作者丨流光

编辑丨关雎

【资料图】

图源丨数之联

从2000年开始，自动化设备在国内制造业产线上逐步替代重复性体力岗位，但依赖精密手感与复杂决策的最终总装、质检等环节，人工操作仍是核心。到2015年，数之联创始人兼董事长傅彦和团队走访工厂仍看到，很多工厂流水线已经自动化了，“但一到质检部门，全是人”。

质检主要负责把关产品品质、拦截不良品，在AI视觉检测还没普及前，质检员只能靠肉眼看图完成复核工作。尤其在面板、3C电子等行业，一名质检员一天要看上万张图，从中找出细小的划痕、污点、亮点、裂纹等缺陷。

但人工目检的局限十分明显：效率低、漏检率高。如果机器能够直接判断，质检环节就可以进一步减少人工参与。

2012年，傅彦创办了成都数之联科技股份有限公司（下称“数之联”）。

起初，数之联业务涉猎很广，尝试过技术孵化模式，也承接过跨行业的大数据定制项目。但宽泛的业务方向，也让团队走了不少弯路。从2015年开始，公司才逐渐将业务收缩到工业AI质检这一方向。

如今，数之联主要通过AI质检算法解决制造产线的产品缺陷识别问题，核心产品为ADC（自动缺陷检测与分类系统）。在AOI（自动光学检测）设备拍照后，ADC通过深度学习模型对图像进行智能解析与分类，对缺陷进行置信度分级判定，再将结果传至工厂系统。

此外，公司还自研AI检测整机设备，并进一步向良率分析和工业大模型延伸，迭代质检能力。

截至目前，公司已服务京东方、天马、华星光电、维信诺、海信、海尔、TCL等上百家制造企业。产品也跟随国内客户出海，落地墨西哥、斯洛文尼亚、泰国、越南等国的海外工厂。

值得一提的是，数之联曾入选创业邦“2020中国创新成长企业100强”以及“2021数字化服务创新潜力企业”榜单。

2021年12月，傅彦曾与创业邦聊过创业经历。当时公司已完成C轮融资，筹备推进科创板上市，但最终没有成功。如今再复盘，她感慨：如果没有走那5年弯路，从一开始就选对方向，公司或许是最早一批上科创板的企业。

50岁开始创业

傅彦出生于1962年，今年64岁。创业前，她一直在电子科技大学从事教学和研究工作。其研究方向长期聚焦于数据挖掘与模式识别，并牵头成立了数据挖掘实验室，即后来的电子科技大学大数据研究中心。

数之联创始人兼董事长傅彦

2012年，50岁的傅彦突然发现，自己多年来的科研成果大多停留在论文和实验室阶段，“悬在空中，没有任何价值和意义”。而彼时，计算能力与分布式处理技术迅猛发展。她意识到，过去积累的数据挖掘技术迎来了落地应用的机会。

一开始，数之联采取了“集团化”的运营模式，通过参控股10多家不同领域的大数据企业，将各子公司的行业方案与垂直场景进行整合，试图打造一条覆盖顶层设计到应用可视化的大数据全产业链服务能力。

然而，这种方式很快暴露了问题。数之联的技术团队进入企业后，真正掌握客户和市场资源的往往是合作方。

“有些企业商业能力比较强，我们作为技术参与方很快就被挤出了圈子。”傅彦说。

后来团队转向消费口碑分析，借助爬虫抓取互联网公开数据为企业输出分析报告。但随着各大平台收紧公开数据接口，该业务也受到限制。

那段时间，团队先后尝试切入金融、医疗、人力资源等行业。表面看业务版图不断扩大，实则每一项都未能深入。项目越做越多，却始终未能找到一个真正可持续、可积累的核心方向。

到了2015年，公司可用资金见底，造血能力又有限，几乎发不出工资，创始团队甚至卖掉房子往里贴钱。2016年A轮融资到位后，资金压力才得以缓解。

经历生死考验，傅彦开始反思：什么行业都想做，反而等于没有核心能力。团队果断砍掉大批非核心业务，聚焦工业人工智能方向。

寻找落地场景时，他们发现制造业质检环节依旧大量依靠人工复核。于是，团队决定从这个切口入手，针对工业质检进行技术探索和产品孵化。

2017年，凭借自主研发的工业视觉检测技术，数之联在京东方PoC测试中，超过IBM、阿里等巨头拿下第一。之后，公司业务重心逐步转向工业AI质检。

在这过程中，资本不断加注。5年间累计完成7轮融资，总额达3.5亿元，2021年C轮投后估值达20亿元。

核心产品市占率超80%

细分领域国内第一

拿下京东方PoC之后，数之联把算法封装成ADC软件推向产线，解决了“机器代人眼”的缺陷检测问题。

但他们很快发现：缺陷能被识别，但无法解释为什么出现。良率一往下掉，工程师还是得靠经验去逐一排查工艺环节。

“工业AI最难的不是识别一张图，是理解这个缺陷从什么地方来，它影响有多大以及我们怎么处理。比如，同样是面板上的Mura（亮度不均），出现在不同制程位置，严重程度和产生原因可能完全不同。”傅彦说。

为此，数之联开发了YMES良率分析系统，用于缺陷原因解析。后续又陆续推出IDM智能缺陷管理平台、WOMS工单管理系统和MQIS工厂知识库，进一步覆盖质量管理和工艺分析等环节。

很长一段时间，数之联只输出软件，对接工厂已有的第三方硬件完成缺陷判图。但不少产线使用海外进口设备，接口相对封闭，软件适配受限；产线换型时，请海外工程师做升级维护的成本也很高。

于是，2021年公司决定自己造设备，经过多轮迭代，成功推出一系列AI智能检测设备。目前产品已批量部署于面板、家电、半导体、PCB、包装、汽车零部件等工厂，并随客户项目实现海外交付。

和传统AOI设备不同，傅彦把数之联的AI智能检测设备定位为“工艺可适配的智能检测整机”。设备内置自研深度学习训练框架，当产线发生工艺变动时，工厂自有工程师即可利用现场生产样本完成模型迭代调整，降低对原厂服务的依赖。

更重要的是，数之联将多年积累的超过700TB数据用于训练垂直领域的工业大模型，目前已推出“数联慧眼”“数联慧脑”“数联慧言”三款模型，其中“慧眼”“慧脑”这两款都已获得了国家生成式人工智能服务备案。

在技术架构上，数之联采用云边端协同的方式。大模型主要在云端完成训练和迭代，再将适合现场运行的模型部署到产线端侧。

具体应用上，三款模型分别面向视觉检测、良率分析和工业知识问答，与ADC、YMES形成分工。ADC继续承担产线上的毫秒级实时缺陷检测，大模型则处理疑难缺陷分析、良率问题定位和工艺知识沉淀等任务。

据傅彦披露，公司的ADC系统在新型显示面板领域的市场占有率超过80%，位列国内第一，累计AI判图量超过100亿张，覆盖半导体、家电、印制电路板（PCB/PCBA）、汽车、新能源、金属外包装等多个领域。在部分应用场景中，缺陷检测准确率能达99%以上，漏检率低于0.4%。

从出口设备方案到出口标准

在国内市场站稳脚跟后，数之联开始跟着客户出海。

2023年，公司完成首次整机出海交付，将检测设备送到客户位于墨西哥的工厂。但这不只是把设备运过去。由于海外的电压、网络、生产环境、操作习惯等都不一样，数之联需要派工程师驻场调试，落地难度远高于国内。

傅彦算过，一名工程师在海外驻场一个月，差旅、住宿、津贴和人力等综合成本可能达到十几万元。在斯洛文尼亚，如果从国内派工程师过去，签证和路途就要花一周多时间。

这也是公司选择跟随客户出海的原因。相比直接开拓陌生市场，跟已经合作的企业进入其海外工厂，可以复制国内已经验证过的产品和方案，降低出海成本。

目前，数之联的硬件和质检方案已部署到墨西哥、斯洛文尼亚、泰国、越南等多个国家，覆盖面板显示、家电、3C电子等海外产线。

在傅彦的规划中，出海分成三个阶段：第一阶段是产品出海，输出设备；第二阶段是方案出海，将软件、设备、部署和运维一起交付；第三阶段则是标准出海，把国内积累的检测流程和质检标准带到海外。如今，公司正从第二阶段向第三阶段推进。据傅彦介绍，ADC系统已经成为部分海外新建显示产线的建厂参考。

截至目前，数之联海外业务占总营收的10%以上。傅彦希望，未来这一比例将升至30%以上。

高度分散的工业AI质检

工艺Know-how仍是关键

在制造业品质升级和降本需求推动下，工业AI质检市场规模在持续扩大。IDC数据显示，2022年工业AI质检解决方案（不含光学硬件）市场规模为19.7亿元，2025年预计增至9.58亿美元，约合62亿元人民币。

但市场集中度并不高，2022年前五家厂商合计份额约44.7%，第一名百度智能云占比只有10.6%。头部之间差距有限，大量厂商仍在不同细分场景竞争。

这与工业质检的行业属性有关，面板、半导体、PCB、汽车零部件等行业的工艺和缺陷类型差异很大，同一套模型很难直接复制。企业进入新的细分领域，既要重新积累缺陷数据，也要理解生产工艺、缺陷标准和处理流程。

“知识不是靠训练模型就能获得的，是需要工程师在一线的产线上伴随积累的。”傅彦说。工艺Know-how（工艺经验和专业知识）仍然是核心门槛。

这也是目前市场尚未形成跨行业标准化产品的原因。尽管先行产线已经从试点走向规模化落地，但大量场景仍需要根据具体产线定制开发。

傅彦还观察到，当前客户的问题已经从“产品有没有缺陷”转向“良率为什么在下降、下一批良率大概是多少、怎么优化工艺参数”。这意味着，行业的竞争，正在从单点检测能力向良率分析、工艺优化等更深的生产环节延伸。

出海则带来了新的要求。国内制造企业在海外建厂，为工业AI厂商提供了进入海外市场的机会，但不同国家的生产环境、数据安全、法规和售后体系，也提高了交付成本。对于厂商来说，如何把国内产线积累的工艺经验转化为标准化方案，同时降低海外部署和运维成本，会成为下一阶段竞争的一部分。

在傅彦看来，行业仍处在“黎明前的混沌期”：需求已经明确，但数据、工艺经验、模型泛化和规模化交付能力，仍需要时间积累。

本文为创业邦原创，未经授权不得转载，否则创业邦将保留向其追究法律责任的权利。如需转载或有任何疑问，请联系editor@cyzone.cn。