❓什么是 AI 质量管理？
AI 质量管理（AI Quality Control）用电脑视觉与机器学习，在生产的当下判断质量，而不是等产品做完才判断。它可以被指向三个对象：产品本身、做出这个产品的制程，以及两者留下的记录。从市面上多数系统实际展示的内容来看，它们只看产品本身，而这个选择就决定了它们抓得到什么。
在产线上，一支螺丝刀滑了一下，在服务器机壳上留下一道刮痕。作业员没有发现。这台机器继续往下走，四个小时后，产线末端的检验人员看到这道痕，把机器拦下来，登记为外观不良，送去重工。每个人都把自己的工作做对了。
机器一旦离开产线，没有人还原得了的是：经手这个机壳的四位作业员里，是谁刮的、在哪一个工站、用哪一把工具，或者这件事这个月已经发生过 30 次，而你只看到检验人员拦得下来的那几次。
不良被抓到了。原因没有。
这个落差是有价格的。2024 年，汽车产业的保固成本达到 全球约 580 亿美元，约占产业营收的 2.2%，在部分整车厂已经超过营收的 4%，和一整年的研发预算并列。但在同一份调查里，只有 18% 的受访者说自己的公司在生产现场用 AI 或机器学习预测质量问题。（McKinsey，2026 年 6 月）这些不良是先到你客户手上、才回到你这里的，帐单会在几季之后落到你的预算上。
📖 本文将带你看：
- AI 质量管理可以运作的三个层次，各自抓得到什么
- 为什么产线末端检验抓得到不良，却抓不到原因
- 自动光学检测（Automated Optical Inspection, AOI）、传统机器视觉与看人的 AI 视觉，一张表比较清楚
- AI 质量管理最先回本的三个地方
- 一条半导体光罩盒产线 改了什么，又动了哪些数字
AI 质量管理在工厂里的样子，不是 demo 里的样子
在供应商的 demo 里，你看到的通常只有一件事：一个模型在表面上找出一道刮痕。这个 demo 做得不错。不过，它只是三层里的一层，而你买下 demo，拿到的就是那一层。
生产数据分析的三个层次。
第一层：检查产品，每个 demo 都是为了展示这一层而做的
在产线末端，或是产线中途的专用检验工站，自动光学检测、机器视觉与表面瑕疵模型判断的是实体产出：刮伤、凹痕、色差、缺件、尺寸偏差、印刷质量。摄影机固定、打光可控，触发条件是一个产品进到画面里。这一层已经成熟，也确实好用。
它给你的是一件成品的 OK 或 NG。它给不了你的，是这件成品怎么变成这样的任何交代。
第二层：验证制程，看的是作业而不是工件
回到工站本身，动作辨识看的是作业，而不是工件。从架上拿起来的是哪一把工具，是扭力起子，还是那把还停在上一个机种设定的。第 4 步有没有排在第 5 步前面。作业员站着等治具松开等了多久。工站上的第二个人有没有把自己那半段流程做完，还是产线一推就跟着走了。这里的触发条件是人的一个动作，不是画面里的一个产品。
它给你的是这台机器怎么被做出来的记录，而且是在机器还站在做它的人面前的时候。
第三层：分析记录，前两层本来就该汇流到这里
当第一层和第二层写进同一份以序号、工站、班次、作业员为索引的记录，质量工作的性质就变了。根因分析不再是一场重建工程。矫正措施带得出证据。失效模式与效应分析（Failure Mode and Effects Analysis, FMEA）填进去的，是有人看到的失效模式，而不是有人记得的失效模式。
它给你的是回答以前答不了的问题的能力，从每一场质量会议的第一个问题开始：这个反复出现的不良，到底是从哪一个工站进来的。
为什么产线末端检验抓得到不良，却抓不到原因
产线末端检验是一套侦测系统，而它运作的时间点，在唯一能便宜修正的那一刻之后。这不是在批评这个方法。这是在描述它站的位置允许它做到什么。
看一下这个位置的代价。产品已经组装完成，所以修正的意思是重工或报废，而不是调整一下。外壳已经锁上，所以任何内部工序现在都验不了。作业员已经在同样的条件下又做了 300 台上下，所以如果原因是一个习惯，这个习惯已经产出一整批了。而记录上只有一个 NG，看不到 NG 之前发生过什么，于是调查一开始，是你自己的工程师靠记忆和一份表格，重建三个星期前结束的那个班。
这些都不是检验人员的问题。把同一个人、同一双眼睛，放到看工站的屏幕前面，而不是看栈板，同一道刮痕会早四个小时被看到，那时候外壳还开着，作业员还站在机器前面。弱的不是方法。弱的是它在产线上的位置。
机器视觉问的是：这个产品有没有瑕疵？看人的 AI 视觉问的是：这位作业员的动作对不对？两个问题都值得回答。但只有第二个问题的答案，来得及改变第一个问题的答案。
AOI、机器视觉与看人的 AI 视觉：各自被设计来看什么
AOI、机器视觉与 AI 视觉的核心差异。
| AOI | 传统机器视觉 | 看作业动作的 AI 视觉 | |
| 检查什么 | 对照标准影像检查板子与组件 | 零件、尺寸、有无、位置 | 一个工站上人的动作顺序 |
| 由什么触发 | 产品进入固定的检验位置 | 产品进入视野范围 |
任何动作，全时段，画面里有没有产品都一样
|
| 产出什么 | OK 或 NG，加一张缺陷分布图 | OK 或 NG，加测量值 |
逐步骤、带时间的记录，加即时警示
|
| 在哪里失效 | 只看得到程式设定要检查的项目 | 规则式，对光线与变异敏感，看不见没见过的缺陷 |
需要明确的 SOP 与清楚的取像角度，不判断产品内部质量
|
| 最适合用在 | 设计稳定的大量电子产品 | 可重复的几何测量 |
人工、多样少量、多步骤的组装
|
供应商的型录通常不会放的，是最后两列。不过，这张表上每一栏都有边界，而真正花钱花错的地方不是选错栏位。是拿第三栏去解第一栏早就解掉的问题，或者反过来。
AI 质量管理最先回本的三个地方
下面三件事，都不需要完整的三层架构才开始回本。每一件都是独立的商业理由，而在多数工厂里，它们大致按这个顺序出现。
把码表量到的几分钟，换成全时段的数据
这个方法你很熟：一位工业工程师拿着码表和板夹，挑差不多随机的时段去挑工站，遇到谁就量谁。一个月下来，24 到 48 小时的工时，大概换得到 15 分钟可用的数据。那个月所有的改善决策，都靠这 15 分钟，而且是在有人刚好有空站在那里的日子收集的。
同一个工站放一台摄影机，你拿到的是每一台的组装周期，包括凌晨 2 点夜班做出来的那些。
手动秒表抽样与连续相机数据的对比。
把警示放在工站上，而不是把报表放在下班后
几秒内被抓到的异常是一次修正：工站看板从绿转黄，作业员在机器还夹在治具上的时候就把它修掉。同一个异常，下班后才抓到，就是一次调查。到产线末端才抓到，就是重工。技术上的差别是延迟。你实际感觉到的差别，是等到有人知道的时候，已经牵涉到几台。
撑得住一次客诉的追溯能力
当一张带着序号的客诉落到你桌上，只有一个问题重要：这台机器发生过什么事。参数记录回答得了一部分。组装过程本身的记录可以完整回答，几分钟之内，结论不是还制程清白，就是指出是哪一个工站。大家容易忘记的是前面那一半。一件最后查出来是运输损伤、而不是组装问题的客诉，是跟那个客户完全不同的一场对话，而这场对话讲得成的前提，是那台机器的组装过程有记录。
案例：一条半导体光罩盒产线
这家客户投入精密制造超过 25 年，产品涵盖光罩传载、晶圆传载与载板传载等关键零组件。他们的组装是人工的，而且密度很高。PowerArena 百威雷科技 AI 总监黄子魁在 Digitimes 报导 中描述过这个问题：「光罩盒这类『高价值、低产量』产品在组装与制程管理上面临严峻挑战…采用 Cell Production 模式的工站作业步骤繁琐易错，单一工人往往需负责 10 至 30 个组装步骤，任何一个关键环节出现疏漏，都可能导致后续制程良率大幅下降。」单元生产（Cell Production）指的是由一位作业员或一个小组在一台产品上完成很多步骤，而不是在很多台产品上重复同一个步骤。
- 问题。 新人没有经验可以依靠，资深作业员各有各的习惯，于是质量跟着班表在走。而且没有人有办法量化改善成效，因为量化需要的数据根本不存在。
- 做法。 PowerArena HOP 人因作业平台（Human Operation Platform）进到光罩盒组装工站：全时段录影、以自动测量取代码表工时研究的组装周期测量，以及针对错误步骤与异常停滞的即时警示。
- SOP 的功课。 零件摆放位置、工具位置、左右手分工都被明确定义下来。AI 模型需要这些。后来发现，流程本身也需要。
- 数字。 组装周期从 3.5 分钟缩短到 2.8 分钟，UPH（Units Per Hour，每小时产出）提升 19%，良率维持在 95%，直通率（First Pass Yield, FPY）达到 97.6%。
“以前异常靠经验判断，现在能用影像和数据快速指出瓶颈，让改进更有说服力。” — PowerArena客户的工业工程师。
他们的产线工业工程师讲得比结果表格更直接：「以前异常靠经验判断，现在能用影像和数据快速指出瓶颈，让改进更有说服力。」工程部主管补上的是在检讨会议上比较有用的那一句：「HOP 为我们提供了完整的影像数据支持，让改进不再依靠经验，而是基于事实。」
PowerArena 在这个领域的成果，曾获 2022 年 Frost & Sullivan 最佳实践奖（Best Practice Award）肯定。
导入检查表：第一台摄影机架上去之前，先谈定的六件事
- 指名那个工站。 挑人工步骤决定良率的那一个，而不是拉线最方便的那一个。拿着良率报表在产线上走一趟，多数现场它自己会浮出来。
- 把今天在那里验不了的事写下来，以及什么样的证据你才会接受。一页就好，用你们质量团队本来就在用的说法。
- 确认 SOP 精确到可以被比对：顺序、工具、左右手分工、什么叫做完成。如果两位资深作业员读完之后做法不一样，那就还不够精确。
- 决定警示发给谁，以及你期待那个人在接下来 30 秒做什么。指名到人，不是指到职务。
- 在任何东西安装之前先谈定基准值。 用旧方法量出来的组装周期、直通率与重工率，这样比较结果才撑得住上面的人追问。
- 在安装之前，先和人资与员工代表机构把数据处理谈定，不要等安装之后。这一件早点做很值得。带去谈的是取像角度和保存期限，不是简报。
📖 常见问题
什么是 AI 质量管理？
AI 质量管理是把电脑视觉与机器学习用在生产过程中的质量判断上。它在三个层次运作：检查产品、验证做出产品的制程，以及分析两者合起来的记录。
AI 质量管理和机器视觉差在哪里？
传统机器视觉是把写好的规则套用在一个位置受控的产品上，回答这个产品合不合格。以 AI 为基础的系统从例子里学，容得下变异，而且可以被指向人的动作，不只是产品。
AI 质量管理需要什么数据？
要做产品检查，需要标注过的良品与不良品影像。要做制程验证，需要明确的 SOP 和清楚的工站取像角度。两者都需要一份现况基准值，否则结果对会议室里的任何人都没有意义。
AI 质量管理多久回本？
看这个工站出问题的时候让你付出多少。一个人工步骤漏掉就会造成下游良率损失或客户端失效的产线，回本最快，因为每一次避免掉的损失都很大。
AI 质量管理会取代检验人员吗？
它改变的是他们一天花时间在什么事情上。持续性的检查交给系统，判断、根因分析和流程改善留给你的人。在前面那个光罩盒的案例里，工程师不再用手计时，转去处理流程本身。
接下来可以往哪里看
你会读到这里，多半是想厘清自己的质量问题落在哪一层。下面这几页，回答的是你接下来最可能问的第二个问题。
延伸阅读
- 机器视觉与 AI 视觉在制造检测上的差别。如果上面那张表讲清楚了差别，却还没讲清楚该买哪一个，这篇是那场比较的完整版。
- AI 视觉能不能强化 FMEA？ 第三层的实际样子：当失效模式来自观察而不是记忆，你的 FMEA 会变成什么样。
- 什么是 HOP：让工厂准备好导入 AI 的 6 个步骤。上面那张检查表再往前推一步，写给真的要排安装时程的人。
- 半导体制造里的良率与 AI。如果在你的制程里，一个漏掉的人工步骤赔掉的是下游良率，而不是一个外观不良，这篇值得读。
客户案例
- 某精密制造厂的光罩盒产线。上面那个案例的完整版，包含模型能训练之前必须先做完的 SOP 功课。
- 某前五大 EMS 的产线平衡案例。如果你真正的问题是产能分散在很多工站之间，而不是某一站的不良，这篇比较贴近。
案例背后的模组
Digital Station 是 HOP 里负责第二层和第三层的部分：记录工站上的作业、测量每一台的组装周期、在步骤错误时发出警示，并且留下你下一次客诉会用到的组装记录。在规画试点之前值得看一下，它会告诉你把一个工站数字化大概是什么规模。
如果想讨论从你们哪一个工站开始比较合适，欢迎带着良率报表来聊。
Table of Contents
