2026 年 SMT 產線上的 AI：AI 複判幾個月回本，具身機器人還要再等

AOI 誤報的 AI 複判幾個月就能回本；只為揀出不良板加裝機械手臂，永遠不回本。下面是我的研究結論，文末附完整報告與簡報。

摘要

電子工廠同時被推銷著兩個 AI 故事：會檢查電路板的視覺，和會自己學習的機械手臂。我針對中國大陸、台灣、東南亞和美國的 SMT 與 PCBA 產線，把兩者都研究了一遍，依據的是截至 2026 年 11 月 11 日的年報、標準、出口管制規則、關稅表、基準測試和公開價格。真正有用的部分很窄。AOI 發出的警報約 97–99% 是誤報，要人一條條確認；用 AOI 自己的圖像訓練的監督式學習模型，按廠商的說法能把這部分工作減少 60–90%，一家大型 EMS 公司在年報中披露減少了 85%。按每條線 5 萬元計算，在美國、台灣和深圳 5 到 8 個月就能回本。給測試工位上下料的協作機械手臂，一年多一點回本。只為揀出不良板而加裝的機械手臂，在任何地區都不回本。通用多模態大模型還當不了檢測員：2026 年的旗艦模型沒有一個公布過工業缺陷基準成績。它們適合當老師，給本地小模型預標註資料。斷網的本地部署完全可行。改造市場真實存在，但不大：中國大陸約 3.2 億元，分攤在大約五年裡。

為什麼研究這個

這件事起源於我認識的一個小型硬體團隊提的問題。他們做電子產品的開發和組裝，正在考慮進入工廠 AI 質檢和機械手臂這個方向。廠商說一套，投資人說另一套，每個演示看起來都很好。他們想知道：2026 年工廠真正願意為什麼付錢，放進工廠裡運行要花多少錢，哪些還只是研究專案。

我和晶片、硬體以及製造它們的工廠打了二十多年交道，於是主動幫他們研究。我讀了上市 AOI、機器視覺、機器人和 EMS 公司的年報與招股書，相關的標準和法規，出口管制分類和關稅表，基準測試頁面和論文，以及公開價格。我還把一批來自行業訪談的說法拿去和這些公開紀錄核對。公開資料查不到的地方，我會直說。

下文所有數字截至 2026 年 11 月 11 日。如無特別說明，金額均為人民幣，按 1 美元兌 6.7188 元換算。大部分資料來自完整報告，可以在文末下載（PDF）。

結果一覽

圖 1：AI 在今天工廠裡的位置。越靠上，買方回本越快。

SMT 產線上，人在哪裡

一條量產 SMT 線的自動化程度已經很高。電路板依次經過錫膏印刷、3D 錫膏檢測（SPI）、貼片、可選的爐前 AOI、迴焊、爐後 AOI，有 BGA 時再抽檢 X 光（AXI），然後是在線測試和功能測試、目檢和包裝。節拍約每塊板 13–22 秒，一條線通常有三到五台 AOI。一家筆電 ODM 為 18 條線編列的 AOI 預算是 3,060 萬元。

圖 2：一條量產 SMT 線。人在 AOI 後面。

人並不在傳送帶旁邊，而是坐在 AOI 後面。AOI 被調成絕不漏掉缺陷，所以報得太多：在我找到的案例裡，約 97–99% 的警報都是誤報，板子其實是好的。複判員要逐條查看，每條 42–55 秒。在一條繁忙的產線上，每班約有 448 次誤報，佔掉一個人一班中的 5.2–6.8 小時。這個案例裡的工廠每班配了兩名複判員。

圖 3：每 100 次 AOI 警報，約 97–99 次是誤報。

複判座位就是 AI 的入口，而且有三條路。AOI 廠商把它內建進新機：矩子科技稱其 AI 3D AOI「從檢測端消除人工複判環節」，ViTrox 推出了 AI AOI，思泰克正與騰訊聯合研發。最大的幾家 EMS 公司自己做。第三方則給工廠現有的 AOI 加裝一個盒子和一套軟體。

真正有用的：用 AOI 自己的圖像做 AI 複判

有效的做法並不花俏。一個監督式學習模型，用 AOI 本來就會保存的裁切圖訓練，緊跟在 AOI 後面，給出 OK、NG 或「交給人」三種答案。廠商稱它能把誤報或複判工時減少 60–90%。我找到的最好的公開證據在一家 EMS 的年報裡：光弘科技的自建系統覆蓋了 AOI 警報元件的 95% 以上，漏失低於 20 PPM，人工複判減少 85% 以上。想賣給一線 EMS，你就會被拿來和這個標準比較。

比模型更重要的有兩點。

第一是圖像。常有人問：一台好相機加一個大模型，能不能替代 AOI？一台通用 4K 相機拍整塊 300 mm 的拼板，每個像素約 78 µm；AOI 是 8–20 µm。在 78 µm 下，一顆 0402 電阻只有約 13×6 個像素，夠判斷它在不在，卻不夠判斷焊點好壞；01005 只有約 5×3 個像素，基本等於看不見。AI 處理的是 AOI 的圖像，它不替代光學系統。

第二是出故障時怎麼辦。盒子必須「失效即放行」：一旦崩潰或拿不準，所有警報都轉給人工，產線照常運行。工廠不會接受一個可能讓產線停下來的盒子，也不該接受一個可能悄悄放過壞板的盒子。

多模態大模型是老師，不是檢測員

2026 年最明顯的問題是：前沿多模態大模型能不能直接看板子？還不行。截至 2026 年 11 月 11 日，9 月到 11 月發布的旗艦模型（GPT-6.x、Gemini 4、Claude Fable 5.2、Qwen3.8 等）沒有一個在 MMAD、MVTec AD 2、VisA、Real-IAD 或 UniPCB 這些工業缺陷基準上公布過成績。

圖 4：通用檢測成績一代翻倍，工業缺陷成績一片空白。

它們的通用檢測成績確實在一代之內大約翻了一倍，但給人或汽車畫框，和判斷一個焊點不是一回事。在問「有沒有缺陷」的 MMAD 上，人類專家得 95.2 分，我找到的通用模型最好成績是 83.1。在 ACM MM 2026 的 PCBA 挑戰賽中，前五名系統（包括一個用 6,600 張真實產線圖像調過的系統）在「有沒有缺陷」上只得 77–82 分，儘管元件計數和屬性識別能達到 95–100 分。生產要的是 99% 以上。

所以我會把它們當老師用。前沿模型對新圖像做預標註和分診，每個模型每輪約 23–196 美元。由人來裁決：兩三名標註員背靠背標註，再由資深工程師拍板。標註進入金標準集，用來訓練一個 8-bit 的小模型，部署在線邊的盒子上。它先以影子模式運行兩到四週，只記錄判斷、不改變任何東西，通過門檻後才正式上線。

圖 5：兩條老師—學生流水線。對機械手臂來說，老師仍然是人。

門檻是大多數專案會跳過的部分，而它基本是算術。要在 95% 信賴水準、零漏檢的條件下證明 99% 的召回率，金標準集裡這一類缺陷需要 299 個真實樣本。證明 95% 需要 59 個。證明 99.9% 需要 2,995 個，沒有哪個買家能在採購前湊齊。我的規則是：只有在 299 個樣本上零漏檢的缺陷類別，才自動接受老師的標註，而且模型與標準答案的一致程度不能低於兩個人之間的一致程度。其他類別，由老師預標註，由人決定。

對機械手臂來說，老師仍然是人。小策略模型從 10–300 次人工示教中學習（約 15–70 分鐘的遙操作），再透過 1,000–3,000 次真機試驗提升，約需 6–22 個機器人小時。前沿模型在離線環節幫忙：改寫機器人程式（在 ABB RAPID 任務上正確率 77–99.7%，部署前先在模擬中檢查）、規劃換線、解釋故障。它們不進控制迴路。

放進工廠裡運行

很多電子工廠是斷網的，客戶合約也常常這樣要求。這沒有聽起來那麼麻煩，因為約束在流程，不在算力。

圖 6：斷網部署。線邊的盒子做判斷，機房負責回答問題。

普通 SMT 車間是靜電防護區，約相當於 ISO 8 級，不是分級無塵室。AOI 旁邊放一台接地、無風扇、功耗 100 W 以下的盒子，就能完成在線判斷，每張裁切圖 0.5–3 秒。GPU 或 NPU 伺服器放在機房，為全廠處理問答、分析和再訓練。更新經審批後，用介質離線匯入。金標準集、模型版本和權重雜湊存放在專門的倉庫裡，資料不出廠。

能用哪些硬體，首先取決於你在哪裡。在中國大陸，只能用國產模型或本地部署的開源權重。按 NVIDIA 自己公布的出口管制分類，Jetson Thor 和 DGX Spark 可以賣給中國大陸的普通工廠，不需要美國許可證；DGX Station 和 RTX PRO 6000 則不行。Thor 開發套件在中國含稅 59,104 元，功耗 40–130 W。大工作站也不適合當共享助手：在獨立測試中，一台 DGX Station 跑 7,430 億參數的模型，32 個用戶合計每秒 139 個 token，每人約 4 個。

關於精度，8-bit 是安全的。廠商做過量化感知訓練的 4-bit，在 700 億參數及以上的模型上通常沒問題。到了 3-bit 及以下，平均掉 7–15 分，圖表類任務掉 20–34 分。更大的風險在推理服務棧。一項研究發現，開啟前綴快取後，4-bit 模型重複運行有 82.5% 的結果出現分歧，16-bit 時是 37.4%。另一項研究發現，Ollama 官方 305 個程式碼模型標籤中有 7 個實際上不能用，儘管檔案本身完好；198 個熱門 GGUF 倉庫沒有一個記錄檔案是怎麼建置出來的。我的規則很簡單：換精度或換推理引擎之後，都要重跑一遍金標準集。

成本和回本

商業帳最終取決於工資。一名檢測或搬運工人的全口徑年成本：美國約 7 萬美元，台灣 1.96 萬美元，深圳 1.27 萬美元，馬來西亞 9,100 美元，越南 5,300 美元。美國約是深圳的 5.5 倍。

圖 7：各地區買方的回本期。

按每條線 5 萬元算，AI 複判在美國 0.46 年回本，台灣 0.53 年，深圳 0.65 年，東南亞各地 1.1–2.8 年。一個兩班運行、給測試工位上下料的協作機械手臂單元，價格 20 萬元或 14 萬美元，在美國、台灣和深圳 1.1–1.3 年回本。為替代人工目檢而新購 AOI，在美國不到一年回本，在深圳要 3.3 年。

不划算的是只負責把不良板從 SMT 線上揀下來的機械手臂。直通率在 90% 以上時，揀板每班只需 2.5 到 100 分鐘，也就是 0.003–0.14 個人。NG 分流或緩存機已經能做這件事。

關於價格，有兩點提醒。沒有任何第三方公開 AI 複判的人民幣價格，廠商都是免費試用後逐案報價。我對中國大陸中型買家願意付給第三方的最佳估算，是每線一次性 1–3 萬元，或每年 5,000–10,000 元，所以回本模型裡的 5 萬元是上限，不是標價。另外，凡是要賣進美國，硬體在哪裡製造很重要：中國大陸製造的機械手臂進入美國合計約繳 40% 關稅，從東南亞或台灣發貨則是 10–15%。

市場真實存在，但不大

公開的「AI 視覺檢測」市場規模相差十倍以上，因為每家統計的東西不一樣，從相機到檢測服務都有。用它們來決定要不要做一款複判產品，都沒有用。所以我自下而上算了一遍。

圖 8：中國大陸第三方 AI 複判市場的自下而上推算。

中國大陸約有 4 萬條 SMT 線，約 4.4 萬台尚未啟用 AI 複判的在線 AOI。去掉已經用上 AI 的部分，再看第三方實際能觸達的比例，可服務的產線約 1.6 萬條。按每線 2 萬元算，一次性市場約 3.2 億元（區間 1.05 億–7.05 億元）。窗口大約五年，因為 AOI 廠商已經在新機裡內建 AI，沒有 AI 的存量每年縮小 8–12%。

這個切入點也很擁擠。AOI 廠商在內建複判，最大的幾家 EMS 自己做，海康機器人、思謀等平台型廠商也在大力推銷。一家頭部 AI 視覺方案商 2025 年營收 10.86 億元，經歷價格戰後淨虧 9.91 億元。利潤留在產品化的硬體上：視覺平台和 AOI 廠商毛利率 46–67%，AI 解決方案商只有 35–37%，而且虧損。回款也慢。常見條款是簽約付 30%、驗收後付 60%、留 10% 質保金一年，所以全部收回要兩到三年。標準產品的應收帳款週轉天數約 51–99 天，專案型設備要 188–319 天。

剩下的空間很具體：擁有 10–40 條線、AOI 較舊或品牌混雜、原廠不提供 AI 升級的中型 EMS；再加上 AOI 覆蓋不好的檢測，比如插件（THT）與手焊焊點、三防漆、線纜、連接器和 FPC，以及外觀與螺絲終檢。

機械手臂與具身智慧

在工位結構化的地方，學習型的機器人控制今天已經可用。有治具、零件已知時，小策略模型的成功率能達到 90–99.4%，比人慢 10–15%。把結構拿掉，數字就往下掉：沒見過的連接器 29–67%，從移動的傳送帶上抓取 37–59%，讓前沿語言模型直接驅動關節則只有 0–5.5%。

圖 9：機器人學生只有在結構化工位上才接近量產水準。

工廠裡的部署所披露的資訊，比新聞標題暗示的少。在我追蹤的工廠部署中，大多數只公布運行時長或運行量。沒有一家同時公布成功率、節拍和人工干預率，有些標題數字是目標，不是結果。把公開數字換算成實際替代的人力，差距很大：一個結構化的機械手臂單元每班約替代 0.82 個工人；以人類 40% 速度工作的人形機器人約 0.26 個；有 40% 時間需要遙操作的人形機器人約 0.05 個。

圖 10：每台機器人每班淨替代的人力。

技術棧正在分層。前沿模型在離線環節做規劃、寫程式，時間尺度是秒到分鐘。ACT、擴散策略和小型 VLA 這類小策略模型在工作站內運行，動作塊為 100–300 毫秒；按廠商的數字，一個小型 ACT 策略在邊緣板卡上約 50 毫秒。運動控制仍由機器人控制器以毫秒級完成，安全仍然保持確定性。標準也是這麼要求的：按歐盟《機械法規》，從 2027 年 1 月 20 日起，使用機器學習的安全功能需要公告機構評估；能讓 AI 在安全功能裡獲得認證路徑的標準，預計在 2027–2029 年之前不會定型。

所以未來兩年，我會買經過認證的機械手臂，把學習型感知和小策略模型放進去，安全保持確定性，等 2027 和 2028 年的量產資料出來，再考慮押注人形機器人。

我會做什麼、不做什麼

共同點是有意為之的「無聊」：挑一個範圍窄、有明確負責人的任務，用工廠自己的圖像來衡量，讓工廠現有的機器繼續做它們本來就擅長的事。

我沒能核實的

這是案頭研究，我沒有在產線上測試任何產品。存量數字和已啟用 AI 的 AOI 比例，是我根據公開文件和市場資料做的估算；付費意願數字也是估算，只有真實報價才能確認。很多機器人數字是廠商說法，我在報告裡都做了標註。模型、價格、關稅和出口規則變化很快，文中所有數字截至 2026 年 11 月 11 日。報告列出了這些未決問題，以及試點怎樣逐一回答它們。

下載

• 完整報告（PDF）：AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment，公開版，含全部圖表、表格和資料來源。
• 簡報（PDF）：同樣的結論，22 頁。

關於作者

譚帥，技術專家和創業者，在晶片、硬體和系統軟體領域工作二十多年，擁有 20 項授權專利。他的工作經歷遍及矽谷、紐約、芝加哥、台灣、粵港澳大灣區（深圳和香港）、越南和馬來西亞，長期關注先進製造和供應鏈。如今他是一名 AI 研發者，專注於 AI 在工廠車間裡的實際應用。

歡迎在這個領域做事的朋友來交流，無論是組建團隊、尋找合作夥伴，還是交換看法：i@tanshuai.com。