制造业AI质检的样本量与误判成本

演示视频里漂亮的识别精度，量产线上跑不动——AI 质检落地的坑多数埋在两件事上：样本的构成，和误判的成本归属。验收扯皮、项目烂尾，基本都是这两处没在立项时说清。

样本量之外的分布问题

缺陷样本的价值在覆盖度，不在张数。常规外观瑕疵收集快，长尾缺陷出现频次低，模型没见过就检不出。数据采集团队的常见错误，是在同一台设备、同一光源条件下赶工采集，分布窄、数量大，验证集指标虚高。产线换型、材料批次替换、光照衰减都会让分布漂移，上线前的样本协议至少要说明换型后何时补采、由谁判断触发。

两类误判的成本不对称

验收标准的设定就是在这两类成本之间找平衡点，而平衡点取决于工位性质：下游还有人工全检的工位，过检容忍度可以高一些；检出后直接进包装的工位，漏检代价被放大，阈值就不能用供应商默认值。

样本协议里最容易被省掉的是缺陷定义权。什么算缺陷、什么算可接受的工艺痕迹，产线老师傅和设计工程师的判断经常不一致，模型只是把这种不一致放大成扯皮。可行的做法是建一套双方确认的边界样张库：典型缺陷、临界样本、放行样本分别留档，训练集按这个口径采，验收按这个口径判，新人复检时拿它当教材。边界样张库维护好了，模型迭代的争议随之减少——多数返工不是算法不行，是判定标准压根没固定下来。样张库还要随产品平台更新，停更一年的样张库会把验收拖进各说各话的局面——判定口径先于算法，这是次序问题。

上线后的责任结构

模型效果会随产线变化衰减，维护责任要在合同里写清：误判样本回流机制、复训触发条件、现场工程师响应方式。多数纠纷起于对精度的定义分歧——演示环境的指标不是量产环境可验收的指标，这一点要在技术协议里落到文字。

顺序错了项目就僵住

九顺控股在南山服务制造与贸易企业，四个板块里数字贸易与园区运营都会碰到智能化改造项目，常见建议是：先盘误判成本结构、再定样本协议、后面才谈模型选型——顺序颠倒，项目容易在验收阶段僵持。有质检产线改造需求的企业，可联系 0755-8359 0008。