**摘要：**7月17日 WAIC 2026刚结束，"从看见到看懂"成了行业热词。海康说检测效率提升80%，大华说零样本学习泛化。维视20年做的事，刚好就是这条路的完整切面------从规则算法到深度学习再到大模型，每一步都踩在真实的工厂里。本文用螺钉分类、鹌鹑公母识别、小龙虾分选、耳机外壳缺陷等真实案例，拆解"看见"到"看懂"到"用起来"的三步演进。
7月17日，WAIC 2026（世界人工智能大会）刚结束，"从看见到看懂"成了行业热词。
浙江日报7月8日的报道里有一句话很准：**视觉正在从"记录工具"变成"认知系统"。**海康说搭载观澜大模型后检测效率提升80%，大华的"驰光"相机说能零样本学习泛化。
维视做了20几年机器视觉，从规则算法到深度学习再到大模型，这条路是一步步走过来的。
"看见"时代：传统视觉能做什么
2010年代之前的机器视觉，本质是"规则匹配"。
工程师写一套算法：先定位产品在哪里，再判断有没有、尺寸对不对、字符是不是这个。所有的判断都来自"我事先定义好的规则"。
这套方法能解决一类问题------规则明确、特征稳定的场景。
某机械制造企业的螺纹表面缺陷检测，远心镜头+蓝色环光把螺纹齿廓打亮，斑块检出工具沿着螺纹走一遍，发现有破损、凹陷、压伤就标红。整套方案跑了几年，100%全覆盖，毫秒级检出。
▲ 传统视觉算法对螺纹表面缺陷的检出示意（绿框OK，红框NG）
这类场景的特点是："我能用语言把规则描述出来"。"螺纹破损"是什么意思，工程师能写出来，机器就能照着做。
但问题也出在这里。
某企业有200多种螺钉，每种长得都差不多，差几毫米、差一个螺帽角度。规则匹配要写200多套特征参数，换个批次还要重写。换一次螺钉型号，调机要两天。
更深的问题是自然形态。鹌鹑的公母差别在胸羽的纹路、叫声的频率，毛茸茸的小龙虾每一只的形态都不一样，靠规则怎么写？写不出来。
这就是"看见"的天花板：能描述清楚的，就能干；说不清楚的，就干不了。
"看懂"时代：深度学习改变什么
深度学习的核心突破是：不需要你写规则，让机器从数据里自己学。
维视的VisionBank AI深度学习能力从2017年开始落地，到现在已经覆盖了200+工具组合。几个关键数字：小样本训练10张起步、0代码操作、训练时间从小时级压缩到分钟级。
它能做什么？举几个真实场景。
螺钉分类：200+种0漏检
还是那个换型调机两天的企业。维视给的方案是：500万像素相机+背光，深度学习定位螺帽+螺杆，自动识别当前批次的6种目标型号。
关键是"自适应换批"------不同批次要求的6种型号不同，系统自动切换识别模型。换型时间从两天压缩到一小时。0漏检，24小时不停机，节省3个人工。
这个案例的特别之处在于：传统算法要写200套规则，深度学习只需要标注每个型号几十张图片。
▲ 鹌鹑公母识别软件界面------绿框"公"、红框"母"，深度学习从羽毛纹路中识别性别
鹌鹑公母识别：超越规则的"理解"
公鹌鹑的胸羽偏红，母鹌鹑的胸羽有黑斑。这个差别，传统算法几乎不可能写规则------每只鹌鹑的羽毛颜色都有差异，斑点大小不一。
维视方案：500W工业相机拍摄鹌鹑背部，深度学习全图分类模型，标注"公""母"训练。识别准确率高于人工。
这个案例最能说明"看懂"两个字------机器不是在匹配规则，是在从大量样本里学"公和母的整体差异"。
小龙虾分选：处理自然有机物
小龙虾分选过去纯靠人工。一筐小龙虾，3个/秒的速度，工人要分出"正反方向、叠虾、坏虾头、坏虾尾、颜色过深"五类。
▲ 小龙虾分选软件界面------红字"叠虾"标注深度学习对复杂自然形态的判别结果
维视方案：彩色相机+深度学习全图分类，对不同状态的小龙虾图片标记训练。3个/秒的速度不变，分类标准统一了，工人从分选台解放出来。
耳机外壳缺陷：像素级精确定位
耳机外壳要检出划痕、凹坑、脏污、毛刺等微小缺陷。维视用深度学习像素分割模型，绿色框标出合格区域，紫色/红色框标出缺陷位置，误差在亚像素级。
▲ 耳机外壳深度学习缺陷检出------绿框OK，紫色标注为划痕/凹坑，红色标注为NG点
这类任务传统算法能做，但需要为每种缺陷写一套规则。深度学习用一套模型覆盖所有缺陷类型，训练数据从几百张图片起步。
深度学习解决的是"看见"时代的核心痛点：**复杂形态、模糊规则、跨批次变化。**机器从数据里学规律，比人写规则覆盖的场景多得多。
"看懂"之后：检测数据反哺工艺
大模型的价值不只是检测------是把检测数据变成资产。
传统的检测流程是"产线→检测→NG件挑出来→人工复检→返工或报废"。检测数据和工艺优化是断的。
▲ 耳机外壳NG品视觉标注------缺陷类型、位置、严重度全部结构化输出，可上传MES系统
维视的方案里，检测结果不只是"通过/不通过"。耳机外壳NG时，软件会记录缺陷位置、类型、严重程度，**数据上传到MES系统。**生产主管看到的不是"今天NG了50个"，而是"模具C区在14:00-16:00出现集中性凹坑，可能是冷却参数偏移"。
这就是从"看见"到"看懂"之后的第三步：看见缺陷、看清根因、调整工艺。
检测数据反哺工艺的关键是"标准化输出"。维视VisionBank AI的200+工具组合，每一类检测结果都有统一的格式------位置、类型、严重度、图像快照------可以直接喂给上游的MES或下游的工艺数据库。
8200+客户、50000+套设备、99.8%良品率------这些数字背后，是每个工厂每天产出的检测数据在沉淀。
大模型能"看懂"什么
WAIC上讨论的大模型概念很多。回到工业现场，大模型的价值有三层：
**第一层，降低使用门槛。**小样本训练10张起步，0代码操作，会用电脑的工艺工程师就能部署模型。
**第二层，提升泛化能力。**传统深度学习换一个产品要重训，大模型有零样本/少样本学习能力------大华驰光相机在这点上做了探索。
**第三层，打通数据闭环。**检测数据沉淀成工艺优化的输入，工厂的"眼睛"和"大脑"连起来。
维视在这三层都做了20年的积累。小样本训练是2017年的事，0代码操作是2019年的事，数据闭环是过去几年逐步在做的。WAIC上的新词，在维视的工厂里已经跑了很久。
看见到看懂，看见之后
大模型在消费端能聊天，在工业端得干活。
WAIC 2026的主题是"从看见到看懂"。维视20年做的事，是把这句话翻译成工厂能用的方案------
看，是相机和光源的事。看懂，是算法和数据的事。看完之后用起来，是工厂数字化的最后一公里。
西安、北京、深圳、苏州、成都五个城市都有维视的开放实验室。不确定算法能不能跑通？带样件和数据来测，测试结果说话，测完再决定投不投。
毕竟，工厂里的"看懂"和展会上的"看懂"，不是一回事。
