視覺辨識不是護城河

99.5% 的缺陷檢出率，不是 AI 的成就。

比亞迪焊裝車間部署了 2000 個 AI 視覺 Agent，缺陷檢出率 99.5%，比人工高 12 個百分點。鞍鋼冷軋廠的無人行車系統上線後，庫區效率提升 30%，庫存周轉率提升 25%。中油寶世順與華為聯合打造的鋼管 X 光檢測系統，效率提升 40%，成為國內首個工業化落地案例。

這三個數字看起來都在說 AI 有多厲害。但如果你仔細看中油寶世順那個案例，會發現一個被輕描淡寫帶過的細節：

20 名技術人員，花了整整半年，標注了 100 萬張工業影像、10 萬條核心樣本。

這不是 AI 在工作。這是人在做一件更難的事——定義「什麼叫缺陷」。

AI 視覺辨識解決的是感知問題：速度、精度、不疲勞。這部分確實比人強，而且這個能力正在快速商品化。

但感知之前有三個問題，AI 回答不了：

要在哪個節點檢測？ 這是流程定義的問題。在焊接後、組裝前、還是出廠前？每個選擇的成本結構完全不同。

什麼指標叫做改善？ 比亞迪選的是「一次合格率」，鞍鋼選的是「庫存周轉率」。這不是技術決策，是商業判斷。

誰的數據是訓練基礎？ 中油寶世順那 100 萬張影像，是這個行業的 AI 起點。擁有這批數據的人，定義了這個領域的標準。

這三件事，沒有一件是模型能自己決定的。

中國在這個層面的優勢，不是技術，是結構。

比亞迪一家工廠能產出的製造數據量，可能超過許多國家整個行業的總和。人工成本上升與品質精度要求同步提高，讓降本增效不是選項而是必要。更關鍵的是：20 個人花半年標數據，在中國製造業是可以被批准的資源配置，在很多地方那個預算申請可能永遠過不了。

這不是中國在追趕誰。這是在工業 AI 最底層的數據資產上，建立先發優勢。

如果你在這個行業，值得問自己的不是「要不要導入 AI 視覺」。

而是：你有沒有人可以定義檢測節點、設計價值指標、建立數據體系？

AI 替換的是感知層。判斷層，還是你的事。