汽车与家电的AI质检，是两种相反的能力范式
汽车与家电的AI质检并非同一技术的两个场景，而是两套相反的能力范式——一个追求极限一致性与可追溯，一个追求极高复用率与同速节拍。
汽车与家电的AI质检是制造业两种相反的能力范式：单台车身焊点检测点可达3000—5000个、AI视觉漏检率压到0.1%以下（ppm级），一条空调总装线节拍却仅8—12秒/台、质检必须与产线同速。直接回答：选型不看模型高低，看你的"复用率"与"一致性"哪个更稀缺。
一、案例速写
2026年，AI视觉质检在国内制造现场已不再是试点，而是两条成熟路径的分野。
汽车侧。以国内某头部整车厂的焊装车间为例，白车身约有3000—5000个焊点需要被判定，传统人工目检每人每天只能覆盖有限工位，且疲劳后漏检率陡升。引入AI视觉后，相机阵列对每一个焊点做实时语义分割，漏检率从人工的约2%压到0.1%以下，单线年节约返修与索赔成本以千万元计。更关键的是，每一个判定都可回溯到具体相机、具体帧、具体工艺参数——这是汽车行业的硬约束：缺陷不容忍，责任要可追。
家电侧。以美的、海尔的灯塔工厂空调与冰箱总装线为例，产线节拍是8—12秒一台，质检窗口只有几秒。AI质检在这里不是"判得更准"，而是"判得够快且够便宜"：同一套视觉能力要在十几种机型、上百个外观件上复用，模型必须轻、必须能一键切换检测模板。行业通行做法是把检测能力做成可配置的能力单元，新机型上线时只改参数不改架构。
二、转型动因
两种范式分化的根因，是成本结构不同。
汽车是"高单价、低容错、长周期、强追溯"：一台车几十万元，一个漏检焊点可能在三年后引发召回，代价是十亿级。所以汽车愿意为"一致性"付高价——重资产建检测工位、重流程做全程留痕。
家电是"高产量、低成本敏感、快节拍"：一台空调千元级，产线一年吞吐数百万台，任何让节拍变慢的质检都会被产线经理否决。所以家电更愿意为"复用率"付代价——把一套检测能力摊薄到上百个型号上，单台质检成本被压到几分钱。
三、技术嵌入
技术栈表面相似（相机+边缘推理+视觉大模型），底层逻辑相反。
汽车倾向于"专用重模型+工位级部署"：每个关键工位一个专用模型，精度优先，推理可以慢一点，因为检测窗口本就宽。
家电倾向于"通用轻模型+产线级编排"：一个轻量模型跑在产线边缘服务器上，靠任务编排在不同机型间切换检测模板，速度优先，精度满足行业通则即可。
四、能力单元分析 ★
这是两种范式最本质的差别，用能力单元论拆开看：
- 汽车范式把"一致性"当第一支柱。它把质检拆成一系列"标准化、可验证、可追溯"的能力单元：焊点判定单元、涂胶判定单元、间隙面差单元……每个单元的输出格式、判定阈值、留痕方式都被严格统一。复用率低（一套模型只服务一个工位），但一致性极高——这正是它敢把缺陷责任压到每个单元的底气。
- 家电范式把"复用率"当第一支柱。它把质检能力沉淀为一个"可配置的检测中台"：同一套相机与模型，通过参数化模板服务几十种机型。一致性靠"模板统一下发"保证，复用率极高——一套能力的边际成本趋近于零。
五、组织变阵
能力单元的归属方式也不同。
汽车的质量工程师更像一个"单元 owner"：守住本工位的判定标准，对追溯链负责。组织是纵向的、强责任的。
家电的算法工程师更像"平台供给者"：维护检测中台，让产线自己换模板。组织是横向的、强服务的。
这也解释了为什么汽车AI质检项目往往由质量部主导、家电由数字化部主导——能力单元的调度逻辑决定了话语权。
六、ROI兑现与踩坑
诚实交代边界：
- 汽车别迷信"全检替代人"。焊点、涂胶可以AI全检，但内饰异响、装配手感至今仍依赖老师傅。AI替代的是"重复目检"，不是"全部质量判断"。
- 家电别迷信"一套模型通吃"。外观缺陷的分布随模具磨损漂移，模型需要持续回流数据再训练，否则三个月后漏检率翻倍。某小家电厂曾因省略数据回流，半年后质检形同虚设。
- 两类项目共同的坑：把POC精度当量产精度。实验室99.9%在产线光照、抖动、油污下往往掉到95%，必须做产线级验证再下结论。
七、可迁移方法论
用四则法抽象：
- 除法：把"质检"从"产线附属工序"拆成独立的能力单元/中台，是两种范式共同的第一步。
- 乘法：汽车用"一致性×追溯"放大单点价值；家电用"复用率×节拍"放大规模价值。
- 减法：汽车减去不可追溯的模糊判定；家电减去不可复用的专用模型。
- 加法：两者最终都加回了"人"——汽车加回老师傅做非标判定，家电加回算法工程师做中台供给。