AI质检为何输给资深质检员

说起福特重新启用人工检测这事，圈内人其实一点也不意外。AI质检在实验室里跑得再漂亮，到了产线上也常有翻车的时候。不是技术不行，而是工业场景下的“质检”二字，远不止拍一张照片然后打勾这么简单。

缺陷的“长尾”远比想象中更致命

工业产品的缺陷种类，从来不是均匀分布的。常见的划痕、毛刺、色差或许能被 AI 模型在大量标注数据上训练得很好，但真正让质检员头疼的往往是那些“一年出现两次”的罕见缺陷——比如某个特定工站振动导致的微裂纹、原材料批次差异带来的隐蔽内伤。AI 模型天生对这类长尾数据不敏感，因为训练集中这类样本太少，模型很容易把它们当成噪声直接忽略。而资深质检员会从产品上声、手感甚至气味的变化中察觉异常，这种跨模态的直觉判断是纯视觉 AI 很难复制的。

环境扰动让静态模型“睁眼瞎”

产线上的光照、工件摆放角度、传送带速度，每天都有细微波动。AI 模型如果只靠固定的训练场景进行推理，遇到一个比标注环境暗了 5% 的光照条件，误判率可能就会飙升。工业界做过测试：同一个视觉缺陷检测模型，在不同批次、不同班次的生产线上，准确率差异能超过 15 个百分点。而人类质检员能主动调整眼睛的焦距和视角，甚至用手触摸来验证——这些“笨办法”在动态环境中反而稳健得多。

被低估的“上下文推理”能力

一块冲压件的表面有个针尖大小的凹陷，AI 会判断为缺陷。但经验丰富的老师傅会先看这不是模具磨损的痕迹位置，再结合上一道工序的冲压次数，判断出这可能是刀具寿命末期产生的正常损耗，而非致命缺陷。这种基于工艺链路和因果关系的推理，AI 目前还做不到。它只能对比“和模板是不是一模一样”，却不能回答“这个差异是不是真的会影响到装配寿命”。

福特这次的回归并不等于 AI 质检失败，而是暴露了当前技术的一个短板：过度依赖静态数据，缺乏融入工艺知识和多模态感知的能力。有意思的是，目前很多头部厂商已经在尝试“AI 初检 + 人类复检”的混合模式——让 AI 筛掉 80% 的明显不良品，剩下那 20% 的疑难杂症交给老师傅终判。这或许才是现阶段最务实的答案：机器干粗活，人做决策。