsi appunti: i@tanshuai.com.