AI 视觉在工厂里，最早做缺陷检测，后来能做装配检查，现在又能做 SOP 监控；再加上扫码、定位这些常规任务——如果都能做，是不是就能覆盖整个工厂的视觉？10 月 27 日，我在 VisionChina 深圳展研讨会上的演讲就围绕这个问题展开。这篇文章把演讲整理成文，补上现场来不及展开的算账过程与项目素材。

我的回答是：能，但要三个条件同时成立——视觉大模型做到少样本、强泛化；视觉智能体做到通用、易用、快速交付；部署方式是边缘部署，一拖多、非常多，创造性价比。缺了哪一条，整厂视觉要么做不起来，要么铺不开。还有一块现在没做好——成像，放在文末讲。

演讲 01演讲数字人播报版，11 分 14 秒，片尾为主持人点评。讲稿依据现场演讲整理精修，去掉重复与口头语，数据与案例不变；配音以崔忠伟本人录音为音色参考合成，并非现场逐字原声。

现场 01演讲现场，2026 年 10 月 27 日，大屏上为本次演讲首页。

问题

整厂视觉，到底要看什么

一座工厂里的视觉任务大致三类：检查产品缺陷、核对装配状态、监控作业过程是否符合 SOP；另有扫码、定位这类常规任务。过去它们往往分属不同设备、不同供应商：外观检测一套，装配防错一套，SOP 监控再一套；换一个 SKU，就要重新收样本、重新调程序。

示意 01工厂视觉任务：同一条线上，缺陷检测、装配检查与 SOP 监控分布在不同工位。演讲第 2 页。

要用一套东西覆盖它们，技术路径得同时回答两件事：一是好不好用——一个模型能否通吃三类任务，换型时是否还要从头收样本；二是贵不贵——能否便宜到整厂铺开，而不是只做一两个试点。下面的内容，都是在回答这两件事。

产品形态

两种形态：边缘智能体与本地智能体

视觉智能体有两种产品形态，大部分能力相同，区别在集成方式。

设备 01两种产品形态。左：边缘智能体，产线旁集中部署、工业网络接入；右：本地智能体，设备内集成、内置 PLC。演讲第 3 页。

整厂覆盖主要靠边缘智能体，下文都以它为主。

边缘部署

为什么是边缘：既不在端侧，也不在云侧

卷积时代，模型靠大量样本训练，训练往往依赖云侧或专门的训练服务器。视觉大模型是预训练的，到现场只需少量样本微调，训练在边缘就能完成——推理和训练合在同一台设备上，即推训一体。这是边缘部署成立的第一个前提。

第二个前提是网络。边缘与端之间用的就是传统工业以太网：相机图像直接送进智能体，处理结果再送回端上的看板、PLC 和报警灯。铜缆以太网单段最长 100 米，更远就在中间加光纤，所以生产线不管多长，纵向跨工位、横向跨产线都能接进同一台。

示意 02边缘部署：一台推训一体的边缘设备上连 MES／SCADA，下连多条产线的工位。图中产线与工位数量为示意，设备台数按分辨率、采样频率、并发任务与延迟核定。演讲第 4 页。

往上，边缘连 MES 或 SCADA：MES 下发配方，告诉它当前是哪个 SKU、哪个机种，它就完成切换。往下，每个工位至少一台相机取图；有工人的工位配一块看板，提示哪一步做错、提醒重做；需要分流或剔除的工位，再加 PLC 与执行机构。这些就是端侧资源。

端侧一拖一的两种极端

为什么不把算力放在端上？一拖一时只会出现两种极端：只接一台相机，算力用不完；接到十台相机，又带不动。GPU 目前仍是贵资源，按峰值给每个工位单配一份，大部分时间在闲置。

端侧一拖一

• 每个工位一份算力，按峰值配置
• 相机少时闲置，相机多时带不动
• 维护对象随工位数线性增加

边缘一拖多

• 一台推训一体设备，各工位共享算力
• 任务错峰执行，按总吞吐核定接入路数
• 配方、模型、备份集中管理

示意 03逐站预留与错峰共用：A、B、C 三站的计算任务在同一时间轴上错开执行，合并后少了各站为峰值单独预留的闲置窗口。概念示例，不代表实际容量或实测耗时。

示意 04平台与共性能力的投入 F 由 N 个工位分摊。不表示各工位的现场工程成本也按 F/N 下降。

能拖多少，要算吞吐账

“一拖多”能拖多少，不是口号，而是按图像尺寸、推理吞吐和节拍算出来的。以餐盘项目为例（完整推导见 《一拖多、非常多》）：识别输入为 700×700 切片，设备推理吞吐按 200 张/秒计，现场 20 秒一个采集周期；每台 4K 线阵相机每周期折合一帧 4096×4096，按 700 切片横竖各切 6 刀，共 36 张。

4000 张每周期推理预算：200 张/秒 × 20 秒

2880 张80 台相机每周期实耗：80 × 36，占预算 72%

22 条线单台上限：⌊4000 / 36⌋ = 111 路相机，按每线 5 台取整

现场停在 16 条线，留出 28% 的余量给补拍复核、新品试跑和后续加线。东西再好，太贵也只能做试点、铺不开；从性价比看，边缘部署最合适——一拖多、非常多，创造性价比。

通用

通用：一个基础模型，管缺陷、装配和 SOP

视觉智能体的核心是视觉检测大模型——基于 Transformer 的基础模型，而不是卷积网络。差别首先落在样本上。

卷积模型需要大量样本：一个工位往往要收集上千张。一拖多之后，工位成倍增加，SKU 还有十几个、二十多个——粗算一下，20 个工位、每个工位 20 个 SKU、每组上千张，就是 40 万张量级的采集与标注，部署非常困难，成本也非常高。预训练的基础模型针对具体 SKU，每个缺陷或目标只要 1–5 张样本。

示意 05CNN 小模型与视觉检测基础模型：前者每个场景一个专用模型、依赖大量标注数据；后者以少样本跨领域泛化。演讲第 5 页。

它不是为某个领域专门训练的：缺陷检测可以，装配检查——俗称的错漏反——可以，SOP 也可以。模型只有一种输出形式，就是像素级语义分割，没有方框检测之类的分支。原因是像素分割最通用：缺陷是一片区域，零件是一块轮廓，工人的手和工具也是轮廓，都能用同一种表达，再交给事件和状态机去判断。

还要分清一点。用大模型生成缺陷图片给卷积小模型补样本，或用大语言模型给设备做交互界面，都在检测流程之外，是辅助。这里说的大模型在检测流程之内，直接出判定；它需要的样本本来就少，也用不着生成数据来补。

易用

易用：拖拉拽编排，算子少而大

现场配置不写代码：从算子库把算子拖到画布，连上线，再为节点指定相机、模型和输出对象，一条工作流就搭好了。和过去的拖拉拽工具相比，有两点不同：一是界面做得干净；二是算子高度抽象、数量很少。

• 相机算子：一个模块连接市场上各品牌工业相机，我们叫它“大算子”。
• 预处理与语义分割：语义分割是唯一的模型算子，缺陷、零件、动作都在这里分割出来。
• 事件探测与状态机：把分割结果转成事件（如目标出现、消失、停留），再按工序顺序推进与判定。
• 对外接口：Modbus、TCP/IP、串口、HTTP、MQTT，结果交给 PLC、MES 或看板。

界面 01拖拉拽编排：拖入算子、连接流程，各工位独立配置任务；右侧为算子库与对外协议。演讲第 6 页。

界面 02“我的张量流”列表：同一平台上并列管理多条工作流，对应不同工位与任务。

缺陷检测、装配检查、SOP 监控用的是同一条算子链，差别只在模型类别、事件定义和状态机——这也是同一台智能体能并行跑三类任务的原因。