AI 視覺檢測前移至設計階段：從 Siemens 數位分身看新料號導入
新產品導入（NPI）時，常見的情況是 SMT 產線排好了、治具到位了、首批物料也已進廠，AOI 或 AI 視覺檢測卻還停在等樣品的階段。要拍足夠的影像，要等缺陷樣本出現，還要由工程師逐項調整檢測參數，這段時間常常拉長到數週。對料號多、批量小的工廠來說，每一次新產品導入都要重來一遍，檢測站因此成為量產前最常卡關的環節之一。
Siemens 在 Erlangen 做了什麼
2026 年 10 月 19 日，Siemens 與 NVIDIA 公布德國 Erlangen 電子工廠的工業 AI 成果。這座工廠生產驅動器與變頻器，PCB 組件是產品的核心。
Siemens 指出，過去新 PCB 組件的品質檢測準備需要數週，原因是團隊必須等實體原型完成，才能訓練視覺系統並手動設定檢測設備。新的做法改由產品數位分身生成擬真影像來訓練視覺系統，訓練資料由 NVIDIA Cosmos 世界模型產生，工程師因此能在實體原型出現前就開始準備檢測。依 Siemens 公布的數據，這套虛擬量產準備流程最高可減少 85% 的工程投入，上市時間最高縮短 40%。
這些數字來自 Erlangen 工廠特定 PCB 產品的實際應用。該廠在現場運作中測試數位製造技術已超過十年，目前有超過 100 個 AI 演算法運行於生產、物流、品質檢測與維護。其他工廠能達到的效益，會因產品特性、資料完整度與既有系統而有明顯差異。
檢測準備的起點，從樣品移到設計資料
把 Siemens 的流程拆開來看，是將原本排在樣品之後的工作，部分移到設計階段完成。工程師先從 CAD 與 PCB 設計資料取得元件位置、外形與外觀特徵，再生成不同角度、光線與變異條件下的影像，用來初步建立視覺模型與檢測規則。實體樣品完成後，以真實影像校正模型；量產後出現的真實缺陷則持續回饋，讓模型跟著產品版次更新。
合成影像在這套流程中是起點。材質反光、焊點形態與實際缺陷的樣貌，仍需要真實樣品驗證。被大幅縮短的，是過去從零開始蒐集影像的那段等待。
AI 視覺的評估方式也可能隨之改變。過去製造業比較的是上線後的辨識率與漏檢率，接下來還會多一個指標：新料號導入時，檢測能多早準備好。
多數工廠的落差，在資料銜接
回到台灣的電子組裝、PCB 與半導體設備零組件廠，要直接複製 Siemens 的做法並不容易。高混低量是常態，一年導入的新料號可能數十甚至上百個；設計資料由客戶提供，版次頻繁變動；舊產品的圖面還分散在紙本、掃描檔與各種格式的 PDF 中。
在這樣的環境裡，工廠最先遇到的問題通常是設計資料與檢測需求之間沒有對應關係。圖面上標註的尺寸公差、元件規格與關鍵特性，需要品保或工程人員逐一轉成檢測項目；產品改版時，檢測設定與模型有沒有同步更新，也多半仰賴個人經驗。資料之間沒有串接，影像生成技術再先進也很難發揮作用。
現在就能開始準備的事
先知科技在協助製造業導入 AI 檢測的過程中觀察到，NPI 檢測準備能否提前，取決於幾項基礎工作是否到位。
首先是圖面與規格的結構化。把工程圖面與規格書中的尺寸、公差、材料與關鍵特性整理成可查詢與比對的資料，後續的自動化才有依據。
接著是建立規格與檢測項目的對應。哪一項規格對應哪一項檢查、判定標準是什麼、由哪個檢測站負責，這份對照建立起來之後，新料號導入時就不必每次從頭討論。
再來是讓影像資料與產品版次連動。模型使用哪一版圖面、哪一批影像訓練，都應該留下清楚紀錄，產品改版時才知道哪些檢測需要重新驗證。
最後是保留真實缺陷的回饋管道。初期訓練資料無論來自哪裡，量產後的真實缺陷都是模型持續進步的依據。
先知科技的做法：從圖面到檢測的資料銜接
在 Foresight NexusAI 平台上，圖文通 BlueprintLegacyAI 與天眼通 SkyEyes 分別處理這條路徑的兩端。
圖文通負責解析工程圖面與規格文件，將分散在不同格式中的尺寸、規格與標註轉為結構化資料，協助工程團隊更快整理新料號的檢測依據。天眼通負責 AI 視覺檢測，支援以少量樣本生成擴充訓練資料並建立模型，新料號在缺陷樣本不足的初期，就能先建立可用的檢測模型，再隨真實影像累積持續優化。天眼通目前已應用於太陽能面板、PCB 等產品的檢測場景。
兩者搭配後，新料號的檢測準備可以從圖面與規格開始整理，再透過少樣本建模縮短等待缺陷累積的時間。對高混低量工廠而言，每一次新產品導入都要重複的前置工作，有機會因此逐步縮短。
從最常導入新料號的產線開始
Siemens 屬於投入規模較大的先行者，台灣製造業不必一步到位。建議先從新料號導入最頻繁的產品線著手，盤點圖面、規格與檢測項目之間的對應現況，通常就能找出檢測準備時間最容易壓縮的環節。
如果你的工廠正面臨新料號導入頻繁、檢測站準備時間過長的情況，歡迎與先知科技聯繫，一起討論適合的導入起點。