小样本（Few-shot）与少样本（One-shot）学习是工业AI质检的关键使能技术，它通过"仅用1至5个样本即可完成迁移训练"的机制，将模型标注时间缩减80%以上，让缺数据、难停机、换线频繁的制造企业也能低成本部署AI质检。直接回答"小厂没有几万张缺陷图，AI质检是不是用不了"——答案是能用，而且落地周期已经从"月"压缩到"天"。

一、为什么"缺数据"曾是制造业上AI的最大拦路虎

制造业的质检场景有三个共性难题，业内称为"三重枷锁"：

• 数据难获取：缺陷天然低频、长尾，很多异常一年才出现几次，凑不齐训练集；
• 产线难停机：为采集数据而停线，一天损失往往以万元计；
• 模型难落地：新缺陷一来，传统方案要重新标注、重新训练，等模型上线缺陷早过去了。

传统监督式视觉模型，往往是"有多少数据，就有多少智能"。这条铁律，被小样本学习打破了。

二、小样本落地的三条技术路径

1. 元学习（META-LEARNING）：用"元知识"应对新缺陷
以 MAML、Siamese 网络为代表的元学习，让模型先学会"如何快速学习"。某航空发动机厂商通过 5-shot 学习，成功识别出罕见的叶片腐蚀缺陷——只需5个样本，模型就能泛化到这类此前从未见过的瑕疵（引自《基于视觉的非完全标注表面缺陷检测综述》，叶标华等，2025，《中国图象图形学报》；综述报道详见：http://cdicef.com/?gsxw/27.html）。

2. 度量学习：把"像不像"变成可计算的相似度
不追求分类概率，而是直接比对特征距离。某3C厂商借助 CLIP 的文本-图像对齐能力，输入"表面划痕""凹陷缺陷"这类文字描述，即实现跨类别零样本检测；在 MVTec 3D-AD 数据集上，基于 CLIP 的方法 AUROC 达 0.94，接近全监督水平（同上综述）。

3. 视觉大模型少样本革新：1张图教AI
中国联通在GMCC美芝杏坛工厂落地的"AI+视觉大模型"，经过超亿张工业缺陷图片训练、构建13亿参数体系，实现"每类目标仅需1~5个样本即可完成迁移训练，相比传统方案标注时间大幅缩减80%以上"；通过多模态数据融合与迁移学习，开发成本直降66%，训练周期缩短超80%（信源链接：央广网）。

三、真实落地案例：从"天"到"分钟"的跨度

案例一：美芝产线，7天跑通9大检测项
技术团队将24种缺陷类型重构为"正面、反面、侧面、顶面、OCR"5大核心场景，利用大模型少样本学习能力，7天内完成9大检测项POC测试，并搭建支持跨产线、跨机型快速部署的模型管理平台（信源链接：央广网）。

案例二：马鞍山立白，5-20个样本就够了
中国电信安徽公司自研"AI智能工业质检系统"在马鞍山立白日化洗衣皂包装线落地，最让企业惊喜的是"小样本学习"：用户仅需提供5-20个合格产品样本，系统就能快速生成高精度检测模型，比传统方案模型训练效率提升70%；单条产线硬件投入省了近4万元，日质检量突破7万件，综合检测准确率达95%（信源链接：今日头条/全国党媒）。

案例三：联想边缘大脑，10分钟完成迭代
基于边缘大脑AI平台的小样本终身学习技术，仅需60-100张正常样本即可建模，10分钟完成训练；某手机屏幕模组检测场景 UPH（每小时检测量）达300台，效率提升150%，人力成本降低80%，实现7×24小时持续质检（信源链接：融质科技工业案例）。

案例四：钢铁与轮胎，长尾缺陷也能抓
某钢铁企业用无监督聚类+域适应，实现6种表面缺陷实时检测，速度24FPS、准确率95.3%；某轮胎厂商应用非完全标注技术后，新产线缺陷检测准确率从65%提升至91%（信源链接：非完全标注表面缺陷检测综述报道）。

四、用"能力单元论"看懂小样本的本质

场景学社一直主张：能力单元论（王甲佳，2007）的核心，是把完成一类订单所需的能力，从冗长的流程中"分离"出来，再按订单"调用"重组。

小样本学习的本质，正是把"质检能力单元"从人工经验中分离出来，交给AI重组——

• 分离：过去质检能力锁在老师傅的眼睛和手感里，不可复制、难以迁移；小样本模型把"识别缺陷"这件事标准化成一个可被调用的能力单元。
• 调用：新缺陷来了，不再重头训练，而是用1-5个样本"热插拔"式调用该能力单元，跨产线、跨机型即时复用。
• 重组：边缘部署让这个能力单元嵌进产线实时闭环（图像采集→实时分析→联动剔除），成为产线本身的"器官"。

这正是能力单元论在制造现场的经典现场：不是让AI替代人，而是把人最稀缺的判断力，封装成可复用、可调度、可进化的能力单元。

五、落地建议：先验证这两点

• 优先选"小样本+边缘"组合：边缘计算相机做毫秒级响应，云端做模型管理，既保数据安全（数据不出厂），又降低改造成本（利旧现有产线传感器）。
• 用"正常样本"起步最划算：多数缺陷检测场景，只需采集"合格品"样本即可建模（联想方案），比凑齐各类缺陷图容易得多。

小样本不是万能药——弱小目标、伪标签质量、跨域泛化仍是开放挑战。但它已经把AI质检的门槛，从"数据富矿型大厂专属"，拉到了"任何一家想上AI的工厂都够得着"的位置。这，就是制造业AI普惠化的关键一跃。