本文目录6 个章节
一篇微信公众号文章近期引发讨论：很多 AI 视觉团队把精力放在模型选型、调参与数据标注，却忽略了真正决定项目能否上线的现场协作。文章提到，质检图片如果全部交给人工复判，效率会下降；如果把低置信度样本直接丢弃，又可能造成漏检，问题往往集中在中间置信度区间。
这是一条值得关注的行业信号，但不是已经被充分验证的结论。对 AI developer 和 AI builder 来说，真正有价值的不是照搬某个阈值，而是把实时画面转成一条可复核、可执行的决策路径。
趋势证明了什么
AI 视觉落地的难点，正在从“能不能识别”转向“识别结果能不能进入业务流程”。模型可以输出类别、位置和置信度，却不能独立决定某个缺陷是否影响放行，也不能替代质检员对现场工艺、光照变化和异常后果的判断。
因此，“让质检员陪线两周”并不只是收集意见。它至少承担三项工作：
- 记录真实缺陷与误报样本，补足实验室数据；
- 观察相机、物料、速度和光线变化造成的分布偏移；
- 确定哪些结果可以自动放行，哪些必须人工复判。
这类陪线周期的价值，在于把模型指标翻译成业务规则。没有这一步，准确率再高，也可能在产线切换、设备振动或新批次物料出现后失效。
置信度不能直接等于决策
“低于某个分数就人工复核”听起来简单，实际却容易误导。置信度只是模型对自身输出的估计，不等于缺陷概率，更不等于业务风险。
开发团队应先建立分层策略：
- 高置信度且风险较低的样本，进入自动处理；
- 中间区间样本，进入人工复判队列；
- 低置信度或高风险样本，触发停线、复检或升级流程。
阈值需要依据漏检成本、误报成本、复判能力和产线节拍共同确定。采购方也应要求供应商展示混淆矩阵、分场景结果和人工介入后的整体流程，而不是只看一个总准确率。
陪线应当产出什么
两周现场观察不能停留在访谈纪要。AI builder 应把它设计成可验收的实验，至少形成四类记录：
- 缺陷样本库：保留原图、时间、设备、批次和最终判定；
- 规则表：明确自动放行、人工复判和升级条件；
- 误差台账：记录误报、漏报、无法判断及原因；
- 反馈闭环：说明谁修改标签、谁批准规则、多久重新评估。
如果质检员每天都在手工解释同一种异常，系统就应考虑增加规则、补充样本或调整采集方式，而不是只要求模型继续调参。模型迭代必须与现场反馈绑定，否则数据会越积越多，决策却没有变快。
开发者和采购方各看什么
对 AI developer，首要任务是建立可观测性：保存输入版本、模型版本、阈值、输出结果和人工最终结论。系统上线后，团队才能判断性能下降来自模型、相机、工艺还是标签变化。
对 AI builder，重点是把视觉能力封装成业务动作，例如创建复检工单、通知班组长、锁定批次或生成可审计记录。一个只返回 JSON 的接口，距离业务可用仍有很长距离。
采购方则应在合同和验收表中写清：
- 现场数据由谁提供，如何脱敏和保存；
- 人工复判量如何计算，异常如何升级；
- 模型更新是否需要重新验收；
- 系统中断时是否有降级与人工接管方案。
仍待核验的主张
目前可确认的是：现场数据、人工流程和验收标准会显著影响 AI 视觉项目的实际价值。仍不能直接确认的是，某个具体置信度区间适用于所有产线，也不能仅凭一篇公众号文章判断“陪线两周”就是通用周期。
下一步：先陪线，再选型
AI 视觉落地最难的不是模型，而是让质检员、开发者和业务负责人共同定义“什么结果可以行动”。团队应先选一条真实产线，连续记录样本、复判和异常处置，再据此确定模型、阈值与系统集成方式。
只有当每个输出都能对应一个清晰动作，视觉模型才算真正进入生产。