2023年我跑了不少制造工厂从3C电子的SMT贴片车间到锂电隔膜的涂布产线再到光伏组件的EL检测工位最直观的感受是质检工位上的年轻人越来越少架着独立光源的相机工位越来越多。老板们的说法高度一致——不是想裁人是真招不到愿意做目检的工人。与此同时AI工业质检这个词在各种行业会、融资新闻和招标公告里刷足了存在感。一面是产线现场的硬需求另一面是市场叙事的热场面两头一交错就成了2023年AI质检行业最真实的底色。我不是来给你念第三方报告数字的这篇东西更想站在项目一线和产业观察的角度把2023年的真实盘子、玩家格局、盈利逻辑和选择经验梳理清楚。如果你正在收集这个赛道的资料、准备做技术选型或者正考虑入场希望这篇能帮你省掉不少翻资料和踩坑的时间。1. 2023年市场规模先别信单个“重磅数字”要看统计口径1.1 为什么同一个“市场规模”不同报告能差出一倍多我见过最夸张的情况是两份机构报告对同一年中国AI工业质检市场的估算差额超过一倍。你不必急着认为其中一份造假更大概率是他们统计的边界根本不一样。有人把工业相机、镜头、光源、控制器、图像采集卡全部算进去一旦这样统计整个盘子就有数百亿元量级因为机器视觉硬件本身就是个大市场有人只统计深度学习算法和质检软件这个盘子就小得多可能只够到几十亿元的水平还有人把传统AOI自动光学检测设备、精密测量设备也算进来取一个中间值。三种口径各有道理但拿到桌面上容易让外行犯迷糊。我的习惯是聊“AI工业质检规模”时先问一句你问的是纯软件算法还是包括硬件还是整条检测设备问题答清楚数字才有意义。真正贴近从业者体感的是“AI质检项目和服务”这个口径。它涵盖打光方案、算法模型、软件平台、现场实施、后期运维虽然不如卖硬件那样标准化却最接近一线公司真实的营收来源和成本压力。按这个口径看2023年的市场规模大致是百亿元上下比起前两年有明显增长但距离“爆发”还有距离。1.2 增长动力不是“AI需不需要”而是“人还能不能招到”这一年行业增长的直接推手不是所谓“智能制造大势”而是最朴素的人力问题。目检这种工作长期盯着外观缺陷眼睛疲劳度高收入水平又有限愿意干的人越来越少。制造业聚集的地区熟练目检工的薪资一路上涨依然面临流失率高的困境。一个3C组装车间一条产线可能需要几十个目检员三班倒下来人数只会更多。与之对比一套视觉检测工位加上AI算法可以替换掉相当一部分重复性目检任务。老板们真正算的账不是“AI有多先进”而是“这条线少几个人、漏检率能不能保持稳定”。只要人力账算得过来AI质检的采购就从“试试看”变成“必须上”。另一股增长动力来自新能源制造。锂电、光伏这两个细分2023年扩产依然凶猛而这两个行业的产品表面缺陷直接关系安全和效率传统视觉规则很难覆盖复杂纹理缺陷AI算法几乎是刚需。不少锂电厂商已经把AI质检写进新产线的标配这也带动了整体市场规模往上走。1.3 招标热、落地慢、回款分化行业的真实体感如果你只看新闻标题会觉得AI工业质检在2023年已经全面开花。真到项目一线体感要冷静得多。招标和询价确实多但很多订单是“试水单”客户先买一条线或一个工位的方案跑通三个月才考虑复制。项目落地周期普遍被低估打样、验证、上线、调优半年时间非常常见。回款情况更是分化头部客户按合同付款还算顺利部分中小制造企业拖账、压款时有发生。结果就是许多公司报表上的营收好看现金流却紧绷。理解2023年AI工业质检行业不能只看市场规模数字更要看这些数字背后的水分和节奏。2. AI质检落地的技术底色从规则写死到特征学习以及两扇绕不开的门2.1 传统视觉看规则AI质检看特征区别到底在哪里很多非技术背景的人以为AI质检只是“更聪明的视觉检测”其实底层逻辑变了。传统机器视觉的思路是把检测规则写死某个区域像素亮度超过阈值就算缺陷边缘长度大于多少算划伤颜色偏离标定范围算色差。这套方法在背景干净、缺陷形态固定的场景很有效比如药瓶盖有无、印刷字符缺不缺。但一到复杂纹理、随机反光、缺陷形态千奇百怪的场景规则就写不完了。可能今天定义50条规则明天换个批次材料规则又要推倒一批。AI质检的思路是让模型从大量样本里自己学习“好品长什么样、坏品长什么样”。它不需要人为枚举缺陷特征只要数据够、标注对模型能捕捉到人眼和规则都说不清的模式。区别打个比方传统视觉像照着说明书找茬AI像老质检员看久了产品扫一眼就觉得“不对”但又说不出具体哪条错了。2.2 漏检与误检的跷跷板AI并没有魔力只是更稳定搞AI质检的人都知道一个模型上线前最难的平衡是漏检率和误检率。漏检是指坏品混过去误检也叫误杀是说好品被当成坏品踢掉。把检测阈值调严坏品不容易跑掉但好品误杀的数量会暴涨把阈值调松误杀少了漏检风险又上来了。AI模型本质上也是在漏检和误检之间找一个可接受的操作点并没有打破这个跷跷板。它真正强的地方是稳定性人工目检到了后半夜注意力下降检出率容易波动机器和模型不会犯困、不会闹情绪。产线老板要的往往不是“检出率世界第一”而是“至少不比熟练工差且全天候稳定”。这给项目验收提了一个很现实的要求谈指标时必须同时锁定漏检率和误检率不是单看一个数。我见过不少项目合同只写了漏检率结果模型运行后发现误检率高得离谱产线天天停机挑好品业务直接崩溃。2.3 数据闭环才是最大工程量标注、仿真、迭代AI质检项目的真实工作量常常和外人想的相反。算法调参只占一小部分大头在数据。首先是数据采集。现场产线环境复杂缺陷样本往往稀疏某些缺陷一个月也出不了几个。这就逼着团队做缺陷仿真、图像增强、迁移学习想办法把少量样本用出更多价值。其次是标注。外表缺陷不是分类任务那么简单常常需要像素级标注把缺陷边界、类别、等级都标出来。一个熟练标注员一天能标多少张效率不高成本却不低。模型上线不是结束是迭代的开始。新材料、新工艺、新夹具都可能让模型误判没有持续的数据反馈和模型更新机制AI质检系统会随着产线变化逐渐“失灵”。这也是为什么很多采购方在合同里要包含模型迭代服务本质上买的不只是软件而是一套持续的数据闭环能力。2.4 光源与相机算法团队最容易被反杀的两道门槛这是我最想提醒新入场者的一件事AI质检项目里算法决定上限成像决定下限而大部分“算法解决不了”的问题根源是成像方案出了问题。光源、镜头、相机选型直接影响图像质量。一个打光方案如果能将缺陷和背景的对比度拉开后续算法可以非常简单地完成任务反过来如果打光方案不行图像里目标模糊、反光严重再强的深度学习模型也很难救。很多项目刚开始跑样时很顺批量上线就崩原因是样品是在实验室理想光线下拍的产线上的反光、飞边、油污、震动根本没在前期打样中暴露。所以我在评估一个AI质检项目时第一件事不是看模型指标而是看成像方案和现场工况。团队里如果没有懂光学的人大概率会在项目后期被各种图像问题反复折磨。这个坑几乎是所有新入场团队都会踩的。3. 竞争格局的四类玩家与三种打法谁在吃肉、谁在喝汤、谁在陪跑3.1 四类玩家四种活法2023年的AI工业质检玩家基本可以分成四类每一类的资源禀赋和打法差异很大。第一类是国际视觉大厂代表性的是康耐视、基恩士这类公司。它们从硬件到算法都是完整闭环产品可靠性和国际客户认可度极高但价格贵、定制响应慢国内中小客户往往承受不起。第二类是国产硬件平台海康机器人、华睿科技这些是典型。它们从相机、控制器、读码器这些硬件起家逐步把AI软件整合进自家平台性价比高、交付速度快、渠道铺得广。它们不一定是算法最强的但一定是最懂怎么把产品稳定卖出去的。第三类是传统机器视觉集成商凌云光、天准、矩子科技等一批上市公司和区域性集成商都在这一层。它们早年做AOI设备、精密测量设备、整线视觉方案手里攒了大量工艺Know-how和客户关系这两年纷纷补AI能力把深度学习嵌进原有设备里。第四类是AI质检创业公司和算法出身的大厂工业线代表如阿丘科技、商汤和旷视的工业视觉团队等。它们以算法平台为核心竞争力模型迭代快、AI基因强但在硬件供应链、现场工程化、客户信任积累上相对薄弱最容易被“技术很强但落不了地”的评价困扰。玩家类型核心优势明显短板典型活法国际视觉大厂硬件算法一体、生态完整价格高、本地化响应慢卖标准品国产硬件平台性价比、交付速度、渠道算法纵深相对有限硬件AI入口传统视觉集成商客户关系深、懂产线工艺算法团队积累需要补课设备和整线方案AI创业/算法大厂算法迭代快、AI人才多硬件能力弱、交付成本高项目制平台授权3.2 三种打法的本质卖硬件、卖设备、卖服务不管玩家自称什么定位落到商业模式上只有三种卖硬件、卖设备、卖服务。卖硬件的公司SKU少、标准化高、边际成本低做到一定规模后毛利非常可观。视觉行业的利润之王基本都是这条路线一台相机和一套软件打包卖出去后续只需要有限支持不需要每个客户都派一群人驻场。卖设备的公司把AI算法嵌进检测设备里客户买的是“一台能检测的机器”而不是“一套算法”。这种模式客户更容易理解和买单因为设备资产概念清晰验收路径明确。国内不少上市公司的主力生意都在这一层缺点是设备有物料成本和售后压力毛利不如纯软件好看。卖服务的公司做的是整线视觉方案、算法定制、驻场实施。这类公司营收能做得很大因为每个项目都是大额订单但毛利会被定制开发、长周期交付和高昂差旅成本一点点吃干净。太多AI创业公司卡在“营收一个亿、利润为负”的状态本质就是被锁死在了卖服务这个模式里。吃肉的是卖硬件和卖标品设备的喝汤的是部分集成商很多项目制AI公司在陪跑。3.3 四大场景的势力地图3C、锂电、光伏、汽车竞争格局在不同行业里表现很不一样分开看才有意义。3C电子是传统基本盘市场规模最大也是最成熟的红海。这个领域的检测工位多、缺陷类型杂过去被国际设备和本土AOI厂商占据AI化替代正在进行但客户对节拍和稳定性要求极高新玩家切入难度不小。锂电是2023年增速最快的增量场景。极片缺陷、隔膜瑕疵、外观鼓包等环节大量导入AI判图头部电池厂商基本在批量复制AI质检方案。由于扩产节奏快国产方案的响应速度优势明显这一场景国产品牌渗透率快速提升。光伏是AI质检渗透率相当高的领域尤其是EL电致发光检测环节几乎成了AI算法的标配。组件隐裂、电池片缺陷在EL图像里特征明显数据积累多了之后模型迭代速度很快。这个场景竞争更偏向算法能力和现场服务价格战已经出现。汽车行业则比较特殊。整车外观检测、涂装缺陷、零部件装配质量等需求很大但非标程度高很难用一套通用产品覆盖。项目制特征明显玩家分散尚未跑出绝对头部。半导体等高端场景则以外资设备为主国产AI方案更多在后道封测环节试探前道高端检测的门槛依然很高。4. 国产替代加速背后还有三块没啃下来的骨头4.1 2023年国产加速的三个实际原因国产AI质检方案在2023年的崛起不是偶然背后有三个很实际的原因。第一是算法基础设施的门槛在降低。开源框架、预训练模型、成熟的标注工具链让后来者不需要从零造轮子。以前只有大厂养得起算法团队现在几家创业公司也能训练出可用模型人才流动更把技术差距进一步拉平。第二是工业相机等硬件国产化水平在提升。国产相机在分辨率、帧率、稳定性上和国际品牌的差距逐年缩小而价格可能只有一半不到。硬件成本降下来整套AI质检方案的报价就有了竞争力客户接受度也随之提高。第三是响应速度和服务深度。国产厂商能给客户提供“打样三天、驻场一个月、随叫随到”的服务国际大厂很难做到这种贴身程度。制造业客户在方案差距不大时天然倾向于选择沟通成本低、出问题能立刻到现场的一方。4.2 剩下没啃动的高地传感、光学、底层生态但这不等于国产已经全面赢下这一局。2023年我观察到的真实状态是算法层的差距已经很接近越往底层走差距越明显。首先是高端工业相机里的核心图像传感器。这个环节长期依赖境外供应商国产传感器在工业级高帧率、低噪声、宽动态范围这些指标上仍有代差。传感器决定了图像信息的起点直接影响检测精度上限。其次是高端光学镜头和特种光源。高倍率远心镜头、特定波段的激光光源、光谱成像相机这些细分产品国产都有但在高端型号的良率、一致性和寿命上与国际顶级品牌仍有距离。很多高精度检测场景客户在采购合同里会指定进口镜头国产镜头的替代之路还很长。第三个是底层软件生态。工业相机SDK的稳定性、兼容性视觉算法平台与各种硬件之间的适配这些看不见但每天都要用的基础设施依然是外资常年积累形成的优势壁垒。国产厂商在应用层已经很强但底层生态的替代往往比单一硬件替换要慢得多。4.3 比技术更重的暗礁失败责任和验证周期技术以外的暗礁往往比技术本身更让新玩家头疼。产线质检出错是有代价的漏检了坏品流到下游客户甲方要赔钱交期误检了良品产线停线同样损失巨大。一旦出问题客户第一反应是找质检系统供应商问责。AI模型又是黑盒客户天然会怀疑算法不像规则系统那样容易解释。这种信任问题导致供应商在项目初期必须给出大量“过度承诺”和免费迭代成本相当高。验证周期更是硬门槛。很多制造业客户对AI质检抱着“试试看”心态真正决策前要经历工艺确认、样件测试、小批量试用、并行运行对比一轮下来三四个月起步半年也正常。对于现金流紧张的小团队来说这种漫长周期本身就是生存压力。2023年不少AI质检公司消失不是死于技术而是死于验证期太长、钱烧完了。5. 高毛利的“醉人账本”项目越多净利润反而越薄5.1 看似漂亮的毛利是怎么被项目制一点点吃掉的只看单个AI质检项目的报价很多外行会觉得这是一门好生意一个模型加一套软件报价几十万毛利好像很可观。真把账算到净利润情况完全不同。项目制交付意味着每个客户的需求都有差异。接口标准不同、数据格式不同、缺陷类型不同、产线环境不同每一点差异都对应开发工时。售前阶段要打样打样往往不收钱但烧人力交付阶段要驻场调试差旅和人工成本每天都在累积验收后还有质保期客户报障随时要响应。把这些全部摊进去一个项目的真实成本远高于对外报价时的直接成本估值。大多数AI质检公司的毛利看起来在40%到60%之间但扣掉销售费用、研发费用、售后费用和坏账计提之后净利率能到5%就算不错亏损的反而占多数。这不是某一家的问题而是行业结构性的现实。5.2 人效天花板工程师数量就是营收天花板AI质检是一个高度依赖人的行业而人效是有天花板的。一个视觉算法工程师一年深度参与的项目数量有限前期算法训练、中期现场调试、后期模型迭代每一个环节都需要人。一个交付工程师同时跟三个项目就已经非常吃力公司想做更多营收就要招更多人但人一多管理成本、沟通成本、差旅成本同步上涨利润很快被稀释。这就是“项目越多、净利润越薄”的典型逻辑。这一点和互联网软件公司形成鲜明对比。互联网产品可以一套代码服务几百万用户边际成本趋近于零AI质检项目每个场景都在复制“数据采集模型训练驻场部署”的流程边际成本下降很慢。所以行业里真正能做大的公司无一不在追求减少对人的依赖。5.3 客户算账逻辑质检永远是个“成本项”还有一个残酷的预算事实在绝大多数制造业公司里质检部门的预算属于“成本项”而不是“效率项”或“收入项”。成本项的宿命就是被压缩。客户不会因为你用了AI就多给你预算只会对比“用AI一年省了多少人工、减少多少客诉”如果算不过来账项目就会被砍。这就要求供应商在报价时必须理解客户的财务逻辑一台AI质检设备要实现多少年回本客户才愿意掏钱。按常见的制造企业算账方式三年能回本的项目比较容易推进五年以上基本推不动。这也能解释为什么AI质检在锂电、光伏这种高价值产品行业渗透快因为产品单价高、缺陷损失大一套数十万的检测系统相对总产线投资占比很小。而在低附加值产品行业AI质检的账很难算平市场迟迟做不起来。5.4 产品化突围能复制才有规模能规模才有利润2023年活得相对舒服的公司共同特征是找到了某种“产品化”的路径。一种做法是聚焦单一高价值场景把AI算法冻结成标准软件模块。比如只做锂电极片缺陷检测把模型、界面、接口都打磨到“新客户只需要三天适配就能用”这样交付效率大幅提升人效也就跟着上去了。另一种做法是与设备商和整机厂绑定把自己的算法作为嵌入式软件授权给对方而不是亲自做总集成商。这种模式让AI公司从“承担整个项目的成败”变成“只对软件模块负责”责任边界清晰成本结构也更健康。还有一条路是把数据变成壁垒。在某个细分行业积累大量缺陷样本后新客户只需要用很少的数据做迁移学习就能获得可用模型交付速度和处理效果的差距会越来越大。数据积累不是一朝一夕的事却是这个行业最深的护城河之一。6. 站在2023年底做选型与入场甲方问什么从业者补什么6.1 甲方选型先打样再谈算法最后签验收口径如果你是要采购AI质检方案的制造企业我建议按这个顺序来不要反过来。第一步是看成像方案。让供应商拿你的真实坏品、真实产线工况去搭建打光环境看图像效果。缺陷和背景的对比度是否清晰反光是否干扰判断这些在方案阶段就能看出端倪。成像过不了关后面所有算法承诺都要打问号。第二步才是看算法能力。让供应商用你的真实数据集跑一轮模型看漏检率、误检率分别是什么水平而不是看对方PPT里的指标。最好能让对方标注出误检的主要类型分析是成像问题、样本不足还是模型结构问题。第三步是锁定验收口径。合同里必须写清楚产线节拍、漏检率、误检率、连续运行稳定性、模型更新机制这几个关键参数还要约定好故障责任边界。很多项目扯皮都是因为在验收标准上留了模糊空间。评估维度关键问题验证方式成像方案缺陷和背景对比度够不够产线振动、反光是否影响用真实工件和产线工况打样算法能力漏检率和误检率分别是多少误检主要是什么类型用客户真实数据集测试模型交付能力团队有没有同类场景落地经验驻场多久要求提供案例并实地参观持续服务模型怎么迭代新增缺陷样本谁标注更新周期写进合同服务条款6.2 从业者方向能蹲产线的人比会刷榜的人值钱如果你是想进入这个行业的工程师或技术管理者我有一条很直接的建议多下产线多啃工艺比单纯在实验室刷模型指标值钱得多。AI工业质检跟自动驾驶、互联网推荐不一样它的每个项目都牵涉大量现场因素材料批次差异、温湿度变化、设备振动、油污灰尘、操作习惯。同一个算法模型在实验室表现再好到了产线也可能一塌糊涂。真正稀缺的是那种能看懂工艺、能跟产线班长聊明白缺陷成因、能根据现场反馈调整方案的人。光学和成像方向同样大有可为。市场上算法工程师很多但能把光源、镜头、相机选型讲清楚、能设计稳定成像方案的人极少。在项目交付中一个资深光学工程师往往能顶三四个算法工程师。如果你还在选方向这个点值得重点考虑。另外要提醒一点不要太迷信“一个通用模型解决所有质量问题”。工业缺陷的分布是长尾的常见缺陷几十种、罕见缺陷几百种而且不同工厂、不同批次、不同工艺之间差异巨大。能够快速适应具体场景的人才永远是行业最稀缺的。6.3 留给2024的三个变量整合、前道、边缘部署基于2023年的观察我觉得接下来一年AI工业质检有三个值得关注的变量。第一个是行业整合。2023年全年有大量同质化AI质检公司出现产品和服务高度雷同市场逐渐进入价格战。缺乏场景数据沉淀和交付能力的团队大概率会在接下来一年被并购或淘汰。具备“数据积累场景理解交付能力”的团队反而会更有价值。第二个是检测位置的前移。很多企业在AI质检成熟后不满足于“检出来”还想知道“为什么会检出来”。把检测结果反馈到工艺参数调整甚至反过来控制产线设备这是从“质量检测”走向“质量过程控制”的升级也是AI质检价值倍增的方向。第三个是边缘算力的普及。随着低成本工业级AI芯片和轻量化模型的成熟很多原来需要服务器推理的场景开始变成一台嵌入式“质检盒子”就地处理。部署成本下降会推动中小制造企业更快采用AI质检这也是市场进一步放量的关键变量。如果你已经在行业内我给的建议是盯住细分场景把交付效率打磨到极致不要贪多嚼不烂。AI工业质检这个行业真正属于长期主义者的机会藏在产线的灰尘里不在PPT的光芒里。
