大讲堂
昆山招标现场的反常信号
这种反常不是个例。我最近跑了长三角12家做汽车电子、精密结构件的工厂，有8家在今年的视觉检测项目招标里，把原来占比60%的”已知缺陷检出率”指标，砍到了15%，剩下的评分空间全留给了”未知异常识别能力”。 之前工厂对无监督学习的态度是什么？是发布会PPT里的概念，是互联网公司拿来融资的噱头，根本没人真的把它写进采购需求里。为啥？之前的无监督方案太贵了。 就拿2023年的报价来说，某头部互联网背景的工业AI团队，给同类型PCB厂报的无监督方案，单条SMT线的年服务费要52万，比传统的有监督方案贵了一倍还多。工厂老板算完账，直接把方案退了——我花两倍的钱，买一个还没落地验证过的概念？换你你也不签。 不过话说回来，工厂从来不是排斥新技术，是排斥算不过来账的新技术。当有监督方案的标签成本、交期损失已经高到让人肉疼的时候，无监督学习的价值才真正从PPT里跳出来。算得过来账的技术才会被工厂买单
现在大家终于把无监督学习的底层逻辑想明白了。 这就跟老茶农种茶的逻辑一模一样——之前的有监督方案是你把所有可能的虫害、病斑、叶片损伤类型全部列出来，逐字逐句教给新来的采茶工，但是茶山每年的温度、降水、虫害类型都在变，总会长出之前没见过的新病斑，没被教过的采茶工根本认不出来，等把茶叶摘下来送到加工厂才发现整批都受了损；无监督学习的逻辑是先让采茶工在茶山上泡一周，记住健康茶叶的纹理、厚度、颜色是什么样，只要看到和记忆里的健康叶片不一样的，就单独摘下来放到竹篮里报给茶农，根本不需要提前把所有可能的病害都列完。 深圳本土的工业AI团队去年把这套逻辑做成了可落地的产品。之前的无监督模型要跑在云端的大GPU集群上，把所有产线的视频流全部传上去算，现在他们把特征提取的模块做了轻量化，直接嵌到AOI设备自带的边缘盒子里，不用传云端，不用买大服务器。算下来，单条线年算力成本从原来的40万降到8万，比之前的有监督方案还低60%。 之前的流程是，产线出了偶发缺陷，质检员录下来，交给算法团队，标好样本，再迭代模型，最快要48小时才能把异常拦住。现在无监督模型跑在边缘端，发现和正常生产特征不一样的信号立刻报警，响应时间12分钟，比之前的流程快了240倍——相当于原来从上海寄个普通快递到杭州要等48小时，现在换成闪送12分钟送到的速度差。 谁在赚钱？做边缘计算盒子的硬件厂商。我上个月跟苏州一家做边缘硬件的厂吃饭，老板说现在订单已经排到2026年三季度了，全是工业AI团队来订预装了无监督推理模块的盒子。谁在库存里挣扎？之前卖高算力云端服务器的团队，手里压了差不多两个亿的GPU库存，现在想给客户说可以把旧服务器改造成跑无监督模型的节点，结果客户算完账，发现买新的边缘盒子比用旧服务器还便宜30%，根本不接盘。 现在长三角的招投标文件已经悄悄改了规则。之前那种靠堆预训练数据集拿高分的方案，现在连门槛都摸不到了。
产线上的岗位从来不是按PPT逻辑消失的
之前大家总说，无监督学习来了，质检员就要被全裁掉，算法要替代一线工人。结果昆山那家厂跑了三个月的无监督系统，12个质检员一个都没裁，每个月还多拿了800块的异常确认补贴。 为啥？无监督模型根本不是直接拍板”这个是次品”，它只是把所有和正常生产特征不一样的片段挑出来，交给质检员确认——哪些是真的缺陷，哪些是灯光反射、镜头脏了导致的误报。之前的有监督模型，每天要给质检员推2000张已经”判好”的图，让质检员挨个复核，一天盯屏幕盯10个小时，眼睛都要花了；现在无监督模型每天只挑30张”看起来不对劲”的图给质检员，剩下的都是确定正常的，根本不用看。 做了10年质检员的张姐跟我说，之前下班回家看什么都重影，现在每天大部分时间就是在产线旁边转，看到模型报的异常就过去摸下零件，确认完就可以歇着，上个月绩效还涨了一截。 那些之前靠卖数据标注服务赚大钱的外包公司，现在卷不动了。原来一年几千万的标注订单，现在缩了8成——无监督学习根本不需要提前标那么多带标签的样本，只要有正常生产的数据就能跑。那些原来靠给工厂做模型定制赚差价的中间商，现在也没生意了——现在的边缘盒子，设备厂商出厂的时候就预装了轻量化的无监督推理模块，工厂买回来插上网线就能用，根本不需要第三方上门调试。 再过两年，当所有产线的边缘盒子里都预装了轻量化无监督模型的时候，那些还在融资路演里吹自己有千万级工业标注数据集的团队，能拿到下一笔活下去的订单吗？作者|大讲堂
排版|大讲堂
审核|柚子