阿丘科技成立于2017 年，是国内工业AI 视觉平台的领跑者。公司核心团队来自于清华大学人工智能实验室，以“AI for Every ”为使命，专注于将领先的人工智能、机器视觉、大数据等技术应用于工业场景，解决复杂的工业检测问题。公司推出的专业级工业AI 视觉算法平台软件AIDI、嵌入式AI系列产品EVS、云端工业AI 视觉平台 以及垂直行业AI 解决方案，已广泛应用于3C 电子、新能源、汽车、医药、半导体、包装等领域，部署上线数百家工厂，包括富士康、立讯精密、宁德时代、LG 化学等先进制造业标杆企业。我们就近日与公司管理层的投资者电话会交流，结合公司介绍情况汇总为十问十答。
Q1：公司的竞争对手有哪几类？公司的核心竞争力包括哪些方面？
公司竞争对手可分为四类：1）康耐视等巨头，康耐视在历史上收购过两个AI软件公司；2）创业公司，思谋科技等；3）互联网或AI 巨头，腾讯等；4）国内传统机器视觉公司：奥普特、凌云光等。
公司认为其核心竞争力包括：
1）技术：深耕工业+AI 赛道，产品性能处于全球第一梯队。阿丘科技在业内实施差异化策略，坚定认为工业视觉可以通过深度学习和AI 的方式来重构。公司核心产品“工业AI 视觉软件平台 AIDI”的样本量、检测指标与速度均与巨头康耐视旗下ViDi 公司的产品相当，处于全球领先的第一梯队，定价略低于康耐视，但远高于国内友商。此外，公司针对工业场景的真实痛点，陆续推出“智能缺陷生成”、“良品学习”等新功能。
2）商业化：具备工业场景体系化落地经验，率先积累大客户群体。阿丘积累了富士康、立讯精密、宁德时代与LG 新能源等业内标杆客户，在复杂场景中取得大量成功案例，获得相对保守的制造业下游客户信赖，进一步巩固其在工业AI 视觉领域的领先地位。
Q2：工业视觉领域产业链的上下游如何划分？各自的竞争格局如何？
1）上游器件，包含三个重要组件：光源、镜头与工业相机，特点是标准化程度高。相较之下，光源市场规模较小，技术壁垒与产品价值较低。
2）中游视觉系统，包括视觉软件、智能相机和视觉系统。根据公司投资者交流电话会议，两大巨头康耐视与基恩士占据中游80%以上市场份额，形成垄断地位。二者拥有强大技术实力，而商业逻辑不同：康耐视兼营软件与智能相机、视觉系统；基恩士强调产品易用性，专注于智能相机与视觉系统。
3）下游解决方案，按照产品标准化程度可分为表面检测、AOI 设备（Auto ，光学自动检测设备）、定制解决方案。国内解决方案、定制项目型公司居多。
Q3：从技术角度，AI 将如何影响工业视觉？公司认为：
1）维度提升，优化复杂问题的处理能力：Rule-based 的方法受人工设计特征工程的维度限制，而深度神经网络可实现维度的量级提升。以大模型为例，可达到一千亿、二千亿的参数空间维度，高维度下处理复杂问题更为简便。
2）性能改进：一方面，降低现场运维成本，受传统Rule-based 技术的瓶颈限制，现有AOI 设备为保持低漏检率与低过杀率，需进行人工复判；AI 可进一步减少对人力的依赖，进而提升成本效益。另一方面，在产品层面重构用户的交互体验，简化操作流程。传统的工业视觉依赖于 或康耐视的 Pro，需对数百个算子进行预处理，工序复杂；而阿丘科技的AIDI 软件只有五个核心模块，强调易用性。工业基础视觉软件正在从 1.0 迈向2.0，从Rule-based 变成Smart 后，用户体验发生质的飞跃。
3）通用泛化：实现跨领域通用，赋能碎片化工业视觉市场整合。工业领域包含电子、汽车、医药等众多细分赛道，单一品类的市场容量不大，但多行业整合后的市场空间巨大。AI 的通用泛化能力可推动解决工业视觉领域的第一性原理问题：如何实现碎片化市场的最大化覆盖。
Q4：从商业模式角度，AI 将如何影响工业视觉？公司认为：
1）降低门槛，不再需要资深算法工程师进行检测与复杂的应用，从业者只需对行业与软件有基本认知即可；
2）重塑成本结构，研发成本降低，交付运维成本降低，短期内尤其是AI 进入一个行业的早期阶段会增加数据成本（包括数据维护或数据标注成本），但随着时间推移会不断降低，最终会走向基础模型。公司认为未来三年整个行业的成本结构将大幅优化。
Q5：AI+工业视觉目前处于什么阶段？公司将AI+工业视觉分为以下阶段：
1）AI 1.0 阶段，核心为以算法为中心。1.0 阶段的算法特征为小样本、高精度、低算力；落地方法论关注AI 认知、需求边界、数据与模型的管理；客户群体普遍存在痛点，愿意拥抱新技术且有一定支付能力。主要问题为数据缺乏，上线部署周期长，如遇未知缺陷必须重新训练，研发成本与定价偏高。
2）AI 2.0 阶段，核心为以数据为中心。一是开始累积行业数据，这是2.0 阶段的重点。某场景下的客户达到一定数量后，累积的数据可协助在基础模型上针对不同客户的需求进行微调。二是形成工业AI 视觉的标准化平台，减少对人工的依赖。三是完善数据清洗、数据生成、分析辅助的工具链。2.0 阶段产品易用性将大幅提升，同时成本进一步下降，客户关注性价比。此外，大规模的AI 运行scale up & scale out、场景复制和迁移泛化的问题是本阶段的重点议题。
目前，阿丘正处于从1.0 迈向2.0 的上半场。整体而言，当前AI 在工业视觉领域仍属于逐步加速渗透的过程，公司在投资者交流电话会议中预计到2024、2025 年之后将开始加速普及。
Q6：如何展望AI+工业视觉赛道的市场规模？AI 在工业视觉领域的渗透率如何判断？公司认为：
根据公司投资者交流电话会议，国内通用工业视觉市场规模约为200 亿元，公司进一步按产业链划分：
1）硬件：包括相机、光源和镜头约为50-60 亿元，占整体市场的25%-30%。
2）视觉系统：占70-80 亿元，略大于硬件部分。
3）解决方案：消费电子领域约占20 亿元，锂电池领域约占10 亿元，共计30-40亿元。
公司表示，目前通用工业视觉市场中AI 渗透率为5%～8%，未来有望提升至50%。此外，公司判断，5 年后，除了工业视觉领域的测量问题，检测、识别会被AI 全面覆盖，其中AI 在检测中的渗透率有望快速增长至60%-80%；定位问题用传统方法可以解决，但AI 会大大简化整个流程。
Q7：工业视觉下游场景众多，各自有什么特点？公司总结：
1）最上层为半导体、面板与PCB，特点是工艺属性强，不仅依赖技术能力，典型公司如KLA。公司认为该领域存在重大机会。
2）腰部市场，如汽车、电子、新能源领域。具有两个典型特点：1）极具创新力，以电池为例，有磷酸铁锂、三元电池、氢燃料电池、固态电池等多种形态。除头部公司外，不断有创业公司用颠覆性的创新方法重塑行业；2）竞争激烈，市场规模大且快速变化，靠近消费者，难以形成一套标准解决方案。典型公司如康耐视，将解决方案解耦，形成标准的算法库CVL、视觉平台软件、智能相机、视觉系统等多重解决方案；同时拥有头部客户，如Apple、 等。腰部市场需秉持解耦的理念，追求碎片化市场的覆盖。
3）一般行业，如食品、金属加工等传统行业。特点是节奏较慢，认知度不佳，客户较少关注底层技术，更为关注解决具体问题的速度与产品易用性。
因此在这类市场，产品力是制胜的关键点，而形成产品力的关键要素是易用性与快速部署。典型公司如基恩士，覆盖客户层次广泛，拥有强势定价权。
Q8：除了仿真技术手段之外，还有什么方法可以加速 cases 的收集？
公司表示通常有三种方法可以采用：
第一种方法是最早期采用的通过人为制造缺陷或PS 缺陷数据，即与客户商讨该缺陷的特征和表现，以便公司能够准确了解其特点。然而，这种方法存在一个问题，即如果客户不提供足够的信息，我们将无法准确了解该缺陷。因此，这种方法在早期使用较多，但后来逐渐减少。
第二种方法是利用AIGC 来进行缺陷生成，通过模拟和生成缺陷的特征来解决问题。这种方法可以有效应对缺陷背后的复杂性，并且可以生成各种不同类型的缺陷，这是目前常用的一种方法。
第三种方法是利用非监督学习的方式，使用OK 品（合格品）进行建模。这种方法可以帮助公司更好地理解缺陷的特征和模式，从而提高缺陷检测和修复的效果。
Q9：如何看待大模型对工业视觉领域的影响？公司认为：
大模型是相对概念，用“基础模型”描述更为准确。基础模型包含两层概念：1）通用基础模型，如SAM，能够解决通用问题，但是解决方案较为粗略，工业场景中无法直接使用。2）行业基础模型，如针对PCB 行业的基础模型或预置模型，阿丘已在这类模型中取得进展并实现商业化落地。
另一方面，大模型不能通吃一切，其可能符合To C 端的通用需求，并诞生相应的公司。但对于To B 类或垂类需求，会出现垂类的基础模型（小模型）。最终的生态将是大模型+垂类的细分模型并存。
Q10：CV 领域什么时候会迎来“ 时刻”？公司认为：
目前在工业视觉的实际应用中，AI 的应用仍属于上一波的技术阶段，主要是深度卷积神经网络，其中神经网络层数大约为20-30 层或30-50 层，根据具体情况进行选择。
CV 领域的“ 时刻”目前还没有出现，颠覆性创新技术出现的时间具有不可预测性。Meta 提出了SAM，得到资本市场疯狂追捧，事实上只是迈出了一小步，CV 领域的大模型依然需要一段时间。公司认为，CV 领域一定会出现自己的，大概率由技术路线清晰的头部大模型公司（如）引领。
风险因素：下游应用增长不及预期；工业AI 视觉平台技术研发不及预期；算力基础设施发展不及预期等。
相关文章
