2026'da SMT Hattında Yapay Zekâ: Muayene Kendini Amorti Ediyor, Bedenlenmiş Robotlar Bekleyebilir

AOI yanlış çağrılarının yapay zekâ incelemesi aylar içinde amorti eder. Yalnızca bozuk kartları ayıklamak için eklenen bir robot kolu asla etmez. İşte bulduklarım, tam rapor ve slaytlarla.

Özet

Elektronik fabrikalarına aynı anda iki yapay zekâ hikâyesi satılıyor: kartları denetleyen görü, ve öğrenen robot kolları. Anakara Çin, Tayvan, Güneydoğu Asya ve Amerika Birleşik Devletleri'ndeki SMT ve PCBA hatları için ikisini de inceledim; 11 Kasım 2026'ya kadarki yıllık raporları, standartları, ihracat kurallarını, tarife cetvellerini, kıyaslamaları ve fiyat listelerini kullandım. İşe yarayan kısım dar. Bir AOI'nin verdiği alarmların yaklaşık %97–99'u, insanların tek tek doğruladığı yanlış çağrılardır; AOI'nin kendi görüntüleriyle eğitilen denetimli modeller satıcıların söylediğine göre bu işi %60–90 azaltıyor; büyük bir EMS şirketi yıllık raporunda %85'lik bir azalma bildiriyor. Hat başına 50.000 RMB ile bu, ABD, Tayvan ve Shenzhen'de beş ila sekiz ayda amorti eder. Test istasyonlarını yükleyip boşaltan kobot kolları bir yılı biraz aşkın sürede amorti eder. Yalnızca bozuk kartları ayıklamak için eklenen bir robot kolu hiçbir yerde amorti etmez. Genel çok modlu modeller henüz denetçi değil: 2026 amiral gemilerinin hiçbirinin bir endüstriyel kusur kıyaslamasında yayımlanmış puanı yok. Yerel küçük modeller için verileri ön etiketleyen öğretmenler olarak faydalılar. Hava boşluklu, tesis içi dağıtım pratiktir. Yenileme pazarı gerçek ama küçük: anakara Çin'de yaklaşık 320 milyon RMB, kabaca beş yıla yayılmış.

Bunu neden inceledim

Bu, tanıdığım küçük bir donanım ekibinin sorusuyla başladı. Elektronik üretip monte ediyorlar ve fabrikalar için yapay zekâ denetimi ile robot kollarına girmeyi tartıyorlardı. Satıcılar bir hikâye, yatırımcılar başka bir hikâye anlatıyordu ve her demo iyi görünüyordu. 2026'da bir fabrikanın gerçekte ne için para ödeyeceğini, bir tesiste çalıştırmanın maliyetini ve neyin hâlâ bir araştırma projesi olduğunu bilmek istiyorlardı.

Yirmi yılı aşkın süredir çiplerin, donanımın ve bunları üreten fabrikaların içindeyim, bu yüzden incelemeyi önerdim. Borsaya açık AOI, makine görüşü, robot ve EMS şirketlerinin yıllık raporlarını ve izahnamelerini, ilgili standartları ve yönetmelikleri, ihracat kontrolü sınıflandırmalarını ve tarife cetvellerini, kıyaslama sayfalarını ve makaleleri ve kamuya açık fiyat listelerini okudum. Ayrıca sektör görüşmelerinden gelen bir dizi iddiayı bu kayıtla karşılaştırdım. Kamuya açık kayıt bittiği yerde bunu açıkça söylüyorum.

Aşağıdaki her sayı 11 Kasım 2026 itibarıyladır. Aksi belirtilmedikçe para, ABD doları başına 6,7188 üzerinden RMB cinsindendir. Rakamların çoğu, sonunda indirebileceğiniz tam rapordan geliyor.

Sonuçlara genel bakış

Şekil 1. Bugün yapay zekânın fabrika zemininde nereye oturduğu. Daha yüksek, alıcı için daha hızlı geri ödeme demektir.

Bir SMT hattında insanlar nerede

Bir hacim SMT hattı zaten oldukça otomatikleşmiştir. Kartlar macun baskıdan, 3D lehim macunu denetiminden (SPI), yerleştirmeden, reflow öncesi isteğe bağlı bir AOI'den, reflow'dan, reflow sonrası AOI'den, BGA'lar varken örneklem üzerinde X-ışınından (AXI), ardından devre içi ve işlevsel testten, görsel denetimden ve paketlemeden geçer. Takt kart başına yaklaşık 13–22 saniyedir ve bir hatta genellikle üç ila beş AOI bulunur. Bir dizüstü bilgisayar ODM'si, 18 hat için AOI'lere 30,6 milyon RMB bütçe ayırdı.

Şekil 2. Bir hacim SMT hattı. İnsanlar AOI'lerin arkasında oturur.

İnsanlar konveyörde değil. AOI'lerin arkasında otururlar. Bir AOI asla kusur kaçırmayacak şekilde ayarlanmıştır, bu yüzden çok fazla şey işaretler: bulduğum vakalarda alarmlarının yaklaşık %97–99'u iyi durumdaki kartlar için yanlış çağrılardır. Bir inceleyici her birine bakar, bu 42–55 saniye sürer. Yoğun bir hatta bu, vardiya başına yaklaşık 448 yanlış çağrıdır; yani bir kişinin vardiyasının 5,2–6,8 saati. Bu vakadaki tesis vardiya başına iki inceleyici istihdam ediyordu.

Şekil 3. Her 100 AOI alarmı için yaklaşık 97–99'u yanlış çağrıdır.

Bu inceleme koltuğu yapay zekânın girdiği yerdir ve üç yoldan girer. AOI üreticileri bunu yeni makinelere yerleştirir: Jutze, yapay zekâ 3D AOI'sinin "denetimde insan incelemesini kaldırdığını" söylüyor, ViTrox bir yapay zekâ AOI'si çıkardı ve Sinic-Tek Tencent ile ortak geliştiriyor. En büyük EMS şirketleri kendi sistemlerini kurar. Üçüncü taraflar ise bir tesisin halihazırda sahip olduğu AOI'lere bir kutu ve yazılım ekler.

Ne işe yarıyor: AOI'nin kendi görüntülerinde yapay zekâ incelemesi

İşe yarayan yaklaşım gösterişli değil. AOI'nin zaten kaydettiği kırpmalarla eğitilen denetimli bir model, AOI'nin hemen ardından oturur ve OK, NG ya da "bir insana sor" yanıtını verir. Satıcılar yanlış çağrıları ya da inceleme saatlerini %60–90 azalttığını iddia ediyor. Bulduğum en iyi kamuya açık kanıt bir EMS yıllık raporunda: DBG'nin şirket içi sistemi, AOI'lerinin işaretlediği parçaların en az %95'ini kapsıyor, kaçakları 20 PPM'nin altında tutuyor ve insan incelemesini en az %85 azalttı. Birinci sınıf bir EMS'ye satış yapmak istiyorsanız, ölçüleceğiniz çıta budur.

Modelden daha önemli iki ayrıntı var.

Birincisi görüntü. İnsanlar sık sık iyi bir kamera ve büyük bir modelin AOI'nin yerini alıp alamayacağını sorar. 300 mm'lik bir panelin tamamına bakan genel bir 4K kamera piksel başına yaklaşık 78 µm alır; bir AOI 8–20 µm'de çalışır. 78 µm'de bir 0402 direnç yaklaşık 13'e 6 pikseldir, orada olup olmadığını söylemeye yeter ama bağlantılarının iyi olup olmadığını söylemeye yetmez; bir 01005 ise yaklaşık 5'e 3 pikseldir, yani görünmezdir. Yapay zekâ AOI'nin görüntüleri üzerinde çalışır. Optiğin yerini almaz.

İkincisi, başarısız olduğunda ne olacağı. Kutu açık devreye geçmelidir: çökerse ya da emin olmazsa, her çağrı bir insana gider ve hat çalışmaya devam eder. Bir tesis, bir hattı durdurabilecek bir kutuyu kabul etmez ve kötü bir kartı sessizce geçirebilecek bir kutuyu da kabul etmemelidir.

Çok modlu modeller denetçi değil, öğretmendir

2026'daki bariz soru, bir öncü çok modlu modelin karta bakıp bakamayacağı. Henüz değil. 11 Kasım 2026 itibarıyla, Eylül ile Kasım arasında piyasaya sürülen amiral gemilerinin (GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 ve diğerleri) hiçbirinin, endüstriyel kusurları test eden MMAD, MVTec AD 2, VisA, Real-IAD veya UniPCB kıyaslamalarında yayımlanmış bir puanı yok.

Şekil 4. Genel tespit puanları bir kuşakta ikiye katlandı. Endüstriyel kusur puanları eksik.

Genel tespit puanları bir kuşakta kabaca ikiye katlandı, ama bir insanın ya da arabanın etrafına kutu çizmek, bir lehim bağlantısını yargılamakla aynı şey değil. "Kusur var mı?" diye soran MMAD'de insan uzmanlar 95,2 alıyor ve bulduğum en iyi genel model sonucu 83,1. ACM MM 2026 PCBA yarışmasında, biri 6.600 gerçek hat görüntüsüyle ayarlanmış olanlar dahil ilk beş sistem, parça sayma ve nitelik okuma 95–100'e ulaşsa bile kusur-var-mı-yok sorusunda 77–82 aldı. Üretim %99 ve üzerini gerektirir.

Bu yüzden onları öğretmen olarak kullanırdım. Bir öncü model, yeni görüntüleri ön etiketler ve triyajlar; model başına tur başına kabaca $23–196. İnsanlar hüküm verir: iki ya da üç etiketleyici kör çalışır ve kıdemli bir mühendis karar verir. Etiketler bir altın sete girer ve hattaki kutuda çalışmak üzere bunlarla küçük bir 8-bit model eğitilir. İki ila dört hafta gölge modda çalışır, kararları kaydeder ama hiçbir şeyi değiştirmez ve ancak kapıları geçtikten sonra canlıya alınır.

Şekil 5. İki öğretmen–öğrenci hattı. Kollar için öğretmenler hâlâ insanlardır.

Kapı, çoğu projenin atladığı kısımdır ve büyük ölçüde aritmetiktir. %95 güvenle, sıfır kaçakla %99 geri çağırma göstermek için altın sette o sınıftan 299 gerçek kusur gerekir. %95 için 59 gerekir. %99,9 için 2.995 gerekir; hiçbir alıcı bunu satın almadan önce toplayamaz. Kuralım: öğretmenin etiketlerini yalnızca 299'u sıfır kaçakla geçen kusur sınıfları için otomatik kabul et ve yalnızca model, gerçekle en az iki insanın birbiriyle anlaştığı kadar anlaşıyorsa. Diğer her sınıf için öğretmen ön etiketler ve bir insan karar verir.

Robot kolları için öğretmenler hâlâ insanlardır. Küçük bir politika 10–300 insan demosundan öğrenir (kolu sürmenin yaklaşık 15–70 dakikası), ardından 1.000–3.000 gerçek robot denemesiyle iyileşir (yaklaşık 6–22 robot saati). Öncü modeller çevrimdışı yardım eder: robot programlarını yeniden yazar (ABB RAPID görevlerinde %77–99,7 doğru, dağıtımdan önce simülasyonda kontrol edilir), geçişleri planlar ve arızaları açıklar. Kontrol döngüsünde oturmazlar.

Tesiste çalıştırmak

Birçok elektronik tesisi hava boşlukludur ve müşterilerinin sözleşmeleri bunu sıklıkla gerektirir. Bu, kulağa geldiği kadar sorun değildir çünkü kısıt hesaplamada değil, süreçtedir.

Şekil 6. Hava boşluklu bir dağıtım. Hattaki kutu karar verir; sunucu odası soruları yanıtlar.

Sıradan bir SMT salonu, kabaca ISO 8 eşdeğeri, ESD korumalı bir alandır; derecelendirilmiş bir temiz oda değil. AOI'nin yanında, 100 W altında topraklanmış, fansız bir kutu, kırpma başına 0,5–3 saniyede hat içi kararları halleder. GPU ya da NPU sunucuları sunucu odasına gider; burada tüm tesis için soruları, analizi ve yeniden eğitimi yürütür. Güncellemeler onayla, ortam içe aktarmayla çevrimdışı gelir. Altın set, model sürümleri ve ağırlık özetleri bir kasada yaşar ve veriler tesisten asla çıkmaz.

Hangi donanımı kullanabileceğiniz önce nerede olduğunuza bağlıdır. Anakara Çin'de yalnızca yerli modeller ya da yerel barındırılan açık ağırlıklar bulunur. NVIDIA'nın kendi ihracat sınıflandırmalarına göre, Jetson Thor ve DGX Spark ABD lisansı olmadan sıradan bir anakara fabrikasına satılabilir; DGX Station ve RTX PRO 6000 ise satılamaz. Bir Thor geliştirici kiti Çin'de vergi dahil 59.104 RMB ve 40–130 W çeker. Büyük bir iş istasyonu da iyi bir paylaşılan asistan olmaz: bağımsız testlerde, 743 milyar parametreli bir model çalıştıran bir DGX Station 32 kullanıcıya toplam saniyede 139 token verdi; kişi başına yaklaşık 4.

Hassasiyette 8-bit güvenlidir. Satıcının nicemleme farkındalıklı 4-bit'i, 70 milyar parametre ve üzeri modellerde genellikle iyidir. 3-bit ve altında puanlar ortalama 7–15 puan, çizelgelerde 20–34 puan düşer. Daha büyük riskler sunum yığınındadır. Bir çalışmada, önek önbellekleme açıkken bir 4-bit modelin tekrarlanan çalıştırmalarının %82,5'i ayrıştı; 16-bit'te bu %37,4'tü. Bir başkasında, Ollama'nın 305 resmi kod modeli etiketinden 7'si dosyalar sağlam olsa da temelde bozuktu ve 198 popüler GGUF deposunun hiçbiri dosyalarının nasıl derlendiğini kaydetmemişti. Kuralım basit: hassasiyet ya da çıkarım motorunda herhangi bir değişiklikten sonra altın seti yeniden çalıştır.

Maliyeti ne, ne amorti ediyor

İş gerekçesi ücretlere iner. Tam yüklenmiş bir denetim ya da taşıma çalışanı yılda ABD'de yaklaşık $70.000, Tayvan'da $19.600, Shenzhen'de $12.700, Malezya'da $9.100 ve Vietnam'da $5.300 tutar. ABD, Shenzhen'in yaklaşık 5,5 katıdır.

Şekil 7. Alıcı için bölgeye göre geri ödeme.

Hat başına 50.000 RMB ile yapay zekâ incelemesi ABD'de 0,46, Tayvan'da 0,53 ve Shenzhen'de 0,65 yılda, Güneydoğu Asya genelinde ise 1,1–2,8 yılda amorti eder. İki vardiya boyunca bir test istasyonunu yükleyip boşaltan bir kobot hücresi, 200.000 RMB ya da $140.000 ile, ABD, Tayvan ve Shenzhen'de 1,1–1,3 yılda amorti eder. Manuel görsel kontrolleri değiştirmek için alınan yeni bir AOI, ABD'de bir yıldan kısa sürede amorti eder ama Shenzhen'de 3,3 yıl sürer.

Amorti etmeyen şey, tek işi bir SMT hattından bozuk kartları çekmek olan bir robot koludur. %90'ın üzerinde ilk geçiş veriminde, ayıklama vardiya başına 2,5 ila 100 dakika sürer; bu 0,003–0,14 kişidir. Bir NG yönlendirici ya da tampon zaten bu işi yapar.

Fiyatta iki uyarı. Hiçbir üçüncü taraf yapay zekâ incelemesi için bir RMB fiyatı yayımlamaz; satıcılar ücretsiz denemeden sonra vaka bazında teklif verir. Anakara Çin'deki orta ölçekli bir alıcının bir üçüncü tarafa ödeyeceğine dair en iyi tahminim, hat başına tek seferlik 10.000–30.000 RMB ya da yılda 5.000–10.000 RMB; bu yüzden geri ödeme modelindeki 50.000 RMB bir üst sınırdır, liste fiyatı değil. ABD'ye satış yapan herkes için de donanımın nerede yapıldığı önemlidir: anakara Çin'de yapılan robot kolları ABD'de yaklaşık %40 toplam gümrük vergisi öder; Güneydoğu Asya ya da Tayvan'dan ise %10–15.

Gerçek ama küçük bir pazar

"Yapay zekâ görsel denetimi" için yayımlanan büyüklükler on kattan fazla fark eder, çünkü her firma kameralardan test hizmetlerine farklı bir şey sayar. Hiçbiri bir inceleme ürünü geliştirip geliştirmemeye karar vermek için faydalı değil. Bu yüzden aşağıdan yukarı saydım.

Şekil 8. Anakara Çin'de üçüncü taraf yapay zekâ incelemesi için aşağıdan yukarı pazar.

Anakara Çin'de yaklaşık 40.000 SMT hattı ve yapay zekâ incelemesi olmayan kabaca 44.000 hat içi AOI var. Yapay zekâsız payı ve bir üçüncü tarafın gerçekten erişebileceği payı alın; yaklaşık 16.000 hat hizmet verilebilir. Hat başına 20.000 RMB ile bu, yaklaşık 320 milyon RMB'lik tek seferlik bir pazardır (aralık 105–705 milyon). Pencere yaklaşık beş yıl sürer, çünkü AOI üreticileri artık yeni makinelerde yapay zekâ gönderiyor ve onsuz kurulu taban yılda %8–12 küçülüyor.

Kama ayrıca kalabalık. AOI üreticileri incelemeyi yerleştiriyor, en büyük EMS şirketleri kendi sistemini kuruyor ve Hikvision ile SmartMore gibi platform satıcıları sert satış yapıyor. Önde gelen yapay zekâ görüşü satıcılarından biri 2025 gelirini 1,086 milyar RMB ve bir fiyat savaşının ardından 991 milyon RMB net zarar bildirdi. Marjlar ürünleşmiş donanımda kalıyor: görüş platformları ve AOI üreticileri %46–67 brüt marj elde ederken, yapay zekâ çözümü satıcıları %35–37 elde ediyor ve para kaybediyor. Nakit de yavaş. Olağan koşullar imzada %30, kabulden sonra %60 ve bir yıl alıkonan %10'dur; yani tam ödeme iki ila üç yıl sürer. Alacaklar standart ürünlerde 51–99 gün, proje bazlı ekipmanda 188–319 gün sürer.

Kalan alan spesifiktir: 10–40 hattı, eski ya da karışık markalı AOI'leri ve AOI üreticisinden yapay zekâ yükseltmesi olmayan orta ölçekli EMS şirketleri, artı AOI'nin zayıf kapsadığı denetimler: delik içi ve elle lehimleme, uygun kaplama, kablolar, konnektörler ve FPC'ler ve son görünüm ile vidalar.

Robot kolları ve bedenlenmiş yapay zekâ

Öğrenilmiş robot kontrolü bugün istasyonun yapılandırılmış olduğu yerde çalışır. Fikstürler ve bilinen bir parçayla, küçük politikalar %90–99,4 başarıya ulaşır; bir insandan %10–15 daha yavaş. Yapıyı kaldırın, sayılar düşer: politikanın görmediği konnektörlerde %29–67, hareketli bir konveyörden ayıklamada %37–59 ve bir öncü dil modeli eklemleri doğrudan sürdüğünde %0–5,5.

Şekil 9. Robot öğrenciler yalnızca istasyon yapılandırıldığında üretim kalitesine yakındır.

Tesis içi dağıtımlar, manşetlerin ima ettiğinden daha azını açıklar. Takip ettiğim fabrika dağıtımlarının çoğu yalnızca ne kadar süre ya da ne kadar çalıştığını yayımlar. Hiçbiri başarı oranını, taktı ve müdahale oranını birlikte yayımlamaz ve bazı manşet sayıları sonuç değil hedeftir. Yayımlanan sayıları fiilen değiştirilen iş gücüne çevirdiğimde fark büyük: yapılandırılmış bir kol hücresi vardiya başına yaklaşık 0,82 işçinin yerini alır; insan hızının %40'ında çalışan bir insansı yaklaşık 0,26; zamanın %40'ında teleoperasyonla çalışan bir insansı yaklaşık 0,05.

Şekil 10. Robot başına vardiya başına net değiştirilen iş gücü.

Yığın katmanlara oturuyor. Öncü modeller çevrimdışı, saniyelerden dakikalara ölçekte planlar ve program yazar. ACT, difüzyon politikaları ve küçük VLA'lar gibi küçük politikalar hücrede 100–300 ms'lik eylem parçalarıyla çalışır; satıcının sayılarına göre, küçük bir ACT politikası bir uç kartında yaklaşık 50 ms'de çalışır. Hareket kontrolü robot kontrolcüsünde milisaniye hızlarında kalır ve güvenlik deterministik kalır. Standartlar da bunu söylüyor: AB Makine Yönetmeliği'ne göre, makine öğrenimi kullanan bir güvenlik işlevi 20 Ocak 2027'den itibaren onaylanmış kuruluş değerlendirmesi gerektirir ve yapay zekâya güvenlik işlevlerinde sertifika yolu verecek standartların 2027–2029'dan önce netleşmesi beklenmez.

O zaman önümüzdeki iki yıl için sertifikalı kollar alır, içlerine öğrenilmiş algı ve küçük politikalar koyar, güvenliği deterministik tutar ve insansılara bahis yapmadan önce 2027 ve 2028'in üretim verilerini beklerim.

Neyi yapar, neyi yapmazdım

Ortak nokta kasıtlı olarak sıkıcı: net bir sahibi olan dar bir görev seç, bunu tesisin kendi görüntüleriyle ölç ve tesisin mevcut makinelerinin zaten iyi yaptığını yapmaya devam etmesine izin ver.

Doğrulayamadıklarım

Bu masa başı araştırması. Bir hatta hiçbir ürünü test etmedim. Kurulu taban sayıları ve halihazırda yapay zekâ çalıştıran AOI'lerin payı, kamuya açık dosyalar ve pazar verilerinden yaptığım tahminlerdir; ödeme istekliliği rakamları da yalnızca gerçek tekliflerin doğrulayabileceği tahminlerdir. Birçok robot sayısı satıcı iddiasıdır ve raporda bunları öyle işaretledim. Modeller, fiyatlar, tarifeler ve ihracat kuralları hızlı değişir; buradaki her rakam 11 Kasım 2026 itibarıyladır. Rapor, açık soruları ve bir pilotun her birini nasıl yanıtlayacağını listeler.

İndirmeler

• Tam rapor (PDF): AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment, tüm şekil, tablo ve kaynaklarla kamuya açık sürüm.
• Slaytlar (PDF): aynı bulgular kısa bir destede.

Yazar hakkında

Tan Shuai, çipler, donanım ve sistem yazılımı alanında yirmi yılı aşkın deneyime ve 20 tescilli patente sahip bir teknoloji uzmanı ve kurucudur. Çalışmaları onu Silikon Vadisi, New York, Chicago, Tayvan, Büyük Körfez Bölgesi (Shenzhen ve Hong Kong), Vietnam ve Malezya'dan geçirdi; ileri üretim ve tedarik zincirlerine uzun bir odakla. Bugün, yapay zekânın fabrika zemininde gerçekte nasıl kullanıldığına yoğunlaşan bir yapay zekâ araştırmacısı ve geliştiricisi olarak çalışıyor.

Bu alanda bir şeyler geliştiren insanlarla sohbet etmekten memnuniyet duyar; ister ekip kuruyor, ister ortak arıyor, ister not karşılaştırıyor olsunlar: i@tanshuai.com.