2026 年 SMT 产线上的 AI：AI 复判几个月回本，具身机器人还要再等

AOI 误报的 AI 复判几个月就能回本；只为拣出不良板加装机械臂，永远不回本。下面是我的研究结论，文末附完整报告和演示文稿。

摘要

电子工厂同时被推销着两个 AI 故事：会检查电路板的视觉，和会自己学习的机械臂。我针对中国大陆、台湾地区、东南亚和美国的 SMT 与 PCBA 产线，把两者都研究了一遍，依据的是截至 2026 年 11 月 11 日的年报、标准、出口管制规则、关税表、基准测试和公开价格。真正有用的部分很窄。AOI 发出的报警约 97–99% 是误报，要人一条条确认；用 AOI 自己的图像训练的监督学习模型，按厂商的说法能把这部分工作减少 60–90%，一家大型 EMS 公司在年报中披露减少了 85%。按每条线 5 万元计算，在美国、台湾地区和深圳 5 到 8 个月就能回本。给测试工位上下料的协作臂，一年多一点回本。只为拣出不良板而加装的机械臂，在任何地区都不回本。通用多模态大模型还当不了检测员：2026 年的旗舰模型没有一个公布过工业缺陷基准成绩。它们适合当老师，给本地小模型预标注数据。断网的本地部署完全可行。改造市场真实存在，但不大：中国大陆约 3.2 亿元，分摊在大约五年里。

为什么研究这个

这件事起源于我认识的一个小型硬件团队提的问题。他们做电子产品的开发和组装，正在考虑进入工厂 AI 质检和机械臂这个方向。厂商说一套，投资人说另一套，每个演示看起来都很好。他们想知道：2026 年工厂真正愿意为什么付钱，放进工厂里运行要花多少钱，哪些还只是研究项目。

我和芯片、硬件以及制造它们的工厂打了二十多年交道，于是主动帮他们研究。我读了上市 AOI、机器视觉、机器人和 EMS 公司的年报与招股书，相关的标准和法规，出口管制分类和关税表，基准测试页面和论文，以及公开价格。我还把一批来自行业访谈的说法拿去和这些公开记录核对。公开资料查不到的地方，我会直说。

下文所有数字截至 2026 年 11 月 11 日。如无特别说明，金额均为人民币，按 1 美元兑 6.7188 元换算。大部分数据来自完整报告，可以在文末下载（英文 PDF）。

结果一览

图 1：AI 在今天工厂里的位置。越靠上，买方回本越快。

SMT 产线上，人在哪里

一条量产 SMT 线的自动化程度已经很高。电路板依次经过锡膏印刷、3D 锡膏检测（SPI）、贴片、可选的炉前 AOI、回流焊、炉后 AOI，有 BGA 时再抽检 X 光（AXI），然后是在线测试和功能测试、目检和包装。节拍约每块板 13–22 秒，一条线通常有三到五台 AOI。一家笔记本 ODM 为 18 条线编列的 AOI 预算是 3,060 万元。

图 2：一条量产 SMT 线。人在 AOI 后面。

人并不在传送带旁边，而是坐在 AOI 后面。AOI 被调成绝不漏掉缺陷，所以报得太多：在我找到的案例里，约 97–99% 的报警都是误报，板子其实是好的。复判员要逐条查看，每条 42–55 秒。在一条繁忙的产线上，每班约有 448 次误报，占掉一个人一班中的 5.2–6.8 小时。这个案例里的工厂每班配了两名复判员。

图 3：每 100 次 AOI 报警，约 97–99 次是误报。

复判座位就是 AI 的入口，而且有三条路。AOI 厂商把它内置进新机：矩子科技称其 AI 3D AOI “从检测端消除人工复判环节”，ViTrox 推出了 AI AOI，思泰克正与腾讯联合研发。最大的几家 EMS 公司自己做。第三方则给工厂现有的 AOI 加装一个盒子和一套软件。

真正有用的：用 AOI 自己的图像做 AI 复判

有效的做法并不花哨。一个监督学习模型，用 AOI 本来就会保存的裁剪图训练，紧跟在 AOI 后面，给出 OK、NG 或“交给人”三种答案。厂商称它能把误报或复判工时减少 60–90%。我找到的最好的公开证据在一家 EMS 的年报里：光弘科技的自建系统覆盖了 AOI 报警元件的 95% 以上，漏失低于 20 PPM，人工复判减少 85% 以上。想卖给一线 EMS，你就会被拿来和这个标准比较。

比模型更重要的有两点。

第一是图像。常有人问：一台好相机加一个大模型，能不能替代 AOI？一台通用 4K 相机拍整块 300 mm 的拼板，每个像素约 78 µm；AOI 是 8–20 µm。在 78 µm 下，一颗 0402 电阻只有约 13×6 个像素，够判断它在不在，却不够判断焊点好坏；01005 只有约 5×3 个像素，基本等于看不见。AI 处理的是 AOI 的图像，它不替代光学系统。

第二是出故障时怎么办。盒子必须“失效即放行”：一旦崩溃或拿不准，所有报警都转给人工，产线照常运行。工厂不会接受一个可能让产线停下来的盒子，也不该接受一个可能悄悄放过坏板的盒子。

多模态大模型是老师，不是检测员

2026 年最明显的问题是：前沿多模态大模型能不能直接看板子？还不行。截至 2026 年 11 月 11 日，9 月到 11 月发布的旗舰模型（GPT-6.x、Gemini 4、Claude Fable 5.2、Qwen3.8 等）没有一个在 MMAD、MVTec AD 2、VisA、Real-IAD 或 UniPCB 这些工业缺陷基准上公布过成绩。

图 4：通用检测成绩一代翻倍，工业缺陷成绩一片空白。

它们的通用检测成绩确实在一代之内大约翻了一倍，但给人或汽车画框，和判断一个焊点不是一回事。在问“有没有缺陷”的 MMAD 上，人类专家得 95.2 分，我找到的通用模型最好成绩是 83.1。在 ACM MM 2026 的 PCBA 挑战赛中，前五名系统（包括一个用 6,600 张真实产线图像调过的系统）在“有没有缺陷”上只得 77–82 分，尽管元件计数和属性识别能达到 95–100 分。生产要的是 99% 以上。

所以我会把它们当老师用。前沿模型对新图像做预标注和分诊，每个模型每轮约 23–196 美元。由人来裁决：两三名标注员背靠背标注，再由资深工程师拍板。标注进入金标准集，用来训练一个 8-bit 的小模型，部署在线边的盒子上。它先以影子模式运行两到四周，只记录判断、不改变任何东西，通过门槛后才正式上线。

图 5：两条老师—学生流水线。对机械臂来说，老师仍然是人。

门槛是大多数项目会跳过的部分，而它基本是算术。要在 95% 置信度、零漏检的条件下证明 99% 的召回率，金标准集里这一类缺陷需要 299 个真实样本。证明 95% 需要 59 个。证明 99.9% 需要 2,995 个，没有哪个买家能在采购前凑齐。我的规则是：只有在 299 个样本上零漏检的缺陷类别，才自动接受老师的标注，而且模型与标准答案的一致程度不能低于两个人之间的一致程度。其他类别，由老师预标注，由人决定。

对机械臂来说，老师仍然是人。小策略模型从 10–300 次人工示教中学习（约 15–70 分钟的遥操作），再通过 1,000–3,000 次真机试验提升，约需 6–22 个机器人小时。前沿模型在离线环节帮忙：改写机器人程序（在 ABB RAPID 任务上正确率 77–99.7%，部署前先在仿真中检查）、规划换线、解释故障。它们不进控制回路。

放进工厂里运行

很多电子工厂是断网的，客户合同也常常这样要求。这没有听起来那么麻烦，因为约束在流程，不在算力。

图 6：断网部署。线边的盒子做判断，机房负责回答问题。

普通 SMT 车间是静电防护区，约相当于 ISO 8 级，不是分级洁净室。AOI 旁边放一台接地、无风扇、功耗 100 W 以下的盒子，就能完成在线判断，每张裁剪图 0.5–3 秒。GPU 或 NPU 服务器放在机房，为全厂处理问答、分析和再训练。更新经审批后，用介质离线导入。金标准集、模型版本和权重哈希存放在专门的仓库里，数据不出厂。

能用哪些硬件，首先取决于你在哪里。在中国大陆，只能用国产模型或本地部署的开源权重。按英伟达自己公布的出口管制分类，Jetson Thor 和 DGX Spark 可以卖给中国大陆的普通工厂，不需要美国许可证；DGX Station 和 RTX PRO 6000 则不行。Thor 开发套件在中国含税 59,104 元，功耗 40–130 W。大工作站也不适合当共享助手：在独立测试中，一台 DGX Station 跑 7,430 亿参数的模型，32 个用户合计每秒 139 个 token，每人约 4 个。

关于精度，8-bit 是安全的。厂商做过量化感知训练的 4-bit，在 700 亿参数及以上的模型上通常没问题。到了 3-bit 及以下，平均掉 7–15 分，图表类任务掉 20–34 分。更大的风险在推理服务栈。一项研究发现，开启前缀缓存后，4-bit 模型重复运行有 82.5% 的结果出现分歧，16-bit 时是 37.4%。另一项研究发现，Ollama 官方 305 个代码模型标签中有 7 个实际上不能用，尽管文件本身完好；198 个热门 GGUF 仓库没有一个记录文件是怎么构建出来的。我的规则很简单：换精度或换推理引擎之后，都要重跑一遍金标准集。

成本和回本

商业账最终取决于工资。一名检测或搬运工人的全口径年成本：美国约 7 万美元，台湾地区 1.96 万美元，深圳 1.27 万美元，马来西亚 9,100 美元，越南 5,300 美元。美国约是深圳的 5.5 倍。

图 7：各地区买方的回本期。

按每条线 5 万元算，AI 复判在美国 0.46 年回本，台湾地区 0.53 年，深圳 0.65 年，东南亚各地 1.1–2.8 年。一个两班运行、给测试工位上下料的协作臂单元，价格 20 万元或 14 万美元，在美国、台湾地区和深圳 1.1–1.3 年回本。为替代人工目检而新购 AOI，在美国不到一年回本，在深圳要 3.3 年。

不划算的是只负责把不良板从 SMT 线上拣下来的机械臂。直通率在 90% 以上时，拣板每班只需 2.5 到 100 分钟，也就是 0.003–0.14 个人。NG 分流或缓存机已经能做这件事。

关于价格，有两点提醒。没有任何第三方公开 AI 复判的人民币价格，厂商都是免费试用后逐案报价。我对中国大陆中型买家愿意付给第三方的价格的最佳估算，是每线一次性 1–3 万元，或每年 5,000–10,000 元，所以回本模型里的 5 万元是上限，不是标价。另外，凡是要卖进美国，硬件在哪里制造很重要：中国大陆制造的机械臂进入美国合计约缴 40% 关税，从东南亚或台湾地区发货则是 10–15%。

市场真实存在，但不大

公开的“AI 视觉检测”市场规模相差十倍以上，因为每家统计的东西不一样，从相机到检测服务都有。用它们来决定要不要做一款复判产品，都没有用。所以我自下而上算了一遍。

图 8：中国大陆第三方 AI 复判市场的自下而上推算。

中国大陆约有 4 万条 SMT 线，约 4.4 万台尚未启用 AI 复判的在线 AOI。去掉已经用上 AI 的部分，再看第三方实际能触达的比例，可服务的产线约 1.6 万条。按每线 2 万元算，一次性市场约 3.2 亿元（区间 1.05 亿–7.05 亿元）。窗口大约五年，因为 AOI 厂商已经在新机里内置 AI，没有 AI 的存量每年缩小 8–12%。

这个切入点也很拥挤。AOI 厂商在内置复判，最大的几家 EMS 自己做，海康机器人、思谋等平台型厂商也在大力推销。一家头部 AI 视觉方案商 2025 年营收 10.86 亿元，经历价格战后净亏 9.91 亿元。利润留在产品化的硬件上：视觉平台和 AOI 厂商毛利率 46–67%，AI 解决方案商只有 35–37%，而且亏损。回款也慢。常见条款是签约付 30%、验收后付 60%、留 10% 质保金一年，所以全部收回要两到三年。标准产品的应收账款周转天数约 51–99 天，项目型设备要 188–319 天。

剩下的空间很具体：拥有 10–40 条线、AOI 较旧或品牌混杂、原厂不提供 AI 升级的中型 EMS；再加上 AOI 覆盖不好的检测，比如插件（THT）与手焊焊点、三防漆、线缆、连接器和 FPC，以及外观与螺丝终检。

机械臂与具身智能

在工位结构化的地方，学习型的机器人控制今天已经可用。有治具、零件已知时，小策略模型的成功率能达到 90–99.4%，比人慢 10–15%。把结构拿掉，数字就往下掉：没见过的连接器 29–67%，从移动的传送带上抓取 37–59%，让前沿语言模型直接驱动关节则只有 0–5.5%。

图 9：机器人学生只有在结构化工位上才接近量产水平。

工厂里的部署所披露的信息，比新闻标题暗示的少。在我跟踪的工厂部署中，大多数只公布运行时长或运行量。没有一家同时公布成功率、节拍和人工干预率，有些标题数字是目标，不是结果。把公开数字换算成实际替代的人力，差距很大：一个结构化的机械臂单元每班约替代 0.82 个工人；以人类 40% 速度工作的人形机器人约 0.26 个；有 40% 时间需要遥操作的人形机器人约 0.05 个。

图 10：每台机器人每班净替代的人力。

技术栈正在分层。前沿模型在离线环节做规划、写程序，时间尺度是秒到分钟。ACT、扩散策略和小型 VLA 这类小策略模型在工作站内运行，动作块为 100–300 毫秒；按厂商的数字，一个小型 ACT 策略在边缘板卡上约 50 毫秒。运动控制仍由机器人控制器以毫秒级完成，安全仍然保持确定性。标准也是这么要求的：按欧盟《机械法规》，从 2027 年 1 月 20 日起，使用机器学习的安全功能需要公告机构评估；能让 AI 在安全功能里获得认证路径的标准，预计在 2027–2029 年之前不会定型。

所以未来两年，我会买经过认证的机械臂，把学习型感知和小策略模型放进去，安全保持确定性，等 2027 和 2028 年的量产数据出来，再考虑押注人形机器人。

我会做什么、不做什么

共同点是有意为之的“无聊”：挑一个范围窄、有明确负责人的任务，用工厂自己的图像来衡量，让工厂现有的机器继续做它们本来就擅长的事。

我没能核实的

这是案头研究，我没有在产线上测试任何产品。存量数字和已启用 AI 的 AOI 比例，是我根据公开文件和市场数据做的估算；付费意愿数字也是估算，只有真实报价才能确认。很多机器人数字是厂商说法，我在报告里都做了标注。模型、价格、关税和出口规则变化很快，文中所有数字截至 2026 年 11 月 11 日。报告列出了这些未决问题，以及试点怎样逐一回答它们。

下载

• 完整报告（英文 PDF）：AI Visual Inspection and Robot Arms in Electronics Factories: 2026 Assessment，公开版，含全部图表、表格和资料来源。
• 演示文稿（英文 PDF）：同样的结论，22 页。

关于作者

谭帅，技术专家和创业者，在芯片、硬件和系统软件领域工作二十多年，拥有 20 项授权专利。他的工作经历遍及硅谷、纽约、芝加哥、台湾地区、粤港澳大湾区（深圳和香港）、越南和马来西亚，长期关注先进制造和供应链。如今他是一名 AI 研发者，专注于 AI 在工厂车间里的实际应用。

欢迎在这个领域做事的朋友来交流，无论是组建团队、寻找合作伙伴，还是交换看法：i@tanshuai.com。