行业新闻

首先我还是介绍一下我们公司，我们是传统的制造企业，所以才会探讨这样的议题。我们在深圳、珠海以及赣州都有相应的生产基地，主要生产 PCB 板，也就是说所有电子产品都需要用到我们的产品。我们公司叫深联电路，也是 PCB 行业的头部企业。

当前AI行业的现状与迷茫

我们今天讲 AI 的方向。首先我想说明，现在 AI 的应用已经泛滥到让人迷茫的程度，当然也有一部分企业做得非常好，但我相信仍有不少企业处于迷茫中，这种迷茫不仅存在于 IT 部门，也存在于老板群体中。尤其是今年春节期间，一些事件的出现可能让大家更迷茫了，比如宇树、DeepSeek、《哪吒 2》相关的 AI 事件。如今 AI 大模型非常多，现在可能每家公司都有自己的大模型，只要是从事互联网行业或者一些传统的 IT 企业，基本都搭建了自己的大模型。从一些报告来看，AI 现在确实非常火，规模也很大，这些只是相关数据。但 AI 其实存在一些问题，现在处于弱人工智能时代，会出现错误，AI 每次回答问题的结果可能都不一样。比如我现在经常使用豆包或者 DeepSeek，日常用来问问问题、玩一玩还是可以的，个别问题有时也能给我们一些帮助，但如果想得到比较精准详细的答案，很多时候会发现无法直接采用，甚至会出现错误。

特别是今年过年期间 DeepSeek 出现之后，我和很多 IT 负责人交流过，他们在过年时都收到了老板的信息，甚至在大年三十那天就收到消息，说今年要把去年的预算、去年的规划全部与 AI 结合，以 AI 为基点重新制定，所以有些 CIO 在过年期间都忙得不可开交。

迷茫的两个方面：

1.担心跟不上时代。老板要求 CIO 全方位跟进 AI，这让他们时刻都处于担忧中。

2.认为 AI 只是幻想，什么都做不了，大家做 AI 只是跟风。这种现象在部分传统企业中可能更为突出，老板觉得规划 AI 项目只是跟风，甚至有些 AI 项目做完后没有任何结果。

对 AI 的本质认知

反过来讲，我们要认清 AI 是什么。其实 AI 只是一个工具，在如今的数字化进程中，它是一种新工具。我们不能把它当成无所不能的神，认为它的出现能解决所有问题，如果这样想，相关项目肯定无法实现，也无法创造相应的价值。

AI 的主要方向及理解的必要性

AI 大致分为几个方向：

1.机器学习。

2.计算机视觉。

3.自然语言处理。

4.知识与推理。

之所以讲这几个方向，是因为在开展 AI 项目时，我们需要对 AI 有深入了解。虽然传统企业对 AI 的了解相对较少，但必须从原理上有所认识，才能与实际需求相对应。

AI 工具的应用场景思考

我们要从上述几个方面全面思考 AI 这个工具能做什么。比如计算机视觉，可以应用于生产车间的质检，这在前些年的应用就相对成熟，我们的车间有很多质检项目，其他行业如焊接等也有很多相关项目，后面我会讲一个案例。

再比如自然语言处理能做什么，它可以帮助我们解析文档，这些文档不仅包含知识，还涉及下单、报价、工程设计等内容。所以我们要从每个维度考虑，AI 到底能与我们的业务如何匹配并发挥作用。

AI 与业务的融合及相关要求

第二个是如何与业务深度融合。大家可能觉得大模型很厉害，但如何与业务结合，我相信很多人都比较迷茫，这对 IT 人员的要求更高了，既要懂 AI，又要懂业务。AI 是一个新事物，有些人懂业务但不了解 AI，虽然豆包和 DeepSeek 出现后，大家使用 AI 的频率可能增加了，但以前国外的一些 AI 工具需要付费，使用范围较窄。所以，要实现融合，首先作为公司的 IT 人员，要亲自去了解 AI，并且要更深入地理解业务。

第三个是 AI 工具更依赖于对业务的深度理解。以前的传统系统，比如一个流程项目，大家很容易理解，也容易看到效果，对业务的要求没那么高。但现在的 AI 项目，大多需要提高效率和质量。以前的传统系统，比如 ERP 系统，只要从线下转移到线上，大家可能就接受了，但现在的 AI 项目如果只是这样，显然老板不会认同。所以，若想实现目标，不深入理解业务是做不到的。

AI 项目的实施策略

对我来说，我建议 AI 项目从具体的点开始实施。刚才我和赣州的经理讨论过，他发消息说他们正在开会讨论 AI 项目的事情。我们认为找到第一个成功的项目非常重要，为什么呢？因为我最近和很多 CIO 交流时发现，有些公司做了知识库项目，做完之后却没人使用。

如果第一个 AI 项目老板觉得没有效果，那么对后续项目的信任度会更低。我刚才还跟他说，一定要找一个能真正提高业务效率的单一业务项目，做成之后再进行推广。当然，我们在视觉方面有很多成功案例，但在语言处理、逻辑推理方面，有些还在测试中，有些刚开始使用。

第二个是将成功的经验全面推广。比如视觉识别做得好，就可以推广到更多类似的视觉相关内容，如 AUI、AVI 等。

最后是进行矩阵式铺开，当然在规划时就要明确如何进行矩阵式推广。

AI 发展的基础与导向

同时，发展 AI 仍要以数字化为基础，不能因为有了 AI 就抛弃数字化，要符合数字化整体战略。所以我们要先把 AI 当成工具，虽然它是一种很特别的工具，与我们以前使用的工具都不同，需要重视，但也不能将其独立于数字化之外，与数字化割裂开来。

第二个是 AI 仍要以业务为基础，先梳理好业务，才能更好地实现 AI 的价值。我们之前讨论一个 AI 下单的项目时发现，AI 公司可能只知道帮忙识别，但识别出的数据能做什么，他们并不清楚，或者只了解一点。但实际上，如果我们对业务非常熟悉，不仅可以用这些数据实现自动化，还可以提取数据进行防呆。这一前提是我们对业务有深入理解，否则根本想不到这些。我发现有些项目拿到的数据只用到了很少一部分，没有充分利用起来。此外，AI 要以价值为导向，老板可能比较迷茫，但作为 IT 人员不能迷茫，要思考如何实现价值。

AI 项目的价值体现与投入产出考量

价值无非体现在成本、效率和品质上。现在 AI 项目立项很多，但成功的很少，为什么呢？因为我刚才提到，传统企业上 ERP、进行数字化时，可能简单地把线下流程搬到线上，有些公司就能接受，但现在提到 AI，大家都认为它能做很多智能化的事情，若无法实现成本降低、效率和品质提升，最终肯定不会被认可。所以我们要回归本源，也就是遵循第一性原理，明确生产的本源是什么。

此外，我们还要考虑投入产出比。对于传统制造业来说，比如一个项目投入服务器就要几百万，而计算出的收益却很小，那么这个方案虽然可行，但最终无法落地。我知道有些项目虽然能实现，但在向很多公司推广时，最终被老板否决了，就是因为投入产出比不够。所以我和很多公司交流时说，设计项目时首先要考虑成本，是用大模型还是小模型，有些项目可能小模型就足够了，实际上并没有那么复杂。

公司 AI 视觉识别案例分享

下面讲的是我们公司的案例 ——AI 视觉识别。

这是我们的 AI 视觉识别，包括 AOI、AVI 和独码场景，这是我们做的整体图示。首先，视觉识别的成本不是特别高，其模型不需要我们购买很多显卡；其次，引入公司后，前期肯定需要人工进行一些训练，针对不同客户的不同要求进行视觉训练，训练完成后会生成相应的模型。这个模型后续可以对 AOI 和 AVI 扫描出的缺陷进行自动判别。我们原来一个 AVI 岗位可能需要好几个人，现在通过这种识别方式，很多假缺陷可以自动过滤，当然不能过滤真缺陷。训练完成后就可以上线，后续如果客户有不同要求或者出现误差，就重新进行训练、修改和调整。

当然，我们也在自然语言方面开展报价、下单、知识库的处理工作，还计划对生产参数、虚拟量测、品质追溯进行相关规划。

在投入 AI 学习方面，我们对数据参数进行处理。比如一些参数，如果用人脑运算，几维参数可能就无法处理，涉及几个因子时，我们会通过大量数据采集，利用 AI 进行分析，甚至可以对几十个、几百个因子进行参数优化，同时进行量测。

这是 AI 视觉识别的具体案例。在 PCB 行业，质检存在一些痛点：PCB 板厂每天会产生几十万张有缺陷的图片，其中有大量假缺陷，需要大量人力进行复判；当前的 AOI 设备和 AVI 设备无法对缺陷进行准确分类，也无法追踪缺陷的源头；对复判人员的经验要求高，招工困难。当然，在现在这个时代，很少有员工愿意在生产线上坐一天，整天盯着看，有时如果心情不好，可能就会放过一些缺陷。所以，人员效率低下，投入成本也比较大。我们的 AI 通过对缺陷进行分类来判断不同等级，下面是一些缺陷的类别。

这是 AI 的作业流程：通过样本分类、样本标注、模型训练、评估、导入、模型配置，当 AOI 或者 AVI 将判断出的缺陷图片传给 AI 模型后，AI 模型会通过算法进行匹配，确定某种缺陷是真缺陷还是假缺陷。

当出现缺陷误判，比如漏判导致客户投诉，或者过滤率偏低时，我们会重新对 AI 模型进行人工训练，优化迭代模型。

以上就是我今天演讲的全部内容，谢谢大家！