当 NVIDIA 描绘物理 AI 检测的愿景时，DaoAI 已经把它落到了产线。2025 年 12 月，NVIDIA 发布技术文章指出：过去十年主导 AOI 的传统 CNN（卷积神经网络）已经触及发展天花板。
传统 CNN 的三大结构性局限
- 高数据门槛：每种缺陷类型需要数千张标注图像，罕见缺陷缺乏足够样本。
- 语义理解有限：模型能识别图像，但无法理解上下文、也无法推理根本原因。
- 持续重新训练：切换产品线就要重新标注与训练，维护成本持续累加。
NVIDIA 验证的方向
NVIDIA 采用预训练的视觉基础模型，先用百万张未标注的工厂图像做领域适配，再用少量标注数据微调。实验结果显示：PCB 缺陷检测准确率从 93.84% 提升到 98.51%。
DaoAI 的实现：把它做成硬件
DaoAI 把这条技术路线内置进硬件，提供即插即用的解决方案：
- 基于视觉基础模型（VGG）架构
- 在超过 100 万张真实 SMT 工厂图像上训练
- 针对 PCBA 制造做专门的领域适配
- 在特征空间、而非像素空间进行特征提取
落到产线上的关键数据：编程时间减少 97%、误报率降低 80%、运营成本降低 60%。
制造商面临一个选择：采用一套需要自己组装的技术栈，或部署一套随时可用、且持续自我优化的检测系统。
常见问题
传统CNN在AOI领域有哪些结构性局限？
传统CNN在AOI领域有三大结构性局限，包括高数据门槛，每种缺陷类型需数千张标注图像；语义理解有限，无法理解上下文和推理根本原因；持续重新训练，切换产品线成本高。
NVIDIA验证的AOI技术方向是什么？
NVIDIA采用预训练的视觉基础模型，先用百万张未标注的工厂图像做领域适配，再用少量标注数据微调，实验使PCB缺陷检测准确率大幅提升。
DaoAI如何将技术落到产线，有何效果？
DaoAI把技术路线内置进硬件，基于VGG架构，经超100万张图像训练及领域适配，产线编程时间减97%、误报率降80%、运营成本降60%。