ИИ на линии SMT в 2026 году: контроль окупается, воплощённые роботы подождут

ИИ-проверка ложных срабатываний AOI окупается за месяцы. Манипулятор только для отбраковки плат — никогда. Вот что я выяснил, с полным отчётом и слайдами.

Аннотация

Электронным заводам одновременно продают две ИИ-истории: зрение, которое проверяет платы, и манипуляторы, которые учатся. Я изучил и то и другое для линий SMT и PCBA в материковом Китае, на Тайване, в Юго-Восточной Азии и США, используя годовые отчёты, стандарты, правила экспортного контроля, тарифные сетки, бенчмарки и прайс-листы по состоянию на 11 ноября 2026 года. Та часть, что работает, узкая. Около 97–99% сигналов, которые поднимает AOI, — это ложные срабатывания, которые человек подтверждает одно за другим, а контролируемые модели, обученные на собственных изображениях AOI, сокращают эту работу на 60–90%, по словам вендоров; одна крупная EMS-компания сообщает в годовом отчёте о сокращении на 85%. При цене RMB 50,000 за линию это окупается за пять–восемь месяцев в США, на Тайване и в Шэньчжэне. Руки-коботы, которые загружают и выгружают тестовые станции, окупаются чуть больше чем за год. Манипулятор, добавленный только для отбраковки плат, не окупается нигде. Общие мультимодальные модели пока не инспекторы: ни у одного флагмана 2026 года нет опубликованного результата на бенчмарке промышленных дефектов. Они полезны как учителя, которые предразмечают данные для небольших локальных моделей. Изолированное, локальное развёртывание практично. Рынок модернизации реален, но мал: около RMB 320 million в материковом Китае, растянутые примерно на пять лет.

Зачем я это изучал

Всё началось с вопроса небольшой команды по железу, которую я знаю. Они разрабатывают и собирают электронику и взвешивали шаг в сторону ИИ-инспекции и манипуляторов для заводов. Вендоры рассказывали им одно, инвесторы — другое, и каждая демонстрация выглядела хорошо. Они хотели понять, за что завод реально заплатит в 2026 году, сколько стоит это запускать внутри цеха и что всё ещё остаётся исследовательским проектом.

Я больше двадцати лет работаю с чипами, железом и заводами, которые их делают, поэтому предложил разобраться. Я прочитал годовые отчёты и проспекты публичных компаний в области AOI, машинного зрения, робототехники и EMS, соответствующие стандарты и нормативы, классификации экспортного контроля и тарифные сетки, страницы бенчмарков и статьи, а также публичные прайс-листы. Я также проверил набор утверждений из отраслевых интервью по этим данным. Там, где публичные данные заканчиваются, я прямо это говорю.

Все числа ниже — по состоянию на 11 ноября 2026 года. Деньги — в RMB по курсу 6.7188 за доллар США, если не сказано иное. Большинство цифр взято из полного отчёта, который можно скачать в конце.

Результаты вкратце

Рисунок 1. Где ИИ уместен на заводе сегодня. Выше — быстрее окупаемость для покупателя.

Где на линии SMT находятся люди

Объёмная линия SMT уже сильно автоматизирована. Платы проходят нанесение пасты, 3D-инспекцию паяльной пасты (SPI), установку компонентов, опциональный AOI до оплавления, оплавление, AOI после оплавления, рентген (AXI) на выборке при наличии BGA, затем внутрисхемное и функциональное тестирование, визуальный контроль и упаковку. Такт — около 13–22 секунд на плату, а на линии обычно три–пять AOI. Один производитель ноутбуков ODM заложил RMB 30.6 million на AOI для 18 линий.

Рисунок 2. Объёмная линия SMT. Люди сидят за AOI.

Люди не на конвейере. Они сидят за AOI. AOI настраивают так, чтобы он никогда не пропускал дефект, поэтому он сигналит слишком много: в найденных мной случаях около 97–99% его сигналов — это ложные срабатывания на нормальных платах. Проверяющий просматривает каждый, на что уходит 42–55 секунд. На загруженной линии это около 448 ложных срабатываний за смену, или 5.2–6.8 часа рабочего времени одного человека. Завод в этом случае выделял двух проверяющих на смену.

Рисунок 3. Из каждых 100 сигналов AOI около 97–99 — ложные срабатывания.

Это место проверки и есть точка входа ИИ, и входит он тремя путями. Производители AOI встраивают его в новые машины: Jutze заявляет, что его ИИ 3D AOI «убирает ручную проверку на инспекции», ViTrox выпустил ИИ AOI, а Sinic-Tek разрабатывает его совместно с Tencent. Крупнейшие EMS-компании строят свой собственный. А третьи стороны прикручивают коробку с ПО к AOI, которые у завода уже есть.

Что работает: ИИ-проверка на собственных изображениях AOI

Рабочий подход не блещет. Контролируемая модель, обученная на кропах, которые AOI и так сохраняет, стоит сразу после AOI и отвечает OK, NG или «спросить человека». Вендоры заявляют о сокращении ложных срабатываний или часов проверки на 60–90%. Лучшее публичное свидетельство, что я нашёл, — в годовом отчёте EMS: собственная система DBG покрывает не менее 95% компонентов, по которым AOI сигналит, держит утечки ниже 20 PPM и сократила ручную проверку не менее чем на 85%. Если хотите продавать EMS первого эшелона, вас будут мерить по этой планке.

Две детали важнее модели.

Первая — изображение. Люди часто спрашивают, может ли хорошая камера и большая модель заменить AOI. Обычная 4K-камера, смотрящая на целую панель 300 mm, даёт около 78 µm на пиксель; AOI работает на 8–20 µm. При 78 µm резистор 0402 — это примерно 13 на 6 пикселей, достаточно, чтобы понять, есть ли он, но не то, хороши ли его пайки, а 01005 — примерно 5 на 3 пикселя, то есть невидим. ИИ работает на изображениях AOI. Он не заменяет оптику.

Вторая — что происходит при сбое. Коробка должна «открываться при отказе»: если она падает или не уверена, каждый вызов уходит человеку, и линия продолжает работать. Завод не примет коробку, которая может остановить линию, и не должен принимать ту, что может молча пропустить плохую плату.

Мультимодальные модели — учителя, а не инспекторы

Очевидный вопрос в 2026 году — может ли передовая мультимодальная модель просто посмотреть на плату. Пока нет. По состоянию на 11 ноября 2026 года ни один из флагманов, выпущенных с сентября по ноябрь (GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 и другие), не имел опубликованного результата на MMAD, MVTec AD 2, VisA, Real-IAD или UniPCB — бенчмарках, которые проверяют промышленные дефекты.

Рисунок 4. Общие результаты детекции за поколение выросли вдвое. Результатов по промышленным дефектам нет.

Их общие результаты детекции за поколение действительно выросли примерно вдвое, но обвести рамкой человека или машину — не то же самое, что оценить паяное соединение. На MMAD, который спрашивает «есть ли дефект?», эксперты-люди набирают 95.2, а лучший результат общей модели, что я нашёл, — 83.1. В задаче ACM MM 2026 по PCBA пять лучших систем, включая одну, дообученную на 6,600 реальных изображениях с линии, набрали 77–82 в задаче «дефект или нет», хотя подсчёт компонентов и чтение атрибутов достигали 95–100. Производству нужно 99% и выше.

Так что я использовал бы их как учителей. Передовая модель предразмечает и сортирует новые изображения, примерно по $23–196 за модель за раунд. Решают люди: два–три разметчика работают вслепую, а старший инженер выносит вердикт. Метки попадают в золотой набор, и на них обучается небольшая 8-битная модель для работы на коробке у линии. Она работает в теневом режиме две–четыре недели, записывая решения, но ничего не меняя, и выходит в бой только после прохождения ворот.

Рисунок 5. Два конвейера «учитель–ученик». Для манипуляторов учителями всё ещё остаются люди.

Ворота — это часть, которую большинство проектов пропускает, и это в основном арифметика. Чтобы показать 99% полноты при 95% уверенности с нулём пропусков, нужно 299 реальных дефектов этого класса в золотом наборе. Для 95% нужно 59. Для 99.9% нужно 2,995, чего ни один покупатель не соберёт до покупки. Моё правило: принимать метки учителя автоматически только для классов дефектов, которые проходят 299 с нулём пропусков, и только если модель согласуется с эталоном не хуже, чем два человека согласуются друг с другом. Для всех остальных классов учитель предразмечает, а решает человек.

Для манипуляторов учителями всё ещё остаются люди. Небольшая политика учится на 10–300 человеческих демонстрациях, примерно 15–70 минут ведения руки, затем улучшается на 1,000–3,000 испытаниях на реальном роботе, около 6–22 робото-часов. Передовые модели помогают офлайн: переписывают программы роботов (77–99.7% правильных на задачах ABB RAPID, проверенных в симуляции перед развёртыванием), планируют переналадку и объясняют неисправности. В контур управления они не входят.

Запуск внутри завода

Многие электронные заводы изолированы от сети, и контракты их клиентов часто этого требуют. Это меньшая проблема, чем кажется, потому что ограничение — в процессе, а не в вычислениях.

Рисунок 6. Изолированное развёртывание. Коробка у линии решает; серверная отвечает на вопросы.

Обычный зал SMT — это зона защиты от ESD, примерно эквивалент ISO 8, а не сертифицированная чистая комната. Безвентиляторная заземлённая коробка мощностью до 100 W рядом с AOI обрабатывает встроенные решения за 0.5–3 секунды на кроп. GPU- или NPU-серверы стоят в серверной, где обрабатывают вопросы, анализ и переобучение для всего завода. Обновления приходят офлайн, по утверждению и импорту носителей. Золотой набор, версии моделей и хэши весов хранятся в хранилище, и данные никогда не покидают завод.

Какое железо можно использовать, зависит прежде всего от того, где вы находитесь. В материковом Китае доступны только отечественные модели или локально размещённые открытые веса. По собственной классификации экспортного контроля NVIDIA, Jetson Thor и DGX Spark можно продавать обычному заводу в материковом Китае без лицензии США, а DGX Station и RTX PRO 6000 — нельзя. Комплект разработчика Thor стоит в Китае RMB 59,104 с налогом и потребляет 40–130 W. Большая рабочая станция также не годится как общий помощник: в независимых тестах DGX Station с моделью на 743 миллиарда параметров выдавал 32 пользователям в сумме 139 токенов в секунду, примерно по 4 каждому.

По точности 8-бит безопасен. Квантование 4-бит с учётом квантования от вендора обычно подходит для моделей от 70 миллиардов параметров и выше. На 3-бит и ниже оценки падают в среднем на 7–15 пунктов и на 20–34 пункта на графиках. Большие риски — в стеке обслуживания. В одном исследовании при включённом кэшировании префиксов 82.5% повторных запусков 4-битной модели расходились, против 37.4% при 16-бит. В другом 7 из 305 официальных тегов код-моделей Ollama были фактически сломаны, хотя файлы были целы, и ни один из 198 популярных репозиториев GGUF не фиксировал, как были собраны их файлы. Моё правило простое: перепрогонять золотой набор после любой смены точности или движка инференса.

Сколько это стоит и что окупается

Бизнес-кейс сводится к зарплатам. Полностью нагруженный работник инспекции или обработки стоит около $70,000 в год в США, $19,600 на Тайване, $12,700 в Шэньчжэне, $9,100 в Малайзии и $5,300 во Вьетнаме. США примерно в 5.5 раза дороже Шэньчжэня.

Рисунок 7. Окупаемость по регионам для покупателя.

При RMB 50,000 за линию ИИ-проверка окупается за 0.46 года в США, 0.53 на Тайване и 0.65 в Шэньчжэне, а по Юго-Восточной Азии — за 1.1–2.8 года. Ячейка кобота, которая загружает и выгружает тестовую станцию в две смены, при RMB 200,000 или $140,000 окупается за 1.1–1.3 года в США, на Тайване и в Шэньчжэне. Новый AOI, купленный вместо ручного визуального контроля, окупается менее чем за год в США, но занимает 3.3 года в Шэньчжэне.

Не окупается манипулятор, единственная задача которого — снимать плохие платы с линии SMT. При выходе годных с первого прохода выше 90% отбор занимает от 2.5 до 100 минут за смену, то есть 0.003–0.14 человека. NG-отводчик или буфер уже делают эту работу.

Две оговорки по цене. Ни одна третья сторона не публикует цену в RMB на ИИ-проверку; вендоры называют цену индивидуально после бесплатного пилота. Моя лучшая оценка того, сколько покупатель среднего размера в материковом Китае заплатит третьей стороне, — RMB 10,000–30,000 за линию единовременно или RMB 5,000–10,000 в год, так что RMB 50,000 в модели окупаемости — это верхняя граница, а не прайс. А для тех, кто продаёт в США, важно, где сделано железо: манипуляторы, произведённые в материковом Китае, облагаются суммарно примерно 40% пошлины США, против 10–15% из Юго-Восточной Азии или Тайваня.

Реальный рынок, но небольшой

Публикуемые размеры «ИИ-визуальной инспекции» различаются более чем в десять раз, потому что каждая фирма считает что-то своё, от камер до услуг тестирования. Ни одна из них не годится для решения, строить ли продукт проверки. Поэтому я посчитал снизу вверх.

Рисунок 8. Рынок сторонней ИИ-проверки в материковом Китае, снизу вверх.

В материковом Китае около 40,000 линий SMT и примерно 44,000 встроенных AOI без ИИ-проверки. Возьмите долю без ИИ и долю, которую третья сторона реально может достичь, — и около 16,000 линий обслуживаемы. При RMB 20,000 за линию это единовременный рынок около RMB 320 million (диапазон 105–705 million). Окно длится около пяти лет, потому что производители AOI теперь поставляют ИИ в новых машинах, а установленная база без него сокращается на 8–12% в год.

Клин также переполнен. Производители AOI встраивают проверку, крупнейшие EMS-компании строят свою, а платформенные вендоры вроде Hikvision и SmartMore агрессивно продают. Один из ведущих вендоров ИИ-зрения сообщил о выручке RMB 1.086 billion за 2025 год и чистом убытке RMB 991 million после ценовой войны. Маржа остаётся у продуктового железа: платформы зрения и производители AOI получают 46–67% валовой маржи, тогда как вендоры ИИ-решений — 35–37% и теряют деньги. Деньги идут медленно. Обычные условия — 30% при подписании, 60% после приёмки и 10% удерживаются год, так что полная оплата занимает два–три года. Дебиторка — 51–99 дней для стандартных продуктов и 188–319 дней для проектного оборудования.

Оставшееся место конкретно: EMS-компании среднего размера с 10–40 линиями, старыми или разношёрстными AOI и без ИИ-апгрейда от производителя AOI, плюс инспекции, которые AOI покрывает плохо, такие как сквозные отверстия и ручная пайка, конформное покрытие, кабели, разъёмы и FPC, а также финальный внешний вид и винты.

Манипуляторы и воплощённый ИИ

Обученное управление роботом работает сегодня там, где станция структурирована. С оснасткой и известной деталью небольшие политики достигают 90–99.4% успеха, будучи на 10–15% медленнее человека. Уберите структуру — и цифры падают: 29–67% на разъёмах, которых политика не видела, 37–59% на съёме с движущегося конвейера и 0–5.5%, когда передовая языковая модель ведёт сочленения напрямую.

Рисунок 9. Роботы-ученики близки к производственному уровню только там, где станция структурирована.

Внутризаводские развёртывания раскрывают меньше, чем намекают заголовки. Из отслеженных мной заводских развёртываний большинство публикует только, как долго или как много они работали. Никто не публикует вместе успешность, такт и частоту вмешательств, а часть заголовочных цифр — цели, а не результаты. Когда я перевожу публикуемые цифры в реально заменённый труд, разрыв велик: структурированная ячейка с рукой заменяет около 0.82 работника за смену; гуманоид на 40% человеческой скорости — около 0.26; гуманоид, телеуправляемый 40% времени, — около 0.05.

Рисунок 10. Чистый заменённый труд на робота за смену.

Стек укладывается в слои. Передовые модели планируют и пишут программы офлайн, в масштабе от секунд до минут. Небольшие политики, такие как ACT, диффузионные политики и небольшие VLA, работают в ячейке с блоками действий по 100–300 мс; по цифрам вендора, небольшая политика ACT выполняется примерно за 50 мс на краевой плате. Управление движением остаётся у контроллера робота на миллисекундных частотах, а безопасность остаётся детерминированной. Стандарты согласны: по Регламенту ЕС о машинах, функция безопасности, использующая машинное обучение, требует оценки уполномоченным органом с 20 января 2027 года, а стандарты, которые дали бы ИИ путь сертификации внутри функций безопасности, вряд ли утрясутся раньше 2027–2029 годов.

Так что на ближайшие два года я покупал бы сертифицированные руки, вкладывал в них обученное восприятие и небольшие политики, держал безопасность детерминированной и ждал производственных данных 2027 и 2028 годов, прежде чем ставить на гуманоидов.

Что я строил бы и что нет

Общая нить намеренно скучна: выбери узкую задачу с ясным владельцем, измеряй её на собственных изображениях завода и позволь существующим машинам завода продолжать делать то, что они уже делают хорошо.

Что я не смог проверить

Это кабинетное исследование. Я не тестировал ни один продукт на линии. Цифры установленной базы и доля AOI, уже работающих с ИИ, — мои оценки из публичной отчётности и рыночных данных, а цифры готовности платить — оценки, которые подтвердят только реальные котировки. Многие цифры по роботам — заявления вендоров, и я пометил их как таковые в отчёте. Модели, цены, тарифы и экспортные правила меняются быстро; каждая цифра здесь — по состоянию на 11 ноября 2026 года. Отчёт перечисляет открытые вопросы и то, как пилот ответил бы на каждый.

Загрузки

• Полный отчёт (PDF): AI Visual Inspection and Robot Arms in Electronics Factories, 2026 Assessment, публичная редакция, со всеми рисунками, таблицами и источниками.
• Слайды (PDF): те же выводы в короткой колоде.

Об авторе

Тан Шуай — технолог и основатель с более чем двадцатилетним опытом работы в чипах, железе и системном ПО, с 20 выданными патентами. Его работа провела его через Кремниевую долину, Нью-Йорк, Чикаго, Тайвань, Большой залив (Шэньчжэнь и Гонконг), Вьетнам и Малайзию, с долгим фокусом на передовом производстве и цепочках поставок. Сегодня он работает как ИИ-исследователь и разработчик, сосредоточившись на том, как ИИ реально применяется на заводском полу.

Он приветствует разговоры с теми, кто строит в этой области, — будь то сбор команды, поиск партнёра или обмен наблюдениями: i@tanshuai.com.