AI xem lại cảnh báo nhầm của AOI thu hồi vốn trong vài tháng. Một cánh tay robot chỉ để nhặt bo mạch lỗi thì không bao giờ thu hồi vốn. Đây là những gì tôi tìm được, kèm báo cáo đầy đủ và slide.
Tóm tắt
Các nhà máy điện tử đang bị chào bán hai câu chuyện AI cùng lúc: thị giác kiểm tra bo mạch, và cánh tay robot biết học. Tôi xem xét cả hai cho các dây chuyền SMT và PCBA ở Trung Quốc đại lục, Đài Loan, Đông Nam Á và Hoa Kỳ, sử dụng báo cáo thường niên, tiêu chuẩn, quy định xuất khẩu, biểu thuế quan, điểm chuẩn và bảng giá cho đến ngày 11 tháng 11 năm 2026. Phần thực sự hiệu quả thì hẹp. Khoảng 97–99% cảnh báo mà AOI đưa ra là cảnh báo nhầm mà người phải xác nhận từng cái một, và các mô hình có giám sát huấn luyện trên chính ảnh của AOI cắt giảm 60–90% công việc đó theo lời các nhà cung cấp; một công ty EMS lớn báo cáo mức cắt giảm 85% trong báo cáo thường niên. Ở mức 50.000 nhân dân tệ mỗi dây chuyền, việc đó thu hồi vốn trong năm đến tám tháng ở Mỹ, Đài Loan và Thâm Quyến. Cánh tay cobot nạp và dỡ trạm kiểm tra thu hồi vốn trong hơn một năm chút. Một cánh tay robot thêm vào chỉ để nhặt bo mạch lỗi thì không bao giờ thu hồi vốn ở bất cứ đâu. Các mô hình đa phương thức tổng quát chưa phải là người kiểm tra: không có mô hình hàng đầu 2026 nào có điểm công bố trên một điểm chuẩn khuyết tật công nghiệp. Chúng hữu ích như những người thầy gán nhãn trước dữ liệu cho các mô hình cục bộ nhỏ. Việc triển khai tại chỗ, cách ly mạng là khả thi. Thị trường trang bị thêm là có thật nhưng nhỏ: khoảng 320 triệu nhân dân tệ ở Trung Quốc đại lục, trải dài trong khoảng năm năm.
Vì sao tôi xem xét điều này
Việc này bắt đầu từ một câu hỏi của một đội phần cứng nhỏ mà tôi quen. Họ chế tạo và lắp ráp đồ điện tử, và đang cân nhắc bước vào lĩnh vực kiểm tra AI và cánh tay robot cho nhà máy. Nhà cung cấp kể một kiểu, nhà đầu tư kể kiểu khác, và mọi bản demo đều trông ổn. Họ muốn biết một nhà máy thực sự sẽ trả tiền cho cái gì trong năm 2026, chi phí vận hành trong nhà máy là bao nhiêu, và cái gì vẫn còn là dự án nghiên cứu.
Tôi đã dành hơn hai mươi năm quanh chip, phần cứng và các nhà máy chế tạo chúng, nên tôi đề nghị tìm hiểu. Tôi đọc báo cáo thường niên và bản cáo bạch của các công ty AOI, thị giác máy, robot và EMS niêm yết, các tiêu chuẩn và quy định liên quan, phân loại kiểm soát xuất khẩu và biểu thuế quan, các trang điểm chuẩn và bài báo, cùng bảng giá công khai. Tôi cũng đối chiếu một loạt tuyên bố từ các cuộc phỏng vấn trong ngành với hồ sơ đó. Chỗ nào hồ sơ công khai hết, tôi nói rõ.
Mọi con số dưới đây tính đến ngày 11 tháng 11 năm 2026. Tiền tính bằng nhân dân tệ ở mức 6,7188 tệ mỗi đô la Mỹ trừ khi tôi nói khác. Hầu hết con số đến từ báo cáo đầy đủ mà bạn có thể tải ở cuối bài.
Kết quả nhìn nhanh
Hình 1. Nơi AI phù hợp trên sàn nhà máy hôm nay. Càng lên cao thì người mua càng thu hồi vốn nhanh.
| Cách dùng | Kết luận | Con số then chốt |
|---|---|---|
| AI xem lại cảnh báo nhầm của AOI | Làm ngay | Thu hồi vốn 0,46–0,65 năm (Mỹ, Đài Loan, Thâm Quyến) |
| Kiểm tra mà AOI bao phủ kém (hàn tay, phủ keo, cáp, kiểm tra cuối) | Làm ngay | Cùng người mua, ít cạnh tranh hơn |
| Cobot nạp và dỡ trạm kiểm tra và đóng gói | Làm | Thu hồi vốn 1,1–1,5 năm |
| AOI mới thay thế kiểm tra bằng mắt thủ công | Tùy tiền lương | 0,96 năm ở Mỹ, 3,3 ở Thâm Quyến |
| Phát hiện và nhặt trong một cell tích hợp | Tùy sản lượng | 3,4–4,5 năm |
| Robot hình người và robot có thân thể khác | Chờ | 7–12 năm, vẫn đang thí điểm |
| Cánh tay robot chỉ để nhặt bo mạch lỗi | Đừng | Việc nhặt chiếm 0,003–0,14 người mỗi ca |
| LLM đa phương thức làm người kiểm tra chính | Đừng | Không có điểm khuyết tật công nghiệp nào được công bố |
Con người ở đâu trên dây chuyền SMT
Một dây chuyền SMT sản lượng lớn vốn đã tự động hóa cao. Bo mạch đi qua in kem hàn, kiểm tra kem hàn 3D (SPI), gắn linh kiện, một AOI tùy chọn trước khi hàn nóng chảy, hàn nóng chảy, AOI sau hàn nóng chảy, chụp X-quang (AXI) trên mẫu khi có BGA, rồi kiểm tra trong mạch và chức năng, kiểm tra bằng mắt và đóng gói. Nhịp takt khoảng 13–22 giây mỗi bo, và một dây chuyền thường có ba đến năm AOI. Một ODM laptop lập ngân sách 30,6 triệu nhân dân tệ cho AOI trên 18 dây chuyền.
Hình 2. Một dây chuyền SMT sản lượng lớn. Con người ngồi phía sau các AOI.
Con người không đứng trên băng chuyền. Họ ngồi phía sau các AOI. AOI được chỉnh để không bao giờ bỏ sót khuyết tật, nên nó gắn cờ quá nhiều: trong các trường hợp tôi tìm được, khoảng 97–99% cảnh báo của nó là cảnh báo nhầm trên những bo mạch vốn ổn. Người xem lại phải xem từng cái, mất 42–55 giây. Trên một dây chuyền bận rộn, đó là khoảng 448 cảnh báo nhầm mỗi ca, tức 5,2–6,8 giờ trong ca của một người. Nhà máy trong trường hợp đó bố trí hai người xem lại mỗi ca.
Hình 3. Cứ mỗi 100 cảnh báo AOI, khoảng 97–99 là cảnh báo nhầm.
Chỗ xem lại đó chính là nơi AI đi vào, và nó đi vào theo ba cách. Các nhà sản xuất AOI nhúng vào máy mới: Jutze nói AI 3D AOI của họ "loại bỏ việc xem lại bằng người tại khâu kiểm tra", ViTrox đã ra mắt AI AOI, và Sinic-Tek đang đồng phát triển với Tencent. Các công ty EMS lớn nhất tự xây. Và bên thứ ba gắn một hộp cùng phần mềm vào các AOI mà nhà máy đã có.
Thứ hiệu quả: AI xem lại trên chính ảnh của AOI
Cách tiếp cận hiệu quả không hào nhoáng. Một mô hình có giám sát, huấn luyện trên các mảnh cắt mà AOI đã lưu sẵn, ngồi ngay sau AOI và trả lời OK, NG hoặc "hỏi người". Nhà cung cấp tuyên bố nó cắt giảm cảnh báo nhầm hoặc giờ xem lại từ 60–90%. Bằng chứng công khai tốt nhất tôi tìm được nằm trong một báo cáo thường niên của EMS: hệ thống nội bộ của DBG bao phủ ít nhất 95% linh kiện mà AOI gắn cờ, giữ tỉ lệ lọt lưới dưới 20 PPM và cắt giảm ít nhất 85% việc xem lại bằng người. Nếu bạn muốn bán vào một EMS tầng 1, đó là chuẩn mà bạn sẽ bị so sánh.
Hai chi tiết quan trọng hơn cả mô hình.
Thứ nhất là hình ảnh. Người ta thường hỏi liệu một camera tốt và một mô hình lớn có thể thay thế AOI không. Một camera 4K tổng quát nhìn cả tấm panel 300 mm cho khoảng 78 µm mỗi pixel; AOI hoạt động ở 8–20 µm. Ở 78 µm, một điện trở 0402 chỉ khoảng 13×6 pixel, đủ để biết nó có ở đó không nhưng không đủ để biết mối hàn có tốt không, còn 01005 khoảng 5×3 pixel, tức là vô hình. AI hoạt động trên ảnh của AOI. Nó không thay thế hệ quang học.
Thứ hai là điều gì xảy ra khi nó hỏng. Hộp phải hỏng theo hướng mở: nếu nó treo hoặc không chắc chắn, mọi lệnh gọi phải chuyển cho người và dây chuyền tiếp tục chạy. Một nhà máy sẽ không chấp nhận một hộp có thể dừng dây chuyền, và cũng không nên chấp nhận một hộp có thể lặng lẽ cho bo mạch lỗi lọt qua.
Mô hình đa phương thức là người thầy, không phải người kiểm tra
Câu hỏi hiển nhiên năm 2026 là liệu một mô hình đa phương thức tiên phong có thể chỉ nhìn bo mạch là xong không. Chưa được. Tính đến ngày 11 tháng 11 năm 2026, không một mô hình hàng đầu nào ra mắt từ tháng 9 đến tháng 11 (GPT-6.x, Gemini 4, Claude Fable 5.2, Qwen3.8 và những cái khác) có điểm công bố trên MMAD, MVTec AD 2, VisA, Real-IAD hay UniPCB, các điểm chuẩn kiểm tra khuyết tật công nghiệp.
Hình 4. Điểm phát hiện tổng quát tăng gấp đôi trong một thế hệ. Điểm khuyết tật công nghiệp thì thiếu.
Điểm phát hiện tổng quát của chúng đúng là đã tăng gấp đôi trong một thế hệ, nhưng vẽ một khung quanh người hay xe không giống việc đánh giá một mối hàn. Trên MMAD, vốn hỏi "có khuyết tật không", chuyên gia con người đạt 95,2 và kết quả tốt nhất của mô hình tổng quát tôi tìm được là 83,1. Trong thử thách PCBA của ACM MM 2026, năm hệ thống hàng đầu, gồm một hệ được tinh chỉnh trên 6.600 ảnh dây chuyền thật, đạt 77–82 về có-hay-không-khuyết-tật, dù việc đếm linh kiện và đọc thuộc tính đạt 95–100. Sản xuất cần 99% trở lên.
Vì vậy tôi sẽ dùng chúng làm người thầy. Một mô hình tiên phong gán nhãn trước và phân loại ảnh mới, với chi phí khoảng $23–196 mỗi mô hình mỗi vòng. Người phân xử: hai hoặc ba người gán nhãn làm việc mù và một kỹ sư cao cấp quyết định. Nhãn đi vào một bộ vàng, và một mô hình 8-bit nhỏ được huấn luyện trên đó để chạy trong hộp ở dây chuyền. Nó chạy ở chế độ bóng trong hai đến bốn tuần, ghi nhật ký quyết định nhưng không thay đổi gì, và chỉ hoạt động chính thức sau khi vượt qua các cổng.
Hình 5. Hai đường ống thầy–trò. Với cánh tay, người thầy vẫn là con người.
Cổng là phần mà hầu hết dự án bỏ qua, và nó phần lớn là số học. Để chứng minh độ phủ 99% ở độ tin cậy 95% với không lọt lưới, bạn cần 299 khuyết tật thật của lớp đó trong bộ vàng. Với 95% bạn cần 59. Với 99,9% bạn cần 2.995, điều mà không người mua nào thu thập nổi trước khi mua. Quy tắc của tôi: chỉ chấp nhận nhãn của thầy một cách tự động với những lớp khuyết tật vượt 299 mà không lọt lưới, và chỉ khi mô hình khớp với chuẩn gốc ít nhất ngang mức hai người khớp với nhau. Với mọi lớp khác, thầy gán nhãn trước và người quyết định.
Với cánh tay robot, người thầy vẫn là con người. Một chính sách nhỏ học từ 10–300 lần demo bằng người (khoảng 15–70 phút điều khiển cánh tay), rồi cải thiện với 1.000–3.000 lần thử trên robot thật (khoảng 6–22 giờ-robot). Các mô hình tiên phong giúp ngoại tuyến: chúng viết lại chương trình robot (đúng 77–99,7% trên các tác vụ ABB RAPID, được kiểm trong mô phỏng trước khi triển khai), lập kế hoạch chuyển đổi dây chuyền và giải thích lỗi. Chúng không nằm trong vòng điều khiển.
Vận hành bên trong nhà máy
Nhiều nhà máy điện tử cách ly mạng, và hợp đồng của khách hàng thường yêu cầu điều đó. Việc này ít khó hơn nghe, vì ràng buộc nằm ở quy trình, không phải tính toán.
Hình 6. Triển khai cách ly mạng. Hộp ở dây chuyền quyết định; phòng máy chủ trả lời câu hỏi.
Một sảnh SMT thông thường là khu vực chống tĩnh điện, tương đương khoảng ISO 8, không phải phòng sạch phân cấp. Một hộp không quạt, nối đất, dưới 100 W cạnh AOI xử lý các quyết định nội tuyến trong 0,5–3 giây mỗi mảnh cắt. Máy chủ GPU hoặc NPU đặt ở phòng máy chủ, nơi chúng xử lý câu hỏi, phân tích và huấn luyện lại cho cả nhà máy. Các bản cập nhật đi vào ngoại tuyến, theo phê duyệt và nhập phương tiện. Bộ vàng, phiên bản mô hình và băm trọng số nằm trong một kho, và dữ liệu không bao giờ rời nhà máy.
Phần cứng nào bạn dùng được trước tiên phụ thuộc vào nơi bạn ở. Ở Trung Quốc đại lục chỉ có các mô hình nội địa hoặc trọng số mở lưu tại chỗ. Theo phân loại xuất khẩu của chính NVIDIA, Jetson Thor và DGX Spark có thể bán cho một nhà máy đại lục thông thường mà không cần giấy phép Mỹ, còn DGX Station và RTX PRO 6000 thì không. Bộ phát triển Thor giá 59.104 nhân dân tệ tại Trung Quốc đã gồm thuế và tiêu thụ 40–130 W. Một trạm làm việc lớn cũng không phải trợ lý dùng chung tốt: trong các thử nghiệm độc lập, một DGX Station chạy mô hình 743 tỉ tham số cho 32 người dùng tổng cộng 139 token mỗi giây, khoảng 4 mỗi người.
Về độ chính xác, 8-bit là an toàn. 4-bit nhận thức lượng tử hóa của nhà cung cấp thường ổn với các mô hình từ 70 tỉ tham số trở lên. Ở 3-bit trở xuống, điểm giảm trung bình 7–15 điểm và 20–34 điểm trên các biểu đồ. Rủi ro lớn hơn nằm ở ngăn xếp phục vụ. Trong một nghiên cứu, khi bật bộ nhớ đệm tiền tố, 82,5% số lần chạy lặp của một mô hình 4-bit phân kỳ, so với 37,4% ở 16-bit. Trong nghiên cứu khác, 7 trong số 305 thẻ mô hình mã chính thức của Ollama về cơ bản hỏng dù tệp nguyên vẹn, và không kho GGUF phổ biến nào trong 198 kho ghi lại cách tệp được dựng. Quy tắc của tôi rất đơn giản: chạy lại bộ vàng sau bất kỳ thay đổi nào về độ chính xác hay engine suy luận.
Chi phí và thứ thu hồi vốn
Bài toán kinh doanh quy về tiền lương. Một công nhân kiểm tra hoặc bốc xếp đầy đủ phụ phí tốn khoảng $70.000 một năm ở Mỹ, $19.600 ở Đài Loan, $12.700 ở Thâm Quyến, $9.100 ở Malaysia và $5.300 ở Việt Nam. Mỹ gấp khoảng 5,5 lần Thâm Quyến.
Hình 7. Thời gian thu hồi vốn theo khu vực cho người mua.
Ở mức 50.000 nhân dân tệ mỗi dây chuyền, AI xem lại thu hồi vốn trong 0,46 năm ở Mỹ, 0,53 ở Đài Loan và 0,65 ở Thâm Quyến, và 1,1–2,8 năm khắp Đông Nam Á. Một cell cobot nạp và dỡ một trạm kiểm tra trong hai ca, ở mức 200.000 nhân dân tệ hay $140.000, thu hồi vốn trong 1,1–1,3 năm ở Mỹ, Đài Loan và Thâm Quyến. Một AOI mới mua để thay kiểm tra bằng mắt thủ công thu hồi vốn trong chưa đầy một năm ở Mỹ nhưng mất 3,3 năm ở Thâm Quyến.
Thứ không thu hồi vốn là một cánh tay robot có việc duy nhất là kéo bo mạch lỗi ra khỏi dây chuyền SMT. Trên tỉ lệ đạt ngay lần đầu 90%, việc nhặt mất từ 2,5 đến 100 phút mỗi ca, tức 0,003–0,14 người. Một bộ chuyển hướng NG hay bộ đệm đã làm việc đó rồi.
Hai lưu ý về giá. Không bên thứ ba nào công bố giá nhân dân tệ cho AI xem lại; nhà cung cấp báo giá theo từng trường hợp sau khi dùng thử miễn phí. Ước tính tốt nhất của tôi về số tiền một người mua cỡ vừa ở Trung Quốc đại lục trả cho bên thứ ba là 10.000–30.000 nhân dân tệ mỗi dây chuyền một lần, hoặc 5.000–10.000 nhân dân tệ mỗi năm, nên mức 50.000 nhân dân tệ trong mô hình thu hồi vốn là trần, không phải giá niêm yết. Và với bất kỳ ai bán vào Mỹ, nơi phần cứng được sản xuất rất quan trọng: cánh tay robot sản xuất tại Trung Quốc đại lục chịu khoảng 40% thuế Mỹ gộp, so với 10–15% từ Đông Nam Á hay Đài Loan.
Một thị trường thật, nhưng nhỏ
Các quy mô công bố cho "kiểm tra thị giác AI" chênh nhau hơn mười lần, vì mỗi hãng đếm một thứ khác nhau, từ camera đến dịch vụ kiểm tra. Không cái nào hữu ích để quyết định có nên xây một sản phẩm xem lại hay không. Nên tôi đếm từ dưới lên.
Hình 8. Thị trường từ dưới lên cho AI xem lại bên thứ ba ở Trung Quốc đại lục.
Trung Quốc đại lục có khoảng 40.000 dây chuyền SMT và khoảng 44.000 AOI nội tuyến chưa có AI xem lại. Lấy phần chưa có AI và phần bên thứ ba thực sự tiếp cận được, thì khoảng 16.000 dây chuyền khả dụng. Ở mức 20.000 nhân dân tệ mỗi dây, đó là thị trường một lần khoảng 320 triệu nhân dân tệ (khoảng 105–705 triệu). Cửa sổ kéo dài khoảng năm năm, vì các nhà sản xuất AOI giờ đã nhúng AI vào máy mới và lượng lắp đặt không có AI thu hẹp 8–12% mỗi năm.
Khoảng trống đó cũng chật chội. Các nhà sản xuất AOI đang nhúng tính năng xem lại vào, các công ty EMS lớn nhất tự xây, và các nhà cung cấp nền tảng như Hikvision và SmartMore đang bán ráo riết. Một nhà cung cấp thị giác AI hàng đầu báo cáo doanh thu 2025 là 1,086 tỉ nhân dân tệ và lỗ ròng 991 triệu nhân dân tệ sau một cuộc chiến giá. Biên lợi nhuận nằm ở phần cứng sản phẩm hóa: các nền tảng thị giác và nhà sản xuất AOI kiếm biên gộp 46–67%, còn các nhà cung cấp giải pháp AI kiếm 35–37% và thua lỗ. Tiền mặt cũng chậm. Điều khoản thông thường là 30% khi ký, 60% sau khi nghiệm thu và giữ 10% trong một năm, nên thanh toán đầy đủ mất hai đến ba năm. Khoản phải thu vòng 51–99 ngày cho sản phẩm tiêu chuẩn và 188–319 ngày cho thiết bị theo dự án.
Khoảng trống còn lại thì cụ thể: các công ty EMS cỡ vừa có 10–40 dây chuyền, AOI cũ hoặc nhiều thương hiệu trộn lẫn và không có nâng cấp AI từ nhà sản xuất AOI, cộng các khâu kiểm tra mà AOI bao phủ kém, như xuyên lỗ và hàn tay, phủ keo bảo vệ, cáp, đầu nối và FPC, cùng kiểm tra ngoại quan cuối và ốc vít.
Cánh tay robot và AI có thân thể
Điều khiển robot học được hoạt động hôm nay ở nơi trạm có cấu trúc. Với đồ gá và linh kiện đã biết, các chính sách nhỏ đạt 90–99,4% thành công, chậm hơn người 10–15%. Bỏ cấu trúc đi thì con số rơi xuống: 29–67% trên các đầu nối mà chính sách chưa thấy, 37–59% khi nhặt từ băng chuyền đang chạy, và 0–5,5% khi một mô hình ngôn ngữ tiên phong trực tiếp điều khiển các khớp.
Hình 9. Robot học trò chỉ gần cấp sản xuất khi trạm có cấu trúc.
Các triển khai trong nhà máy công bố ít hơn so với tiêu đề gợi ý. Trong số các triển khai nhà máy tôi theo dõi, hầu hết chỉ công bố chúng chạy bao lâu hay bao nhiêu. Không ai công bố đồng thời tỉ lệ thành công, nhịp takt và tỉ lệ can thiệp, và một số con số tiêu đề là mục tiêu chứ không phải kết quả. Khi tôi quy các con số công bố thành lao động thực sự thay thế, khoảng cách rất lớn: một cell cánh tay có cấu trúc thay khoảng 0,82 công nhân mỗi ca; một robot hình người làm việc ở 40% tốc độ người, khoảng 0,26; một robot hình người bị điều khiển từ xa 40% thời gian, khoảng 0,05.
Hình 10. Lao động ròng được thay thế mỗi robot mỗi ca.
Ngăn xếp đang ổn định thành các tầng. Các mô hình tiên phong lập kế hoạch và viết chương trình ngoại tuyến, ở thang giây đến phút. Các chính sách nhỏ như ACT, chính sách khuếch tán và VLA nhỏ chạy trong cell với các khối hành động 100–300 ms; theo số liệu của nhà cung cấp, một chính sách ACT nhỏ chạy trong khoảng 50 ms trên một bo mạch biên. Điều khiển chuyển động vẫn ở bộ điều khiển robot ở tốc độ mili-giây, và an toàn vẫn mang tính tất định. Các tiêu chuẩn cũng nhất trí: theo Quy định máy móc EU, một chức năng an toàn dùng học máy cần đánh giá bởi cơ quan được thông báo từ ngày 20 tháng 1 năm 2027, và các tiêu chuẩn cho AI một lộ trình chứng nhận bên trong chức năng an toàn dự kiến chưa ổn định trước 2027–2029.
Vì vậy, trong hai năm tới, tôi sẽ mua các cánh tay đã chứng nhận, đặt nhận thức học được và các chính sách nhỏ vào trong, giữ an toàn tất định, và chờ dữ liệu sản xuất năm 2027 và 2028 trước khi đặt cược vào robot hình người.
Thứ tôi sẽ xây và không xây
| Xây | Không xây |
|---|---|
| AI xem lại và phân loại khuyết tật trên ảnh AOI, cho EMS cỡ vừa có AOI cũ hoặc nhiều thương hiệu | Một nền tảng "AI cộng cánh tay robot" tổng quát |
| Kiểm tra mà AOI bao phủ kém: xuyên lỗ và hàn tay, phủ keo bảo vệ, cáp, đầu nối và FPC, ngoại quan cuối và ốc vít | Một LLM đa phương thức làm người kiểm tra chính |
| Cell cobot cho các trạm mà mọi linh kiện được xử lý (đồ gá kiểm tra, khay, đóng gói), với kiểm tra là phần bổ sung | Cánh tay robot chỉ để nhặt bo NG; dùng bộ chuyển hướng hoặc bộ đệm |
| Bộ vàng và chế độ bóng trên dây chuyền thật trước mọi tuyên bố | Robot hình người hay robot dạng dịch vụ trên dây chuyền SMT |
| Hộp biên không quạt ở dây chuyền, máy chủ ở phòng máy chủ | Mô hình tiên phong trong vòng điều khiển hay chức năng an toàn |
Sợi chỉ chung là sự nhàm chán có chủ đích: chọn một tác vụ hẹp có chủ sở hữu rõ ràng, đo nó trên chính ảnh của nhà máy, và để các máy hiện có của nhà máy tiếp tục làm những gì chúng đã làm tốt.
Điều tôi không thể xác minh
Đây là nghiên cứu bàn giấy. Tôi không thử bất kỳ sản phẩm nào trên dây chuyền. Các con số lượng lắp đặt và tỉ lệ AOI đã chạy AI là ước tính của tôi từ hồ sơ công khai và dữ liệu thị trường, còn các con số mức sẵn sàng chi trả chỉ là ước tính mà báo giá thật mới xác nhận được. Nhiều con số robot là tuyên bố của nhà cung cấp, và tôi đã đánh dấu như vậy trong báo cáo. Mô hình, giá, thuế quan và quy định xuất khẩu thay đổi nhanh; mọi con số ở đây tính đến ngày 11 tháng 11 năm 2026. Báo cáo liệt kê các câu hỏi mở và cách một dự án thí điểm sẽ giải quyết từng câu.
Tải xuống
- Báo cáo đầy đủ (PDF): AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment, bản công khai, kèm mọi hình, bảng và nguồn.
- Slide (PDF): cùng các phát hiện trong một bộ ngắn.
Về tác giả
Tan Shuai là một nhà công nghệ và nhà sáng lập với hơn hai mươi năm làm việc trải khắp chip, phần cứng và phần mềm hệ thống, cùng 20 bằng sáng chế đã được cấp. Công việc của ông đưa ông qua Thung lũng Silicon, New York, Chicago, Đài Loan, Khu vực Vịnh Lớn (Thâm Quyến và Hồng Kông), Việt Nam và Malaysia, với sự tập trung lâu dài vào sản xuất tiên tiến và chuỗi cung ứng. Ngày nay ông làm nhà nghiên cứu và phát triển AI, tập trung vào cách AI thực sự được dùng trên sàn nhà máy.
Ông hoan nghênh các cuộc trò chuyện với những người đang xây dựng trong lĩnh vực này, dù là lập đội, tìm đối tác hay trao đổi ghi chú: i@tanshuai.com.