智慧製造關鍵轉型：AI 如何改變瑕疵檢測（AOI）技術？

source

在工業 4.0 的浪潮下，自動光學檢測（AOI）曾是品管的守門員，但傳統技術常因過高的誤判率（Overkill）與繁瑣的規則設定令工程師頭痛。時至 2026 年，隨著 NVIDIA Cosmos 基礎模型、生成式合成數據與 3D 多模態視覺的落地，AI 瑕疵檢測已不再只是對比影像，而是具備「類人眼」的認知能力。

本文將解析當前最前瞻的技術進展，並評析領導廠商的解決方案，揭開智慧製造品質革命的新篇章。

生成式 AI 解決「數據不平衡」瓶頸

過去十年，AI 檢測最大的瓶頸在於「數據不平衡」。在精密製造中，優良品佔 99.9% 以上，導致 AI 模型難以接觸到稀有的瑕疵樣本。然而，最近幾年間，生成對抗網路（GAN）與擴散模型（Diffusion Models）的成熟徹底改寫了遊戲規則。

在一些產業實務案例中，透過生成式 AI（GAI）技術，系統能根據數張實體瑕疵照片，自動模擬生成數千種不同形狀、明暗度與環境背景下的虛擬瑕疵樣本。這種「合成數據（Synthetic Data）」技術不僅填補了樣本缺口，更讓模型的訓練時間縮短了 70%。

此外，數位孿生（Digital Twin）的導入，讓如德律（TRI）等檢測設備大廠能與 NVIDIA Omniverse 平台深度耦合（延伸閱讀）。工程師能在虛擬產線中模擬光源干擾、鏡頭畸變等極端物理環境，讓 AI 模型在實體設備開機前，就已完成針對各種邊界案例（Edge Cases）的演練。

基礎模型轉型：從「專才」進化為「通才」

AI 瑕疵檢測的另一項重大突破是基礎模型（Foundation Models）的普及。過去，針對電路板（PCB）訓練的模型無法用於檢測玻璃面板；如今，以視覺變換器（Vision Transformer, ViT）為基礎的通用模型改變了這一切。

延伸閱讀：AI物件辨識技術比一比：ViT vs YOLO

這些模型在數十億張工業影像上預訓練，具備對「材質特徵」與「結構邏輯」的通用理解。當應用於新產品線時，只需透過「少樣本學習（Few-shot Learning）」，模型就能在極短時間內識別新瑕疵。

最新 AI 檢測技術關鍵趨勢

1. 物理 AI（Physical AI）——賦予視覺深度與材質感知的靈魂

在 2026 年的檢測現場，「物理 AI」的崛起象徵著人工智慧從單純的像素分析，演進為對真實物理世界的深度理解。

傳統 2D 視覺檢測常困擾於「假性瑕疵」，例如金屬表面的油脂反光可能被誤判為刮痕，或粉塵遮蔽被視為孔洞。物理 AI 透過結合多模態傳感數據（如 3D 結構光、光譜資訊）與預訓練的物理基礎模型，使 AI 具備辨識材質屬性的能力。它能精準區分光學干擾與實體缺陷，理解物體表面的反光率（Reflectance）、透明度與幾何深度，確保檢測結果不再受環境光源變化的波動。

這種技術的領先代表作即是 NVIDIA 的 Cosmos 世界基礎模型。該模型不再只是標註影像中的線條，而是預測光線與特定材質接觸後的物理特徵。根據 NVIDIA 於 2026 年 3 月釋出的最新技術日誌（Developer Blog），Cosmos 2.5 系統已能透過具備『推理能力』的基礎模型，生成長達 30 秒的物理擬真影像，這讓檢測 AI 能在數位孿生環境中，提前模擬並學習極為罕見的物理瑕疵狀態，突破了過於依賴實體樣本的瓶頸。

source

在半導體或精密鏡片產業中，物理 AI 能識別出微米級的凹陷與附著異物之間的細微差異；它理解「深度」的物理意義，因此能過濾掉平面影像中常見的假警報，將誤判率（Overkill）降低至傳統 AI 的三分之一。這不僅提升了直通率（Yield Rate），更讓 AI 具備了類比經驗豐富老技師的「手感」與「眼力」。

2. 自適應邊緣學習（Adaptive Edge Learning）——產線上的自我進化系統

「自適應邊緣學習」技術的成熟，解決了工業 AI 長期以來「模型易過時」的痛點。過去，一旦產線更換物料供應商或微調製程參數，原本訓練好的 AI 模型準確度便會大幅下降，甚至需要停機由工程師重新收集數據並訓練。

目前一些領先的邊緣計算解決方案（如研華與 Cognex 的最新系統）導入了「持續學習（Continual Learning）」架構。AI 直接在產線旁的邊緣設備執行推論時，能同步擷取邊界案例進行增量訓練。這意味著系統能一邊檢測、一邊微調自身權重，實現「產線即訓練場」的動態閉環。

這類技術的核心在於自律型的參數調控，AI 能感測到製程中的微小漂移（Drift），例如刀具磨損導致的紋路改變，並在不需要人工干預的情況下，自動將這些變動納入「正常公差」的判別基準。對於多品種、小批量（High Mix Low Volume）的製造商而言，自適應邊緣學習大幅縮短了換線時間（Changeover Time）。

領先解決方案深度評析

目前全球市場已形成「光學大廠」與「算力平台」雙頭並進的局面。以 Keyence 與 Cognex 為首的廠商專注於「即插即用」的硬體集成；而以 NVIDIA 為核心的生態系則主攻「超高精度」與「複雜分析」。以下是目前全球與台灣市場中，最具代表性的技術領先解決方案：

1. 全球視覺技術領導者：Cognex & Keyence

這兩家公司在「易用性」與「光學技術」上擁有極高護城河，是目前多數電子與汽車業的首選。

• Cognex (康耐視) – ViDi EL 系列：

  • 技術特點： 專注於 Edge Learning (邊緣學習)。最新 2026 年方案強調「極簡化」，作業員僅需 5-10 張良品/不良品照片，即可在相機端完成即時訓練。

  • 領先處： 強大的工業級穩定性，並整合了強化的可解釋 AI (XAI) 功能，讓檢測過程不再是黑盒子。

• Keyence (基恩斯) – VS 系列 (內建 AI)：

  • 技術特點： 首創「自動縮放光學系統 (ZoomTrax)」，結合 2,500 萬像素的 AI 高速處理晶片。

  • 領先處： 將 AI 算法直接刻在硬體內。其 “One-Click AI” 能在單一影像中同時執行「規則判別」與「AI 學習」，解決了傳統 AOI 無法判別複雜背景瑕疵的問題。

2. 生態系與底層運算領航者：NVIDIA (Metropolis)

NVIDIA 不直接賣檢測機台，但幾乎所有領先的 AI AOI 解決方案都是基於其平台開發。

• 技術特點： 2026 年最新推出的 Metropolis Vision AI Agents 與 Cosmos 基礎模型。

• 領先處： 引入了 物理 AI (Physical AI) 與 數位孿生 (Omniverse)。廠商能在虛擬產線中模擬瑕疵，模型在實體設備運作前就已完成 90% 的訓練。此外，其 Jetson Thor 平台為邊緣端提供了如數據中心般的運算能力。

3. 工業電腦與系統整合龍頭：Advantech (研華科技)

作為台灣與全球工業電腦的龍頭，研華在 2026 年推出的解決方案主打「高階半導體」與「HBM (高頻寬記憶體)」製程。

• 技術特點： 推出 SKY-622G4 邊緣 AI 伺服器，搭載 NVIDIA Blackwell GPU。

• 領先處： 針對半導體封裝（如 HBM4 過程）提供超高頻寬、零瓶頸的數據處理能力。他們將 AI 與運動控制（Motion Control）深度耦合，讓檢測與自動修復（Auto-rework）無縫接軌。

4. 領域專家與垂直應用：Koh Young & Instrumental

• Koh Young (高領)： 3D AOI 的世界第一。其 “AI-driven 3D Measurement” 不只看平面影像，還測量銲錫體積與高度，是 SMT 產線的黃金標準。

• Instrumental： 頂尖的雲端 AI 平台。其技術特色在於 “Novel Issue Discovery”（新問題發現），即便你沒定義過某種瑕疵，它也能主動警示產線上的異常，這在新品開發階段（NPI）極具威力。

至於該如何衡量 AI AOI 的價值？請參考下表的比較：

AI AOI 的下一個十年

2026 年標誌著 AI 瑕疵檢測進入了「生成式與實體 AI」融合的新時代。領先的解決方案不再僅止於「發現瑕疵」，而是透過數位孿生與合成數據，在問題發生前就完成預測與模型訓練。對於製造業而言，選擇高度整合的 Keyence/Cognex 系統，還是具備高度擴展性的 NVIDIA 平台，將決定其在下一個智慧製造時代的競爭力。