演講實(shí)錄丨阿丘科技李嘉悅：大模型驅(qū)動(dòng)的AI檢測(cè)范式變革——大模型、小模型、智能體的協(xié)同進(jìn)化

3月28日，由機(jī)器視覺(jué)產(chǎn)業(yè)聯(lián)盟（CMVU）主辦、慕尼黑展覽（上海）有限公司承辦的VisionChina2025（上海）機(jī)器視覺(jué)展在上海新國(guó)際博覽中心圓滿落幕。阿丘科技產(chǎn)品總監(jiān)李嘉悅在機(jī)器視覺(jué)及工業(yè)應(yīng)用研討會(huì)現(xiàn)場(chǎng)，圍繞“大模型驅(qū)動(dòng)的AI檢測(cè)范式變革：大模型、小模型與智能體的協(xié)同進(jìn)化”的主題，發(fā)表了精彩演講。

尊敬的各位來(lái)賓，我是嘉悅，來(lái)自北京阿丘科技。今天，我將與大家分享《大模型驅(qū)動(dòng)的AI檢測(cè)范式變革：大模型、小模型與智能體的協(xié)同進(jìn)化》。

在探討大模型之前，讓我們簡(jiǎn)單回顧一下工業(yè)AI視覺(jué)的發(fā)展歷程。2019年被視為工業(yè)AI視覺(jué)的元年，當(dāng)時(shí)以CNN為主流的小模型路線開(kāi)始在早期客戶中落地。后續(xù)一直到2024年，工業(yè)AI視覺(jué)處于一個(gè)跨越鴻溝的階段，AI開(kāi)始逐漸在各個(gè)細(xì)分領(lǐng)域和市場(chǎng)中普及，從頭部客戶到腰部客戶，甚至在某些細(xì)分行業(yè)已經(jīng)成為標(biāo)配。到了2025年可以說(shuō)，我們已經(jīng)基本跨越了這個(gè)鴻溝，表現(xiàn)為大部分客戶已經(jīng)認(rèn)可AI在工業(yè)領(lǐng)域的實(shí)用性，認(rèn)可AI在工業(yè)檢測(cè)中的落地能力。

然而這幾年雖然認(rèn)知是變化了，但AI檢測(cè)應(yīng)用的增長(zhǎng)速度并不算快，呈現(xiàn)出較為線性的增長(zhǎng)趨勢(shì)，遠(yuǎn)未達(dá)到爆發(fā)狀態(tài)，沒(méi)有形成質(zhì)變。原因在于小模型技術(shù)路線存在一些長(zhǎng)期困擾行業(yè)的問(wèn)題：樣本收集周期長(zhǎng)、模型迭代周期長(zhǎng)以及模型泛化能力差。

樣本收集方面，工業(yè)缺陷樣本稀缺，收集周期漫長(zhǎng)。模型迭代過(guò)程中，非專業(yè)工程師在調(diào)優(yōu)模型時(shí)常常面臨不收斂的問(wèn)題，導(dǎo)致AI落地周期延長(zhǎng)。此外，小模型的泛化能力不足，對(duì)于未見(jiàn)過(guò)的樣本，模型往往無(wú)法準(zhǔn)確識(shí)別，這又回到了樣本收集的難題上。這些問(wèn)題成為了制約AI檢測(cè)落地和增長(zhǎng)的關(guān)鍵因素。

為了解決這些問(wèn)題，阿丘科技這幾年一直在探索和嘗試。令人興奮的是，在去年AI領(lǐng)域出現(xiàn)了一個(gè)非常大的技術(shù)變量，通用大模型爆發(fā)式涌現(xiàn)了。從大家熟悉的OpenAI的ChatGPT，到后來(lái)的豆包、Kimi，再到春節(jié)期間爆火的DeepSeek，3月出現(xiàn)的Manus智能體，這些大模型引發(fā)了廣泛討論。我們可以看到，通用AI智能的能力水平正在以驚人的速度提升，可能已經(jīng)超越了許多普通人的智力和知識(shí)水平。雖然通用大模型不直接影響AI檢測(cè)，但它標(biāo)志著AI技術(shù)已經(jīng)來(lái)到了一個(gè)突破點(diǎn)，預(yù)示著即將迎來(lái)突破性的影響。

回歸到工業(yè)檢測(cè)本身，大模型技術(shù)的變遷會(huì)產(chǎn)生哪些影響呢？對(duì)于大模型在工業(yè)檢測(cè)中的應(yīng)用，存在兩種不同的聲音。一種較為保守的觀點(diǎn)認(rèn)為，大模型與工業(yè)檢測(cè)無(wú)關(guān)，它更像一個(gè)聊天機(jī)器人，可以輔助一些文書(shū)類工作，無(wú)法適應(yīng)工業(yè)場(chǎng)景的嚴(yán)格的準(zhǔn)確性要求。在工業(yè)檢測(cè)中無(wú)法發(fā)揮作用。另一種較為激進(jìn)的觀點(diǎn)則認(rèn)為，大模型的能力極其強(qiáng)大，很快就可以直接接入工廠，一步到位實(shí)現(xiàn)自動(dòng)化質(zhì)檢。

而阿丘科技，一直對(duì)大模型技術(shù)發(fā)展進(jìn)行了長(zhǎng)期關(guān)注，我們的觀點(diǎn)是，大模型確實(shí)會(huì)加速AI檢測(cè)范式的轉(zhuǎn)變，但它并不是一個(gè)非此即彼的替代關(guān)系，我們認(rèn)為，大模型將進(jìn)入工業(yè)檢測(cè)領(lǐng)域，并與小模型形成協(xié)同關(guān)系。

一、什么是大模型、小模型、智能體

接下來(lái)，我想簡(jiǎn)單科普一下什么是大模型、小模型、智能體。

小模型通常指的是傳統(tǒng)的深度學(xué)習(xí)網(wǎng)絡(luò)，如CNN等，其參數(shù)規(guī)模較小，通常在百萬(wàn)級(jí)。小模型在數(shù)據(jù)處理能力上存在一定限制，對(duì)數(shù)據(jù)量和數(shù)據(jù)多樣性要求較高，對(duì)數(shù)據(jù)質(zhì)量和一致性的要求也較為嚴(yán)格。這也就是為什么在工業(yè)檢測(cè)中，我們要求標(biāo)注必須準(zhǔn)確無(wú)誤，否則模型會(huì)產(chǎn)生混淆。小模型的知識(shí)模態(tài)通常是單模態(tài)，要么是文本，要么是圖像、視頻等。其泛化性能相對(duì)較差，因?yàn)樗鼈冎粚W(xué)習(xí)了特定的、局部的知識(shí)。例如，一個(gè)用于車牌識(shí)別的小模型，只能進(jìn)行車牌識(shí)別，無(wú)法識(shí)別其他物體。

相比之下，大模型采用了Transformer等架構(gòu)，解決了小模型在長(zhǎng)時(shí)間和遠(yuǎn)距離依賴問(wèn)題上的不足。這種架構(gòu)允許我們通過(guò)堆疊海量數(shù)據(jù)和參數(shù)來(lái)提升模型能力，參數(shù)規(guī)模通常達(dá)到數(shù)十億甚至上百億。大模型能夠接收批量規(guī)模的文本、圖像、音頻等多模態(tài)數(shù)據(jù)，并對(duì)其進(jìn)行處理。它對(duì)數(shù)據(jù)中的噪聲和不一致性具有較強(qiáng)的魯棒性，即使數(shù)據(jù)中存在一些錯(cuò)誤，也不會(huì)對(duì)模型產(chǎn)生太大影響。大模型通常是多模態(tài)的，如視覺(jué)語(yǔ)言模型、聽(tīng)覺(jué)語(yǔ)言模型等，具有出色的泛化性能，能夠在未見(jiàn)過(guò)的數(shù)據(jù)和新任務(wù)上表現(xiàn)出較好的適應(yīng)性和舉一反三的能力。

智能體可以簡(jiǎn)單理解為大模型應(yīng)用的一種包裝形式，它可以自主完成一系列動(dòng)作以達(dá)成目標(biāo)，類似于一個(gè)輔助人類的小助理。智能體并不是一個(gè)單獨(dú)的模型分類，而是大模型在特定應(yīng)用方式下的體現(xiàn)。

接下來(lái)，我們簡(jiǎn)單了解一下這些模型是如何訓(xùn)練出來(lái)的，這有助于我們理解模型為何具有這樣的能力。

首先，無(wú)論是小模型還是大模型，都需要經(jīng)過(guò)預(yù)處理階段。在這個(gè)階段，所有的非數(shù)字類信息都會(huì)被轉(zhuǎn)化為數(shù)字信息，以便計(jì)算機(jī)進(jìn)行處理。

其次是訓(xùn)練過(guò)程。對(duì)于小模型來(lái)說(shuō)，訓(xùn)練過(guò)程主要是對(duì)專業(yè)知識(shí)的學(xué)習(xí)，可以采用監(jiān)督學(xué)習(xí)或非監(jiān)督學(xué)習(xí)的方式，在工業(yè)檢測(cè)領(lǐng)域，監(jiān)督學(xué)習(xí)的應(yīng)用較為廣泛。

而對(duì)于大模型，其訓(xùn)練過(guò)程則有所不同，通常分為兩個(gè)階段。首先是預(yù)訓(xùn)練階段。在這個(gè)階段，模型通過(guò)大量的互聯(lián)網(wǎng)信息，以自監(jiān)督的方式學(xué)習(xí)通用知識(shí)。這個(gè)過(guò)程通常需要消耗大量資金、算力和時(shí)間，因此，當(dāng)人們提到做大模型燒錢時(shí)，通常指的是這個(gè)預(yù)訓(xùn)練階段。預(yù)訓(xùn)練之后，還有一個(gè)關(guān)鍵步驟叫做微調(diào)。由于互聯(lián)網(wǎng)數(shù)據(jù)可能存在信息不全或不準(zhǔn)確，需要通過(guò)微調(diào)來(lái)提升模型的專業(yè)度。微調(diào)的其中一種方式是人工標(biāo)注，類似于我們?cè)诠I(yè)檢測(cè)中對(duì)缺陷進(jìn)行標(biāo)注一樣，人工標(biāo)注會(huì)告訴模型正確答案，然后模型會(huì)根據(jù)這些標(biāo)注數(shù)據(jù)進(jìn)行學(xué)習(xí)。此外，還有一種新興的方式是強(qiáng)化學(xué)習(xí)，即通過(guò)給模型的答案打分，讓模型不斷嘗試，直到達(dá)到較高的分?jǐn)?shù)，從而確定最終答案。這兩種方法在實(shí)際應(yīng)用中都有所采用。

前面我們所討論的大模型概念，通常指的是我們?nèi)粘＝佑|的一些應(yīng)用場(chǎng)景，然而，當(dāng)大模型真正應(yīng)用于企業(yè)時(shí)，它可以細(xì)分為多個(gè)層次。

除了通用大模型，適用于多種任務(wù)和生活場(chǎng)景的模型之外，還有行業(yè)大模型，這類模型是為特定行業(yè)量身定制的，具備該行業(yè)的專業(yè)性。例如，在煤礦領(lǐng)域的大模型需要了解煤礦行業(yè)的各種專業(yè)知識(shí)；在醫(yī)療領(lǐng)域，大模型可以作為醫(yī)生的助理，具備一定的專業(yè)輔助能力。

再往下細(xì)分，還有場(chǎng)景大模型，這類模型針對(duì)特定的應(yīng)用場(chǎng)景進(jìn)行設(shè)計(jì)，具有更強(qiáng)的專業(yè)性。例如，用于磁材檢測(cè)的大模型、煙草檢測(cè)的大模型，或者針對(duì)某種工藝缺陷檢測(cè)的大模型等。

最后是場(chǎng)景小模型，這是我們目前應(yīng)用的主流。它專注于特定場(chǎng)景中的特定任務(wù)，在該任務(wù)上具有很強(qiáng)的專業(yè)性。例如，專門用于檢測(cè)某一產(chǎn)品某一缺陷項(xiàng)的模型，它可能無(wú)法檢測(cè)其他產(chǎn)品或其他缺陷項(xiàng)，這種場(chǎng)景小模型在日常應(yīng)用中非常普遍。另外，按技術(shù)類型劃分，還可以分為單模態(tài)和多模態(tài)模型。多模態(tài)模型結(jié)合了多種不同類型的數(shù)據(jù)，如文本、圖像、視頻等，具有更強(qiáng)大的理解和生成能力。

在企業(yè)應(yīng)用大模型時(shí)，一個(gè)關(guān)鍵點(diǎn)是要準(zhǔn)確匹配企業(yè)自己的實(shí)際問(wèn)題和需求，然后選擇合適的模型。我們不能僅僅憑借感覺(jué)或偏好來(lái)選擇模型，不同模型的效果和訓(xùn)練開(kāi)銷存在很大差異，我們要避免“殺雞用牛刀”或“殺牛用雞刀”的情況。

二、工業(yè)視覺(jué)如何運(yùn)用大小模型？

回到工業(yè)視覺(jué)領(lǐng)域，要探討如何合理運(yùn)用大小模型，我們可以來(lái)列舉和分析一下它們與工業(yè)檢測(cè)的匹配度。

首先，通用AI大模型是通過(guò)大量互聯(lián)網(wǎng)數(shù)據(jù)訓(xùn)練出來(lái)的，然而，工業(yè)數(shù)據(jù)在互聯(lián)網(wǎng)上相對(duì)較少，尤其是工業(yè)質(zhì)量數(shù)據(jù)。因此，這類通用大模型在工業(yè)檢測(cè)中的準(zhǔn)確度通常較差，直接應(yīng)用于工業(yè)檢測(cè)的效果并不理想。

相比之下，我們有機(jī)會(huì)構(gòu)建專門的工業(yè)檢測(cè)大模型，這類模型類似于行業(yè)大模型的層次。通過(guò)大量工業(yè)數(shù)據(jù)、文本和圖像進(jìn)行訓(xùn)練，能夠?qū)W習(xí)到各行各業(yè)、各種制造領(lǐng)域中不同產(chǎn)品的各種缺陷知識(shí)，因此在工業(yè)檢測(cè)領(lǐng)域具有很強(qiáng)的泛化能力。然而，它的準(zhǔn)確度和精確度存在一定的上限，推理速度也相對(duì)較慢。工業(yè)檢測(cè)大模型類似于企業(yè)中的綜合性人才，對(duì)于常見(jiàn)的任務(wù)和稍微專業(yè)一些的工作，它可以勝任。例如，今天檢測(cè)一種產(chǎn)品，明天換到另一個(gè)車間檢測(cè)另一種產(chǎn)品，它都能很快適應(yīng)。這種模型適合于工業(yè)場(chǎng)景中典型的工藝，以及對(duì)檢測(cè)指標(biāo)和速度要求不是特別嚴(yán)格的場(chǎng)景，能夠?qū)崿F(xiàn)即插即用的效果。

接下來(lái)是場(chǎng)景大模型，這類模型學(xué)習(xí)了一定規(guī)模的特定范圍內(nèi)的知識(shí)，因此在準(zhǔn)確度、處理速度和泛化能力方面表現(xiàn)出色。在特定場(chǎng)景內(nèi)，它可以實(shí)現(xiàn)即插即用，應(yīng)用性非常好。就像直接聘請(qǐng)一位本領(lǐng)域的資深專家，他來(lái)了就能直接上手工作。這種模型適用于工藝具有一定代表性、積累了大量同場(chǎng)景不同產(chǎn)品數(shù)據(jù)的情況，同時(shí)待檢產(chǎn)品型號(hào)較多，需要一定的泛化能力。

然后是小模型，它專注于學(xué)習(xí)特定的知識(shí)，優(yōu)勢(shì)在于準(zhǔn)確度高和推理速度快。由于它只專注于一個(gè)任務(wù)，延展能力有限，類似于聘請(qǐng)了一位小學(xué)生，專門訓(xùn)練他完成一項(xiàng)任務(wù)，他可以將這項(xiàng)任務(wù)完成得非常好，而且成本較低。小模型適用于工藝獨(dú)特、數(shù)據(jù)較少的場(chǎng)景，或者對(duì)檢測(cè)指標(biāo)要求較高的情況，以及產(chǎn)品品類有限、不追求泛化能力的場(chǎng)景。

最后是智能體，智能體在工業(yè)檢測(cè)領(lǐng)域可以作為一個(gè)自主模型訓(xùn)練的小助手。目前，許多員工在重復(fù)性的工作中投入了大量時(shí)間，而引入智能體可以大幅降低模型迭代的難度和時(shí)間成本。

綜合來(lái)看，工業(yè)市場(chǎng)是一個(gè)高度碎片化的市場(chǎng)，各種場(chǎng)景、缺陷類型和指標(biāo)要求都存在。這意味著在工業(yè)檢測(cè)中，大小模型的協(xié)同是一個(gè)必然趨勢(shì)，沒(méi)有哪一種模型能夠完全取代其他模型覆蓋所有場(chǎng)景。

同時(shí)，協(xié)同并不意味著是一種固定的模式，相反，隨著技術(shù)的快速進(jìn)步，這一過(guò)程一定是動(dòng)態(tài)的。例如，在2024年，可能95%以上的應(yīng)用都是小模型，只有少數(shù)企業(yè)開(kāi)始落地場(chǎng)景大模型，并取得了不錯(cuò)的效果。到了今年，大模型的應(yīng)用正在快速增長(zhǎng)，工業(yè)檢測(cè)大模型可能迎來(lái)其首個(gè)落地場(chǎng)景。預(yù)計(jì)在未來(lái)的2026、2027、2028年，大模型系統(tǒng)將處于快速增加的狀態(tài)，但五年后可能會(huì)趨于平穩(wěn)，三種模型的應(yīng)用場(chǎng)景分工將逐漸明確和固定下來(lái)。此外，模型訓(xùn)練智能體有望在未來(lái)一年左右時(shí)間內(nèi)出現(xiàn)在市場(chǎng)上。

三、阿丘科技AI模型產(chǎn)品布局

沿著這些思路，阿丘科技正在布局自己的AI產(chǎn)品序列。首先，我們?nèi)匀槐Ａ粜∧Ｐ头较虻漠a(chǎn)品，因?yàn)樵谖磥?lái)幾年內(nèi)，小模型仍將在應(yīng)用中占據(jù)較大比重。我們?yōu)檫@一領(lǐng)域的場(chǎng)景提供開(kāi)發(fā)工具套件，如大家熟悉的AIDI等軟件工具型產(chǎn)品，它們追求高精度、高準(zhǔn)確度和高速性能。

對(duì)于場(chǎng)景大模型類產(chǎn)品，我們直接提供面向特定場(chǎng)景的端到端即插即用模型。除了去年分享過(guò)的PCB領(lǐng)域的大模型應(yīng)用，今年我們還嘗試了在磁材、煙草、金屬和塑料表面等場(chǎng)景的模型落地，并取得了良好的效果，將落地周期從幾個(gè)月縮短到了一周左右。

工業(yè)檢測(cè)大模型產(chǎn)品也是我們今年研發(fā)的重點(diǎn)。我們稱之為AQ-VLM，即阿丘的視覺(jué)語(yǔ)言模型，它是基于我們之前積累的所有工業(yè)圖像數(shù)據(jù)資產(chǎn)構(gòu)建的一個(gè)智能的基座模型。這個(gè)大模型分為兩個(gè)部分，一個(gè)是用于缺陷檢測(cè)的工業(yè)視覺(jué)大模型，這個(gè)大模型能夠在一些常見(jiàn)的通用工業(yè)檢測(cè)場(chǎng)景中實(shí)現(xiàn)即插即用。同時(shí)，我們還開(kāi)放了模型微調(diào)窗口，只需原來(lái)小模型所需數(shù)據(jù)量的1%左右，就可以快速微調(diào)模型，以適應(yīng)新的領(lǐng)域。

另一個(gè)分支是通用缺陷生成模型，同樣基于我們積累的高質(zhì)量工業(yè)數(shù)據(jù)進(jìn)行訓(xùn)練，并支持提示和參考圖結(jié)合的方式進(jìn)行生成。由于工業(yè)圖像數(shù)據(jù)對(duì)質(zhì)量要求較高，我們通過(guò)文本編碼器和圖像編碼器相結(jié)合的方式進(jìn)行生成，以確保生成的數(shù)據(jù)能夠滿足模型訓(xùn)練的要求。

這是一個(gè)正在研發(fā)中的產(chǎn)品，我們制作了一個(gè)小型demo在展臺(tái)供大家分享。例如您可以導(dǎo)入任意一張圖片，然后給它一個(gè)指令，比如“請(qǐng)幫我檢測(cè)這張圖像中的臟污”，它能夠理解您的意思并框出缺陷的位置。同樣，對(duì)于缺陷生成模型，您可以輸入產(chǎn)品圖樣，并要求生成某種特定的缺陷，如“請(qǐng)幫我這張圖像的右下角生成一個(gè)凹陷”。

接下來(lái)是智能體的部分。智能體不會(huì)作為我們的一個(gè)單獨(dú)的產(chǎn)品品類存在，而是更多地集成到我們的模型訓(xùn)練開(kāi)發(fā)平臺(tái)中。它的使用模式是將原本許多人工重復(fù)性的工作，包括一些需要專業(yè)知識(shí)的重復(fù)性工作，轉(zhuǎn)變?yōu)橛芍悄荏w完成。我們的目標(biāo)是讓人工只需負(fù)責(zé)保障標(biāo)準(zhǔn)的正確性，其余工作都交由智能體處理。所以智能體可能嵌入在AIDI或阿丘的其他訓(xùn)練平臺(tái)中。我們相信，未來(lái)智能體將成為小模型和大模型訓(xùn)練過(guò)程中的核心“人員”。

四、實(shí)踐案例

最后，我想分享一個(gè)實(shí)踐案例，以幫助大家更好地理解大小模型協(xié)同的概念。

我們最近在幾個(gè)不同的客戶中在嘗試金屬結(jié)構(gòu)件檢測(cè)的場(chǎng)景。這些客戶都已經(jīng)非常認(rèn)可AI技術(shù)，但仍被一些問(wèn)題所困擾，如周期過(guò)長(zhǎng)、模型不收斂等。于是，我們嘗試通過(guò)VLM和小模型協(xié)同的方案，看看是否能夠?qū)崿F(xiàn)模型的復(fù)用，從而解決這些問(wèn)題。

具體來(lái)說(shuō)，我們針對(duì)不同的缺陷類型采取了不同的策略。對(duì)于明顯的缺陷，我們可以直接使用大模型進(jìn)行檢測(cè)。例如，金屬表面上的壓傷是一種非常典型的缺陷類型，大模型此前已經(jīng)經(jīng)過(guò)充分學(xué)習(xí)，我們可以直接輸入指令，如“幫我檢測(cè)一下壓傷”，模型就能直接識(shí)別出壓傷，無(wú)需額外訓(xùn)練。

對(duì)于不那么明顯但相對(duì)常見(jiàn)的缺陷，如果我有一些樣本數(shù)據(jù)，我們可以采用VLM加上微調(diào)的方法來(lái)實(shí)現(xiàn)檢測(cè)。例如，劃傷也是一種常見(jiàn)缺陷，但在某些場(chǎng)景中，劃傷可能很輕，看起來(lái)對(duì)比度很低，模型之前沒(méi)有學(xué)習(xí)過(guò)如此輕微的劃傷。我們可以通過(guò)微調(diào)，將這些對(duì)比度很低的劃傷樣本數(shù)據(jù)額外輸入模型，使其能夠順利識(shí)別出這種劃傷。

第三種情況是缺陷既不明顯又較為罕見(jiàn)，幾乎沒(méi)有通用性。針對(duì)這種情況，我們采用生成式AI結(jié)合小模型和智能體的方法來(lái)解決。我們可以給生成模型輸入一張良品圖，再結(jié)合真實(shí)的缺陷參考圖，然后輸入一個(gè)指令，如“幫我生成一個(gè)類似的缺陷”，模型會(huì)理解您的意思，并生成一個(gè)形態(tài)不同但看起來(lái)較為真實(shí)的缺陷圖像。然后，我們將這些真實(shí)圖和生成圖作為訓(xùn)練數(shù)據(jù)集輸入到AIDI中進(jìn)行訓(xùn)練，這個(gè)過(guò)程可以利用智能體來(lái)輔助。最終，我們可以在場(chǎng)景中實(shí)現(xiàn)實(shí)現(xiàn)對(duì)缺陷的良好識(shí)別。

總結(jié)來(lái)說(shuō)，對(duì)于明顯的缺陷，我們?nèi)渴褂么竽Ｐ蚔LM解決；對(duì)于不明顯但常見(jiàn)的缺陷，我們使用VLM加微調(diào)的方法；對(duì)于不明顯且罕見(jiàn)的缺陷，我們采用生成大模型+小模型+智能體的方式。當(dāng)然，這些模型的能力邊界是動(dòng)態(tài)變化的，因此，我們的方案也保持一定的開(kāi)放性，例如也許對(duì)明顯且長(zhǎng)尾的缺陷可以采用非監(jiān)督小模型，這些都有很多可能性，這些也是我們會(huì)持續(xù)關(guān)注的方向。

最后總結(jié)一下，去年展會(huì)演講時(shí)，我們老板說(shuō)過(guò)一句話：“不會(huì)用AI的將會(huì)被用AI的淘汰。”今年，在這個(gè)快速變化的時(shí)代，我要補(bǔ)充一句：“AI工業(yè)視覺(jué)的格局正在加速變革，不會(huì)用大模型的將會(huì)被善用大模型的人淘汰?！?/span>