2023年我跑了不少制造工厂，从3C电子的SMT贴片车间，到锂电隔膜的涂布产线，再到光伏组件的EL检测工位，最直观的感受是：质检工位上的年轻人越来越少，架着独立光源的相机工位越来越多。老板们的说法高度一致——不是想裁人，是真招不到愿意做目检的工人。与此同时，AI工业质检这个词在各种行业会、融资新闻和招标公告里刷足了存在感。一面是产线现场的硬需求，另一面是市场叙事的热场面，两头一交错，就成了2023年AI质检行业最真实的底色。

我不是来给你念第三方报告数字的，这篇东西更想站在项目一线和产业观察的角度，把2023年的真实盘子、玩家格局、盈利逻辑和选择经验梳理清楚。如果你正在收集这个赛道的资料、准备做技术选型，或者正考虑入场，希望这篇能帮你省掉不少翻资料和踩坑的时间。

1. 2023年市场规模：先别信单个“重磅数字”，要看统计口径

1.1 为什么同一个“市场规模”，不同报告能差出一倍多

我见过最夸张的情况是，两份机构报告对同一年中国AI工业质检市场的估算，差额超过一倍。你不必急着认为其中一份造假，更大概率是他们统计的边界根本不一样。

有人把工业相机、镜头、光源、控制器、图像采集卡全部算进去，一旦这样统计，整个盘子就有数百亿元量级，因为机器视觉硬件本身就是个大市场；有人只统计深度学习算法和质检软件，这个盘子就小得多，可能只够到几十亿元的水平；还有人把传统AOI（自动光学检测）设备、精密测量设备也算进来，取一个中间值。三种口径各有道理，但拿到桌面上容易让外行犯迷糊。我的习惯是，聊“AI工业质检规模”时，先问一句：你问的是纯软件算法，还是包括硬件，还是整条检测设备？问题答清楚，数字才有意义。

真正贴近从业者体感的，是“AI质检项目和服务”这个口径。它涵盖打光方案、算法模型、软件平台、现场实施、后期运维，虽然不如卖硬件那样标准化，却最接近一线公司真实的营收来源和成本压力。按这个口径看，2023年的市场规模大致是百亿元上下，比起前两年有明显增长，但距离“爆发”还有距离。

1.2 增长动力不是“AI需不需要”，而是“人还能不能招到”

这一年行业增长的直接推手，不是所谓“智能制造大势”，而是最朴素的人力问题。目检这种工作，长期盯着外观缺陷，眼睛疲劳度高，收入水平又有限，愿意干的人越来越少。制造业聚集的地区，熟练目检工的薪资一路上涨，依然面临流失率高的困境。

一个3C组装车间，一条产线可能需要几十个目检员，三班倒下来人数只会更多。与之对比，一套视觉检测工位加上AI算法，可以替换掉相当一部分重复性目检任务。老板们真正算的账不是“AI有多先进”，而是“这条线少几个人、漏检率能不能保持稳定”。只要人力账算得过来，AI质检的采购就从“试试看”变成“必须上”。

另一股增长动力来自新能源制造。锂电、光伏这两个细分，2023年扩产依然凶猛，而这两个行业的产品表面缺陷直接关系安全和效率，传统视觉规则很难覆盖复杂纹理缺陷，AI算法几乎是刚需。不少锂电厂商已经把AI质检写进新产线的标配，这也带动了整体市场规模往上走。

1.3 招标热、落地慢、回款分化：行业的真实体感

如果你只看新闻标题，会觉得AI工业质检在2023年已经全面开花。真到项目一线，体感要冷静得多。

招标和询价确实多，但很多订单是“试水单”：客户先买一条线或一个工位的方案，跑通三个月才考虑复制。项目落地周期普遍被低估，打样、验证、上线、调优半年时间非常常见。回款情况更是分化，头部客户按合同付款还算顺利，部分中小制造企业拖账、压款时有发生。结果就是许多公司报表上的营收好看，现金流却紧绷。理解2023年AI工业质检行业，不能只看市场规模数字，更要看这些数字背后的水分和节奏。

2. AI质检落地的技术底色：从规则写死到特征学习，以及两扇绕不开的门

2.1 传统视觉看规则，AI质检看特征：区别到底在哪里

很多非技术背景的人以为AI质检只是“更聪明的视觉检测”，其实底层逻辑变了。

传统机器视觉的思路是把检测规则写死：某个区域像素亮度超过阈值就算缺陷，边缘长度大于多少算划伤，颜色偏离标定范围算色差。这套方法在背景干净、缺陷形态固定的场景很有效，比如药瓶盖有无、印刷字符缺不缺。但一到复杂纹理、随机反光、缺陷形态千奇百怪的场景，规则就写不完了。可能今天定义50条规则，明天换个批次材料，规则又要推倒一批。

AI质检的思路是让模型从大量样本里自己学习“好品长什么样、坏品长什么样”。它不需要人为枚举缺陷特征，只要数据够、标注对，模型能捕捉到人眼和规则都说不清的模式。区别打个比方：传统视觉像照着说明书找茬，AI像老质检员看久了产品扫一眼就觉得“不对”，但又说不出具体哪条错了。

2.2 漏检与误检的跷跷板：AI并没有魔力，只是更稳定

搞AI质检的人都知道，一个模型上线前最难的平衡是漏检率和误检率。漏检是指坏品混过去，误检（也叫误杀）是说好品被当成坏品踢掉。

把检测阈值调严，坏品不容易跑掉，但好品误杀的数量会暴涨；把阈值调松，误杀少了，漏检风险又上来了。AI模型本质上也是在漏检和误检之间找一个可接受的操作点，并没有打破这个跷跷板。它真正强的地方是稳定性：人工目检到了后半夜注意力下降，检出率容易波动，机器和模型不会犯困、不会闹情绪。产线老板要的往往不是“检出率世界第一”，而是“至少不比熟练工差，且全天候稳定”。

这给项目验收提了一个很现实的要求：谈指标时必须同时锁定漏检率和误检率，不是单看一个数。我见过不少项目合同只写了漏检率，结果模型运行后发现误检率高得离谱，产线天天停机挑好品，业务直接崩溃。

2.3 数据闭环才是最大工程量：标注、仿真、迭代

AI质检项目的真实工作量，常常和外人想的相反。算法调参只占一小部分，大头在数据。

首先是数据采集。现场产线环境复杂，缺陷样本往往稀疏，某些缺陷一个月也出不了几个。这就逼着团队做缺陷仿真、图像增强、迁移学习，想办法把少量样本用出更多价值。其次是标注。外表缺陷不是分类任务那么简单，常常需要像素级标注，把缺陷边界、类别、等级都标出来。一个熟练标注员一天能标多少张？效率不高，成本却不低。

模型上线不是结束，是迭代的开始。新材料、新工艺、新夹具都可能让模型误判，没有持续的数据反馈和模型更新机制，AI质检系统会随着产线变化逐渐“失灵”。这也是为什么很多采购方在合同里要包含模型迭代服务，本质上买的不只是软件，而是一套持续的数据闭环能力。

2.4 光源与相机，算法团队最容易被反杀的两道门槛

这是我最想提醒新入场者的一件事：AI质检项目里，算法决定上限，成像决定下限，而大部分“算法解决不了”的问题，根源是成像方案出了问题。

光源、镜头、相机选型直接影响图像质量。一个打光方案如果能将缺陷和背景的对比度拉开，后续算法可以非常简单地完成任务；反过来，如果打光方案不行，图像里目标模糊、反光严重，再强的深度学习模型也很难救。很多项目刚开始跑样时很顺，批量上线就崩，原因是样品是在实验室理想光线下拍的，产线上的反光、飞边、油污、震动根本没在前期打样中暴露。

所以我在评估一个AI质检项目时，第一件事不是看模型指标，而是看成像方案和现场工况。团队里如果没有懂光学的人，大概率会在项目后期被各种图像问题反复折磨。这个坑几乎是所有新入场团队都会踩的。

3. 竞争格局的四类玩家与三种打法：谁在吃肉、谁在喝汤、谁在陪跑

3.1 四类玩家，四种活法

2023年的AI工业质检玩家，基本可以分成四类，每一类的资源禀赋和打法差异很大。

第一类是国际视觉大厂，代表性的是康耐视、基恩士这类公司。它们从硬件到算法都是完整闭环，产品可靠性和国际客户认可度极高，但价格贵、定制响应慢，国内中小客户往往承受不起。

第二类是国产硬件平台，海康机器人、华睿科技这些是典型。它们从相机、控制器、读码器这些硬件起家，逐步把AI软件整合进自家平台，性价比高、交付速度快、渠道铺得广。它们不一定是算法最强的，但一定是最懂怎么把产品稳定卖出去的。

第三类是传统机器视觉集成商，凌云光、天准、矩子科技等一批上市公司和区域性集成商都在这一层。它们早年做AOI设备、精密测量设备、整线视觉方案，手里攒了大量工艺Know-how和客户关系，这两年纷纷补AI能力，把深度学习嵌进原有设备里。

第四类是AI质检创业公司和算法出身的大厂工业线，代表如阿丘科技、商汤和旷视的工业视觉团队等。它们以算法平台为核心竞争力，模型迭代快、AI基因强，但在硬件供应链、现场工程化、客户信任积累上相对薄弱，最容易被“技术很强但落不了地”的评价困扰。

3.2 三种打法的本质：卖硬件、卖设备、卖服务

不管玩家自称什么定位，落到商业模式上只有三种：卖硬件、卖设备、卖服务。

卖硬件的公司，SKU少、标准化高、边际成本低，做到一定规模后毛利非常可观。视觉行业的利润之王基本都是这条路线，一台相机和一套软件打包卖出去，后续只需要有限支持，不需要每个客户都派一群人驻场。

卖设备的公司，把AI算法嵌进检测设备里，客户买的是“一台能检测的机器”，而不是“一套算法”。这种模式客户更容易理解和买单，因为设备资产概念清晰，验收路径明确。国内不少上市公司的主力生意都在这一层，缺点是设备有物料成本和售后压力，毛利不如纯软件好看。

卖服务的公司，做的是整线视觉方案、算法定制、驻场实施。这类公司营收能做得很大，因为每个项目都是大额订单，但毛利会被定制开发、长周期交付和高昂差旅成本一点点吃干净。太多AI创业公司卡在“营收一个亿、利润为负”的状态，本质就是被锁死在了卖服务这个模式里。吃肉的是卖硬件和卖标品设备的，喝汤的是部分集成商，很多项目制AI公司在陪跑。

3.3 四大场景的势力地图：3C、锂电、光伏、汽车

竞争格局在不同行业里表现很不一样，分开看才有意义。

3C电子是传统基本盘，市场规模最大，也是最成熟的红海。这个领域的检测工位多、缺陷类型杂，过去被国际设备和本土AOI厂商占据，AI化替代正在进行，但客户对节拍和稳定性要求极高，新玩家切入难度不小。

锂电是2023年增速最快的增量场景。极片缺陷、隔膜瑕疵、外观鼓包等环节大量导入AI判图，头部电池厂商基本在批量复制AI质检方案。由于扩产节奏快，国产方案的响应速度优势明显，这一场景国产品牌渗透率快速提升。

光伏是AI质检渗透率相当高的领域，尤其是EL（电致发光）检测环节，几乎成了AI算法的标配。组件隐裂、电池片缺陷在EL图像里特征明显，数据积累多了之后，模型迭代速度很快。这个场景竞争更偏向算法能力和现场服务，价格战已经出现。

汽车行业则比较特殊。整车外观检测、涂装缺陷、零部件装配质量等需求很大，但非标程度高，很难用一套通用产品覆盖。项目制特征明显，玩家分散，尚未跑出绝对头部。半导体等高端场景则以外资设备为主，国产AI方案更多在后道封测环节试探，前道高端检测的门槛依然很高。

4. 国产替代加速背后，还有三块没啃下来的骨头

4.1 2023年国产加速的三个实际原因

国产AI质检方案在2023年的崛起不是偶然，背后有三个很实际的原因。

第一是算法基础设施的门槛在降低。开源框架、预训练模型、成熟的标注工具链，让后来者不需要从零造轮子。以前只有大厂养得起算法团队，现在几家创业公司也能训练出可用模型，人才流动更把技术差距进一步拉平。

第二是工业相机等硬件国产化水平在提升。国产相机在分辨率、帧率、稳定性上和国际品牌的差距逐年缩小，而价格可能只有一半不到。硬件成本降下来，整套AI质检方案的报价就有了竞争力，客户接受度也随之提高。

第三是响应速度和服务深度。国产厂商能给客户提供“打样三天、驻场一个月、随叫随到”的服务，国际大厂很难做到这种贴身程度。制造业客户在方案差距不大时，天然倾向于选择沟通成本低、出问题能立刻到现场的一方。

4.2 剩下没啃动的高地：传感、光学、底层生态

但这不等于国产已经全面赢下这一局。2023年我观察到的真实状态是：算法层的差距已经很接近，越往底层走，差距越明显。

首先是高端工业相机里的核心图像传感器。这个环节长期依赖境外供应商，国产传感器在工业级高帧率、低噪声、宽动态范围这些指标上，仍有代差。传感器决定了图像信息的起点，直接影响检测精度上限。

其次是高端光学镜头和特种光源。高倍率远心镜头、特定波段的激光光源、光谱成像相机这些细分产品，国产都有，但在高端型号的良率、一致性和寿命上，与国际顶级品牌仍有距离。很多高精度检测场景，客户在采购合同里会指定进口镜头，国产镜头的替代之路还很长。

第三个是底层软件生态。工业相机SDK的稳定性、兼容性，视觉算法平台与各种硬件之间的适配，这些看不见但每天都要用的基础设施，依然是外资常年积累形成的优势壁垒。国产厂商在应用层已经很强，但底层生态的替代往往比单一硬件替换要慢得多。

4.3 比技术更重的暗礁：失败责任和验证周期

技术以外的暗礁，往往比技术本身更让新玩家头疼。

产线质检出错是有代价的：漏检了坏品流到下游客户，甲方要赔钱交期；误检了良品，产线停线同样损失巨大。一旦出问题，客户第一反应是找质检系统供应商问责。AI模型又是黑盒，客户天然会怀疑算法，不像规则系统那样容易解释。这种信任问题导致供应商在项目初期必须给出大量“过度承诺”和免费迭代，成本相当高。

验证周期更是硬门槛。很多制造业客户对AI质检抱着“试试看”心态，真正决策前要经历工艺确认、样件测试、小批量试用、并行运行对比，一轮下来三四个月起步，半年也正常。对于现金流紧张的小团队来说，这种漫长周期本身就是生存压力。2023年不少AI质检公司消失，不是死于技术，而是死于验证期太长、钱烧完了。

5. 高毛利的“醉人账本”：项目越多，净利润反而越薄

5.1 看似漂亮的毛利，是怎么被项目制一点点吃掉的

只看单个AI质检项目的报价，很多外行会觉得这是一门好生意：一个模型加一套软件，报价几十万，毛利好像很可观。真把账算到净利润，情况完全不同。

项目制交付意味着每个客户的需求都有差异。接口标准不同、数据格式不同、缺陷类型不同、产线环境不同，每一点差异都对应开发工时。售前阶段要打样，打样往往不收钱但烧人力；交付阶段要驻场调试，差旅和人工成本每天都在累积；验收后还有质保期，客户报障随时要响应。把这些全部摊进去，一个项目的真实成本远高于对外报价时的直接成本估值。

大多数AI质检公司的毛利看起来在40%到60%之间，但扣掉销售费用、研发费用、售后费用和坏账计提之后，净利率能到5%就算不错，亏损的反而占多数。这不是某一家的问题，而是行业结构性的现实。

5.2 人效天花板：工程师数量就是营收天花板

AI质检是一个高度依赖人的行业，而人效是有天花板的。

一个视觉算法工程师一年深度参与的项目数量有限，前期算法训练、中期现场调试、后期模型迭代，每一个环节都需要人。一个交付工程师同时跟三个项目就已经非常吃力，公司想做更多营收，就要招更多人，但人一多，管理成本、沟通成本、差旅成本同步上涨，利润很快被稀释。这就是“项目越多、净利润越薄”的典型逻辑。

这一点和互联网软件公司形成鲜明对比。互联网产品可以一套代码服务几百万用户，边际成本趋近于零；AI质检项目每个场景都在复制“数据采集+模型训练+驻场部署”的流程，边际成本下降很慢。所以行业里真正能做大的公司，无一不在追求减少对人的依赖。

5.3 客户算账逻辑：质检永远是个“成本项”

还有一个残酷的预算事实：在绝大多数制造业公司里，质检部门的预算属于“成本项”，而不是“效率项”或“收入项”。

成本项的宿命就是被压缩。客户不会因为你用了AI就多给你预算，只会对比“用AI一年省了多少人工、减少多少客诉”，如果算不过来账，项目就会被砍。这就要求供应商在报价时必须理解客户的财务逻辑：一台AI质检设备要实现多少年回本，客户才愿意掏钱。按常见的制造企业算账方式，三年能回本的项目比较容易推进，五年以上基本推不动。

这也能解释为什么AI质检在锂电、光伏这种高价值产品行业渗透快，因为产品单价高、缺陷损失大，一套数十万的检测系统相对总产线投资占比很小。而在低附加值产品行业，AI质检的账很难算平，市场迟迟做不起来。

5.4 产品化突围：能复制才有规模，能规模才有利润

2023年活得相对舒服的公司，共同特征是找到了某种“产品化”的路径。

一种做法是聚焦单一高价值场景，把AI算法冻结成标准软件模块。比如只做锂电极片缺陷检测，把模型、界面、接口都打磨到“新客户只需要三天适配就能用”，这样交付效率大幅提升，人效也就跟着上去了。

另一种做法是与设备商和整机厂绑定，把自己的算法作为嵌入式软件授权给对方，而不是亲自做总集成商。这种模式让AI公司从“承担整个项目的成败”变成“只对软件模块负责”，责任边界清晰，成本结构也更健康。

还有一条路是把数据变成壁垒。在某个细分行业积累大量缺陷样本后，新客户只需要用很少的数据做迁移学习就能获得可用模型，交付速度和处理效果的差距会越来越大。数据积累不是一朝一夕的事，却是这个行业最深的护城河之一。

6. 站在2023年底做选型与入场：甲方问什么，从业者补什么

6.1 甲方选型：先打样，再谈算法，最后签验收口径

如果你是要采购AI质检方案的制造企业，我建议按这个顺序来，不要反过来。

第一步是看成像方案。让供应商拿你的真实坏品、真实产线工况去搭建打光环境，看图像效果。缺陷和背景的对比度是否清晰，反光是否干扰判断，这些在方案阶段就能看出端倪。成像过不了关，后面所有算法承诺都要打问号。

第二步才是看算法能力。让供应商用你的真实数据集跑一轮模型，看漏检率、误检率分别是什么水平，而不是看对方PPT里的指标。最好能让对方标注出误检的主要类型，分析是成像问题、样本不足还是模型结构问题。

第三步是锁定验收口径。合同里必须写清楚产线节拍、漏检率、误检率、连续运行稳定性、模型更新机制这几个关键参数，还要约定好故障责任边界。很多项目扯皮，都是因为在验收标准上留了模糊空间。

6.2 从业者方向：能蹲产线的人，比会刷榜的人值钱

如果你是想进入这个行业的工程师或技术管理者，我有一条很直接的建议：多下产线，多啃工艺，比单纯在实验室刷模型指标值钱得多。

AI工业质检跟自动驾驶、互联网推荐不一样，它的每个项目都牵涉大量现场因素：材料批次差异、温湿度变化、设备振动、油污灰尘、操作习惯。同一个算法模型，在实验室表现再好，到了产线也可能一塌糊涂。真正稀缺的是那种能看懂工艺、能跟产线班长聊明白缺陷成因、能根据现场反馈调整方案的人。

光学和成像方向同样大有可为。市场上算法工程师很多，但能把光源、镜头、相机选型讲清楚、能设计稳定成像方案的人极少。在项目交付中，一个资深光学工程师往往能顶三四个算法工程师。如果你还在选方向，这个点值得重点考虑。

另外要提醒一点：不要太迷信“一个通用模型解决所有质量问题”。工业缺陷的分布是长尾的，常见缺陷几十种、罕见缺陷几百种，而且不同工厂、不同批次、不同工艺之间差异巨大。能够快速适应具体场景的人才，永远是行业最稀缺的。

6.3 留给2024的三个变量：整合、前道、边缘部署

基于2023年的观察，我觉得接下来一年AI工业质检有三个值得关注的变量。

第一个是行业整合。2023年全年有大量同质化AI质检公司出现，产品和服务高度雷同，市场逐渐进入价格战。缺乏场景数据沉淀和交付能力的团队，大概率会在接下来一年被并购或淘汰。具备“数据积累+场景理解+交付能力”的团队反而会更有价值。

第二个是检测位置的前移。很多企业在AI质检成熟后，不满足于“检出来”，还想知道“为什么会检出来”。把检测结果反馈到工艺参数调整，甚至反过来控制产线设备，这是从“质量检测”走向“质量过程控制”的升级，也是AI质检价值倍增的方向。

第三个是边缘算力的普及。随着低成本工业级AI芯片和轻量化模型的成熟，很多原来需要服务器推理的场景，开始变成一台嵌入式“质检盒子”就地处理。部署成本下降会推动中小制造企业更快采用AI质检，这也是市场进一步放量的关键变量。

如果你已经在行业内，我给的建议是：盯住细分场景，把交付效率打磨到极致，不要贪多嚼不烂。AI工业质检这个行业，真正属于长期主义者的机会，藏在产线的灰尘里，不在PPT的光芒里。