2026년 SMT 라인에서의 AI: 검사는 회수되지만, 임바디드 로봇은 아직 기다려야

AOI 오탐의 AI 재검토는 몇 달 만에 회수됩니다. 불량 기판을 골라내기만 하는 로봇 팔은 결코 회수되지 않습니다. 아래가 제가 찾은 내용이며, 전체 보고서와 슬라이드 포함입니다.

요약

전자 공장에는 기판을 검사하는 비전과 학습하는 로봇 팔이라는 두 가지 AI 이야기가 동시에 팔리고 있습니다. 저는 중국 본토, 대만, 동남아시아, 미국의 SMT 및 PCBA 라인을 대상으로, 2026년 11월 11일까지의 연차 보고서, 표준, 수출 규정, 관세표, 벤치마크, 가격표를 사용해 두 가지 모두를 살펴봤습니다. 실제로 작동하는 부분은 좁습니다. AOI가 올리는 알람의 약 9799%는 사람이 하나씩 확인하는 오탐이며, AOI 자체 이미지로 훈련된 지도 학습 모델은 벤더의 설명에 따르면 그 작업을 6090% 줄입니다. 한 대형 EMS 기업은 연차 보고서에서 85% 감소를 보고합니다. 라인당 인민폐 50,000위안이면 미국, 대만, 선전에서 5~8개월 만에 회수됩니다. 테스트 스테이션에 적재·하역하는 코봇 팔은 1년 조금 넘게 회수됩니다. 불량 기판을 골라내기 위해 추가된 로봇 팔은 어느 지역에서도 회수되지 않습니다. 범용 멀티모달 모델은 아직 검사원이 아닙니다. 2026년 플래그십 중 어느 것도 산업 결함 벤치마크에서 공개된 점수가 없습니다. 그것들은 소형 로컬 모델에 데이터를 사전 라벨링하는 교사로 유용합니다. 에어갭 온프레미스 배포는 실용적입니다. 레트로핏 시장은 실재하지만 작습니다. 중국 본토에서 약 3억 2,000만 위안이며, 대략 5년에 걸쳐 분산됩니다.

왜 이것을 살펴봤나

이는 제가 아는 소규모 하드웨어 팀의 질문에서 시작됐습니다. 그들은 전자 제품을 설계하고 조립하며, 공장용 AI 검사와 로봇 팔 진출을 저울질하고 있었습니다. 벤더는 한 가지 이야기를, 투자자는 다른 이야기를 했고, 모든 데모가 좋아 보였습니다. 그들이 알고 싶어 한 것은 2026년에 공장이 실제로 무엇에 돈을 낼 것인지, 공장 안에서 돌리는 데 얼마나 드는지, 그리고 무엇이 아직 연구 프로젝트인지였습니다.

저는 칩, 하드웨어, 그리고 그것들을 만드는 공장 주변에서 20년 넘게 일해 왔기에, 살펴보겠다고 자청했습니다. 상장된 AOI, 머신 비전, 로봇, EMS 기업의 연차 보고서와 투자설명서, 관련 표준과 규정, 수출 통제 분류와 관세표, 벤치마크 페이지와 논문, 공개 가격표를 읽었습니다. 업계 인터뷰에서 나온 일련의 주장도 그 기록과 대조했습니다. 공개 기록이 끊기는 곳은 그렇게 말합니다.

아래의 모든 숫자는 2026년 11월 11일 기준입니다. 별도 언급이 없으면 금액은 인민폐이며, 1달러 = 6.7188위안입니다. 대부분의 수치는 전체 보고서에 있으며, 마지막에서 내려받을 수 있습니다.

결과 한눈에 보기

그림 1. 오늘날 공장 현장에서 AI가 어디에 맞는지. 위로 갈수록 구매자 회수가 빠릅니다.

SMT 라인에서 사람은 어디에 있나

양산 SMT 라인은 이미 고도로 자동화되어 있습니다. 기판은 페이스트 인쇄, 3D 솔더 페이스트 검사(SPI), 실장, 리플로 전 선택적 AOI, 리플로, 리플로 후 AOI, BGA가 있을 때 샘플의 X-레이(AXI), 그리고 인서킷·기능 테스트, 육안 검사, 포장을 거칩니다. 택트는 기판당 약 1322초이고, 라인에는 보통 AOI가 35대 있습니다. 한 노트북 ODM은 18개 라인의 AOI에 3,060만 위안을 예산으로 잡았습니다.

그림 2. 양산 SMT 라인. 사람들은 AOI 뒤에 앉아 있습니다.

사람들은 컨베이어 위에 있지 않습니다. AOI 뒤에 앉아 있습니다. AOI는 결함을 절대 놓치지 않도록 조정되어 있어, 지나치게 많이 플래그합니다. 제가 찾은 사례에서, 알람의 약 9799%는 정상 기판에 대한 오탐입니다. 재검토자가 각각을 확인하는 데 4255초가 걸립니다. 바쁜 라인에서는 교대당 오탐이 약 448건, 즉 한 사람 교대의 5.2~6.8시간이 됩니다. 그 사례의 공장은 교대마다 재검토자 2명을 배치했습니다.

그림 3. AOI 알람 100건 중 약 97~99건이 오탐입니다.

그 재검토 자리가 AI가 들어오는 곳이며, 세 가지 방식으로 들어옵니다. AOI 제조사는 새 기계에 내장합니다. Jutze는 자사 AI 3D AOI가 "검사에서 사람의 재검토를 없앤다"고 말하고, ViTrox는 AI AOI를 출시했으며, Sinic-Tek은 Tencent와 공동 개발 중입니다. 가장 큰 EMS 기업들은 자체 구축합니다. 그리고 제3자는 공장이 이미 가진 AOI에 박스와 소프트웨어를 덧붙입니다.

작동하는 것: AOI 자체 이미지에서의 AI 재검토

작동하는 접근법은 화려하지 않습니다. AOI가 이미 저장하는 크롭으로 훈련된 지도 학습 모델이 AOI 바로 뒤에 앉아 OK, NG 또는 "사람에게 물어보라"고 답합니다. 벤더는 오탐 또는 재검토 시간을 60~90% 줄인다고 주장합니다. 제가 찾은 가장 좋은 공개 증거는 EMS 연차 보고서에 있습니다. DBG의 자체 시스템은 AOI가 플래그하는 부품의 최소 95%를 커버하고, 누락을 20 PPM 미만으로 유지하며, 사람의 재검토를 최소 85% 줄였습니다. 티어 1 EMS에 판매하고 싶다면, 그것이 당신이 측정될 기준입니다.

모델보다 더 중요한 것은 두 가지 세부 사항입니다.

첫째는 이미지입니다. 좋은 카메라와 큰 모델이 AOI를 대체할 수 있느냐는 질문을 자주 받습니다. 300 mm 패널 전체를 보는 범용 4K 카메라는 픽셀당 약 78 µm를 얻고, AOI는 8~20 µm로 동작합니다. 78 µm에서 0402 저항은 약 13×6픽셀이라, 있는지 여부는 알 수 있지만 접합부가 좋은지는 알 수 없고, 01005는 약 5×3픽셀, 즉 보이지 않는 수준입니다. AI는 AOI의 이미지에서 동작합니다. 광학계를 대체하지 않습니다.

둘째는 실패했을 때 무슨 일이 일어나는가입니다. 박스는 페일 오픈이어야 합니다. 충돌하거나 확신이 서지 않으면 모든 판정이 사람에게 넘어가고 라인은 계속 돌아갑니다. 공장은 라인을 멈출 수 있는 박스를 받아들이지 않을 것이고, 불량 기판을 조용히 통과시킬 수 있는 박스도 받아들여서는 안 됩니다.

멀티모달 모델은 검사원이 아니라 교사

2026년의 당연한 질문은 프런티어 멀티모달 모델이 그냥 기판을 볼 수 있느냐입니다. 아직은 아닙니다. 2026년 11월 11일 기준으로, 9월~11월에 출시된 플래그십(GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 등) 중 어느 것도 산업 결함을 테스트하는 벤치마크인 MMAD, MVTec AD 2, VisA, Real-IAD, UniPCB에서 공개된 점수가 없습니다.

그림 4. 범용 검출 점수는 한 세대 만에 두 배가 됐습니다. 산업 결함 점수는 빠져 있습니다.

범용 검출 점수는 한 세대 만에 대략 두 배가 됐지만, 사람이나 차에 상자를 그리는 것과 납땜 접합부를 판단하는 것은 같지 않습니다. "결함이 있는가"를 묻는 MMAD에서 인간 전문가는 95.2점이고, 제가 찾은 범용 모델 최고 결과는 83.1점입니다. ACM MM 2026 PCBA 챌린지에서 상위 5개 시스템(6,600장의 실제 라인 이미지로 튜닝된 하나 포함)은 부품 세기와 속성 읽기가 95100점에 달했는데도 결함 여부에서는 7782점이었습니다. 생산에는 99% 이상이 필요합니다.

그래서 저는 그것들을 교사로 쓰겠습니다. 프런티어 모델이 새 이미지를 사전 라벨링하고 분류하는 데 모델당 라운드당 대략 $23196이 듭니다. 사람이 판정합니다. 라벨러 23명이 블라인드로 작업하고 시니어 엔지니어가 결정합니다. 라벨은 골든 세트로 들어가고, 라인의 박스에서 돌아갈 소형 8-bit 모델이 그것으로 훈련됩니다. 2~4주간 섀도 모드로 돌면서 판정을 기록만 하고 아무것도 바꾸지 않다가, 게이트를 통과해야만 실가동됩니다.

그림 5. 두 개의 교사-학생 파이프라인. 팔에게 교사는 여전히 사람입니다.

게이트는 대부분의 프로젝트가 건너뛰는 부분이며, 그 대부분은 산술입니다. 95% 신뢰도, 누락 0으로 99% 재현율을 보이려면 골든 세트에 그 클래스의 실제 결함 299개가 필요합니다. 95%에는 59개가 필요합니다. 99.9%에는 2,995개가 필요한데, 어떤 구매자도 구매 전에 모을 수 없습니다. 제 규칙: 교사 라벨을 자동으로 받아들이는 것은 299개를 누락 0으로 통과한 결함 클래스에 한정하고, 모델이 정답과 두 사람이 서로 일치하는 것만큼은 일치할 때만입니다. 그 외 클래스는 교사가 사전 라벨링하고 사람이 결정합니다.

로봇 팔에게 교사는 여전히 사람입니다. 소형 정책은 10300회의 인간 시연(팔 조작 약 1570분)에서 배우고, 1,0003,000회의 실로봇 시험(약 622 로봇 시간)으로 개선됩니다. 프런티어 모델은 오프라인에서 돕습니다. 로봇 프로그램을 다시 쓰고(ABB RAPID 작업에서 77~99.7% 정확, 배포 전 시뮬레이션에서 확인), 교체를 계획하고, 고장을 설명합니다. 제어 루프에는 들어가지 않습니다.

공장 안에서 돌리기

많은 전자 공장은 에어갭되어 있고, 고객 계약이 그것을 요구하는 경우도 많습니다. 이는 들리는 것보다 문제가 덜합니다. 제약은 계산이 아니라 프로세스에 있기 때문입니다.

그림 6. 에어갭 배포. 라인의 박스가 판정하고, 서버실이 질문에 답합니다.

보통의 SMT 홀은 ESD 보호 구역으로, 대략 ISO 8 등급이며 등급화된 클린룸은 아닙니다. AOI 옆에 접지되고 팬리스이며 100 W 미만인 박스를 두면 크롭당 0.5~3초에 인라인 판정을 처리합니다. GPU 또는 NPU 서버는 서버실에 두어 공장 전체의 질문, 분석, 재훈련을 맡깁니다. 업데이트는 승인과 미디어 가져오기로 오프라인에서 들어옵니다. 골든 세트, 모델 버전, 가중치 해시는 금고에 있고, 데이터는 공장을 떠나지 않습니다.

어떤 하드웨어를 쓸 수 있는지는 먼저 어디에 있느냐에 달립니다. 중국 본토에서는 국산 모델이나 로컬 호스팅 오픈 웨이트만 이용 가능합니다. NVIDIA 자체 수출 분류에서 Jetson Thor와 DGX Spark는 미국 라이선스 없이 일반 중국 본토 공장에 판매할 수 있지만, DGX Station과 RTX PRO 6000은 안 됩니다. Thor 개발자 키트는 중국에서 세금 포함 59,104위안이고 40~130 W를 씁니다. 대형 워크스테이션도 좋은 공유 어시스턴트가 되지 못합니다. 독립 테스트에서 7,430억 파라미터 모델을 돌리는 DGX Station이 사용자 32명에게 합계 초당 139토큰, 1인당 약 4토큰을 주었습니다.

정밀도에서 8-bit는 안전합니다. 벤더의 양자화 인지 4-bit는 700억 파라미터 이상 모델에서 보통 문제없습니다. 3-bit 이하에서는 점수가 평균 715점, 차트에서는 2034점 떨어집니다. 더 큰 위험은 서빙 스택에 있습니다. 한 연구에서 프리픽스 캐싱을 켜면 4-bit 모델의 반복 실행 82.5%가 갈라졌고, 16-bit에서는 37.4%였습니다. 다른 연구에서는 Ollama의 공식 코드 모델 태그 305개 중 7개가 파일은 온전한데도 사실상 고장 나 있었고, 인기 GGUF 저장소 198개 중 어느 것도 파일 빌드 방식을 기록하지 않았습니다. 제 규칙은 간단합니다. 정밀도나 추론 엔진을 바꾼 뒤에는 골든 세트를 다시 돌리십시오.

비용과 회수되는 것

비즈니스 케이스는 임금으로 귀결됩니다. 완전 부담 검사 또는 핸들링 작업자의 연간 비용은 미국에서 약 $70,000, 대만 $19,600, 선전 $12,700, 말레이시아 $9,100, 베트남 $5,300입니다. 미국은 선전의 약 5.5배입니다.

그림 7. 구매자의 지역별 회수 기간.

라인당 인민폐 50,000위안이면 AI 재검토는 미국에서 0.46년, 대만에서 0.53년, 선전에서 0.65년, 동남아시아 전역에서 1.12.8년에 회수됩니다. 테스트 스테이션을 두 교대에 걸쳐 적재·하역하는 코봇 셀은 인민폐 200,000위안 또는 $140,000에 미국, 대만, 선전에서 1.11.3년에 회수됩니다. 수동 육안 검사를 대체하기 위해 산 새 AOI는 미국에서 1년 미만에 회수되지만 선전에서는 3.3년 걸립니다.

회수되지 않는 것은 SMT 라인에서 불량 기판을 빼내는 것만이 일인 로봇 팔입니다. 첫 통과 수율 90% 이상에서 선별은 교대당 2.5100분, 즉 0.0030.14인분이 걸립니다. NG 분류기나 버퍼가 이미 그 일을 합니다.

가격에 대한 두 가지 주의. 어떤 제3자도 AI 재검토의 인민폐 가격을 공개하지 않습니다. 벤더는 무료 체험 후 사례별로 견적합니다. 중국 본토의 중간 규모 구매자가 제3자에게 낼 금액에 대한 제 최선의 추정은 라인당 일시불 10,00030,000위안 또는 연 5,00010,000위안이므로, 회수 모델의 50,000위안은 정가가 아니라 상한입니다. 그리고 미국에 판매하려는 사람에게는 하드웨어 제조지가 중요합니다. 중국 본토산 로봇 팔은 미국 합산 관세가 약 40%인 데 비해, 동남아시아나 대만에서 오면 10~15%입니다.

실재하는 시장, 그러나 작은 시장

"AI 외관 검사"의 공개된 시장 규모는 10배 이상 차이 납니다. 각 회사가 카메라부터 테스트 서비스까지 서로 다른 것을 세기 때문입니다. 재검토 제품을 만들지 결정하는 데 그중 어느 것도 쓸모없습니다. 그래서 저는 아래에서 위로 세었습니다.

그림 8. 중국 본토의 제3자 AI 재검토 시장, 상향식.

중국 본토에는 SMT 라인이 약 40,000개, AI 재검토 없는 인라인 AOI가 대략 44,000대 있습니다. AI 없는 비중과 제3자가 실제로 도달할 수 있는 비중을 취하면, 서비스 가능한 라인이 약 16,000개입니다. 라인당 20,000위안이면 일회성 시장은 약 3억 2,000만 위안(범위 1억 500만7억 500만 위안)입니다. 창은 약 5년 지속되는데, AOI 제조사가 이제 새 기계에 AI를 넣고 그것이 없는 설치 기반이 연 812% 줄기 때문입니다.

그 틈새도 붐빕니다. AOI 제조사는 재검토를 내장하고, 가장 큰 EMS 기업은 자체 구축하며, Hikvision과 SmartMore 같은 플랫폼 벤더가 세게 팔고 있습니다. 한 선도 AI 비전 벤더는 2025년 매출 10억 8,600만 위안, 가격 전쟁 후 순손실 9억 9,100만 위안을 보고했습니다. 마진은 제품화된 하드웨어에 있습니다. 비전 플랫폼과 AOI 제조사는 4667%의 매출총이익률을 내지만, AI 솔루션 벤더는 3537%로 적자입니다. 현금화도 느립니다. 보통 조건은 계약 시 30%, 검수 후 60%, 10%를 1년 보류로, 전액 회수에 23년 걸립니다. 매출채권은 표준 제품 5199일, 프로젝트형 장비 188~319일입니다.

남은 자리는 구체적입니다. 라인 10~40개, AOI가 구형이거나 혼합 브랜드이고 AOI 제조사의 AI 업그레이드가 없는 중간 규모 EMS. 더해 AOI가 잘 못 덮는 검사, 예컨대 관통홀과 수납땜, 컨포멀 코팅, 케이블, 커넥터, FPC, 최종 외관과 나사.

로봇 팔과 임바디드 AI

학습형 로봇 제어는 스테이션이 구조화된 곳에서는 오늘날 작동합니다. 지그와 알려진 부품이 있으면 소형 정책이 9099.4% 성공률에 도달하고, 사람보다 1015% 느립니다. 구조를 없애면 숫자가 떨어집니다. 정책이 못 본 커넥터에서 2967%, 움직이는 컨베이어에서 집어 올리기 3759%, 프런티어 언어 모델이 관절을 직접 구동하면 0~5.5%입니다.

그림 9. 로봇 학생은 스테이션이 구조화된 경우에만 양산급에 가깝습니다.

공장 내 배포는 헤드라인이 암시하는 것보다 덜 공개합니다. 제가 추적한 공장 배포 중 대부분은 얼마나 오래, 얼마나 많이 돌렸는지만 공개합니다. 성공률, 택트, 개입률을 함께 공개한 곳은 없고, 일부 헤드라인 숫자는 결과가 아니라 목표입니다. 공개 숫자를 실제 대체된 노동으로 환산하면 격차가 큽니다. 구조화된 팔 셀은 교대당 약 0.82명을 대체하고, 인간 속도의 40%로 일하는 휴머노이드는 약 0.26명, 40%의 시간을 원격 조작받는 휴머노이드는 약 0.05명입니다.

그림 10. 로봇당 교대당 순대체 노동.

스택은 층으로 정착되고 있습니다. 프런티어 모델은 오프라인에서 초에서 분 단위로 계획하고 프로그램을 씁니다. ACT, 확산 정책, 소형 VLA 같은 소형 정책은 100300 ms의 액션 청크로 셀 안에서 돕니다. 벤더 숫자에 따르면 소형 ACT 정책은 엣지 보드에서 약 50 ms로 돕니다. 모션 제어는 밀리초 속도로 로봇 컨트롤러에 남고, 안전은 결정론적으로 유지됩니다. 표준도 일치합니다. EU 기계 규정에 따라 머신러닝을 쓰는 안전 기능은 2027년 1월 20일부터 인증기관 평가가 필요하고, 안전 기능 안에서 AI에 인증 경로를 줄 표준은 20272029년 전에는 정착되지 않을 전망입니다.

그래서 향후 2년 동안 저는 인증된 팔을 사고, 학습형 인지와 소형 정책을 그 안에 넣고, 안전은 결정론적으로 유지하며, 휴머노이드에 베팅하기 전에 2027년과 2028년의 생산 데이터를 기다리겠습니다.

내가 만들 것과 만들지 않을 것

공통점은 일부러 지루하다는 것입니다. 명확한 주인이 있는 좁은 작업을 골라 공장 자체 이미지로 측정하고, 공장의 기존 기계가 이미 잘하는 일을 계속하게 하십시오.

검증할 수 없었던 것

이는 데스크 리서치입니다. 라인에서 어떤 제품도 테스트하지 않았습니다. 설치 기반 숫자와 이미 AI를 돌리는 AOI 비중은 공개 서류와 시장 데이터에서 나온 제 추정이고, 지불 의사 숫자도 실제 견적으로만 확인할 수 있는 추정입니다. 많은 로봇 숫자는 벤더 주장이며, 보고서에서 그렇게 표시했습니다. 모델, 가격, 관세, 수출 규정은 빠르게 변하며, 여기 모든 숫자는 2026년 11월 11일 기준입니다. 보고서는 열린 질문들과 파일럿이 각각을 어떻게 해결할지를 나열합니다.

다운로드

• 전체 보고서(PDF): AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment, 공개판, 모든 그림, 표, 출처 포함.
• 슬라이드(PDF): 같은 발견을 짧은 덱으로.

저자 소개

Tan Shuai는 테크놀로지스트이자 창업자로, 칩, 하드웨어, 시스템 소프트웨어에 걸친 20년 이상의 경력과 20건의 등록 특허를 보유하고 있습니다. 실리콘밸리, 뉴욕, 시카고, 대만, 광둥-홍콩-마카오 대만구(선전·홍콩), 베트남, 말레이시아를 거쳤으며, 오랫동안 첨단 제조와 공급망에 집중해 왔습니다. 오늘날 그는 AI 연구자이자 개발자로, 공장 현장에서 AI가 실제로 어떻게 쓰이는지에 집중하고 있습니다.

팀을 꾸리든, 파트너를 찾든, 의견을 나누든, 이 분야에서 무언가를 만드는 사람들과의 대화를 환영합니다: i@tanshuai.com.