大讲堂
昆山PCB厂的报废板账单
2026年3月我蹲在昆山城北的PCB厂仓库门口那天，风里全是阻焊油墨的味道。 品控组长老周递过来半尺厚的报废单，指尖沾着的焊锡黑印蹭在纸页上，留了一道印子。三个月前厂里咬着牙花280万上了一套深度学习AOI检测系统，供应商投标文件里拍着胸脯写，比传统光学检测的误判率低75%，年节省不良损失超300万。 结果呢？ 实际跑了92天，误判率从原来传统设备的12%降到了8%。听着好像进步不小？算笔账就知道有多坑。一片12层PCB板的生产成本约120元，按每月12万片的产能算，误判率多6个百分点，每个月就要多报废7200片合格板，直接损失86.4万元。再加上复判这些误判板的人工成本，每个月要多掏12万。算下来，上了这套设备之后，厂里每个月的检测相关支出，比之前没上的时候还多掏38万。 老周骂得很难听。说供应商进场那天，带了个装在恒温箱里的演示样机，拍的全是提前在实验室里拍的、表面光滑得能照见人的样板板，到了真产线上，换了不同批次的覆铜板，表面反光度差了20个点，模型直接把正常的干膜划痕判定成线路断裂，把板直接打进报废堆。
谁在为算力成本买单
这不是个例。 我跑了珠三角17家上了工业深度学习系统的工厂，有11家的实际效果和投标文件里的预期差了六成以上。问题根本不是深度学习的技术不行，是整个招投标的评价逻辑从根上就歪了。现在几乎所有的智能制造项目评分表，80%的分值都看模型参数量、训练数据集规模、实验室环境下的检测精度，没有一项是考现场适配成本、驻场服务周期、不同生产批次下的模型稳定性。大家都在卷参数，没人愿意花时间蹲在产线上攒真实数据。 深圳有家做工业深度学习视觉的本土厂商，前两年也是这套玩法，拿开源的通用视觉模型微调两下就敢投标，去年给珠三角37家五金厂上了螺丝孔检测系统，结果19家厂因为车间光照差异、金属表面粗糙度不同，模型误判率超过10%，被客户追着要退款。后来他们干脆换了商业模式，不收一次性的设备购置费，改成按检测的合格板数量抽成，每检测一万片板收120块，前提是派驻场算法工程师在厂里待满三个月，把模型适配到车间的真实环境里。结果这19家厂的复购率到了89%，去年的营收比之前卖设备的模式高了30%。 算过一笔账就知道适配成本有多高。现在一块能跑工业级实时检测的边缘计算盒子，售价大概3.2万，比同算力的通用AI推理服务器便宜60%。但是要把模型从开源版本调到能适配产线的精度，需要约12万张带精准标签的现场产品照片，按当前3毛每张的标注市场价，仅数据标注成本就达3.6万元，比同算力的边缘推理盒子还贵一倍。
产线工人的技术选择权
很多人说深度学习来了，要替代一线的品控、运维，把人从重复劳动里解放出来。 实际在产线上走一圈就知道，被挤到边角的，从来不是那些真正懂生产的老工人。昆山那家PCB厂上了深度学习AOI之后，原来的18个品控裁到了12个，但是多招了一个刚毕业的计算机专业学生当模型调优岗，一个月开1万2的工资，比老周这个干了12年的品控组长工资还高2000。这个学生进车间三周了，还分不清阻焊层的反光和干膜划痕的区别，每次模型出了误判，老周要花两个小时给他讲，不同温度下的覆铜板表面会有什么变化，不同批次的油墨反光度差多少，他才能对着参数表调两下模型。 我之前见过有厂的老品控，把自己记了十年的不良品台账拿出来，帮算法团队调模型，把误判率从10%压到了2%，但是最后调模型的功劳全算在算法工程师头上，老品控连个奖金都没拿到。 说实话，我跑了十年产业现场，最烦那些站在发布会上说深度学习要颠覆制造业的专家。他们根本不知道车间的窗户夏天开了之后，光照会比冬天亮30%，不知道叉车开过带起来的灰尘会在镜头上蒙一层薄雾，不知道工厂的现金流每个月要付多少电费、多少工人工资，哪有闲钱给你的模型交学费。 现在卖工业深度学习设备的厂商日子也不好过。苏州有家做工业AI检测的厂商，去年的库存周转天数是187天，比2023年翻了一倍。原来卖50万一套的检测系统，现在18万就甩，还是没人接。工厂都算过账，算上适配成本、误判损失，上一套深度学习系统的成本，够招两个有十年经验的老品控干五年。算明白账的厂，早就开始用脚投票了。 那些在产线上干了十年的老品控，手里攥着最真实的现场数据——哪个批次的板容易出什么问题，车间哪个角落的光照会影响检测精度，模型在什么参数下会出什么样的误判——但是他们不会写代码，不会吹模型参数，话语权从来都不在自己手里。之前裁人的时候，先裁的是他们，现在调模型出问题了，擦屁股的还是他们。 等这波跟风上深度学习设备的工厂把账算明白，那些从来没进过车间的算法投标团队，明年的标书还能投给谁？作者|大讲堂
排版|大讲堂
审核|阿辰