这个解决方案的范畴是什么?可以说是视觉系统范畴，也可以说是视觉检测设备范畴。叫解决方案，就是基于算法叠加的一个完整方案。我们内部的观点是，AI不仅仅是一个技术模块，它是一种新的认知框架，本质上是基于数据和标准驱动的。首先我们要有这么一个认知框架，再往下看我们的视觉解决方案，核心包括哪些部分?对这些部分意味着是什么?
我抽取了里面三个核心部分：
1. 成像模组
成像模组就是整个机器视觉里面成像的所有器件跟方案，它背后的基本原理是什么?是基于传统算法，而传统算法基于定量分析。所以说我们基于传统算法来做的成像方案，它的底层要求是“定量、高对比度”。
这个会导致什么样的后果?比如说我们要检测一个表面很多不同类型的缺陷。为了要达到高对比度的定量，可能我需要打若干场光。可能每场光对应两种缺陷，后面才能把这些缺陷完整的呈现出来，成像的效率非常低。
9907-147
而我们进入AI时代以后，我们对成像的要求变了，只要是目视可见即可。当前基于传统算法构建的成像方案，本质上还只是一个“光电转换器”。只是把一个关键信号转换成图像，距离我们所说的眼睛差的太远了。当然，我们也不可能一步跃成眼睛，那至少阶段性的目标我们是不是可以达到摄影水准。这个做到了有什么好处呢?一方面是能够提高我们整个成像的空间效率，更重要的是它简化了、通用化了、成本低了。这是很重要的一个根本变化。
2. 算法模组
客观来说，当前落地的各种项目，成本还是比较高的。根源在于大部分只是把AI作为一个算法模块，把它叠加到原来的体系里面，就比较低效。后续算法方案一定要以AI为中心，打通和优化整个计算流和数据流，这个才是最优的方式，能够提高训练推理效率、降低部署维护成本。
3. 自动化模组
在传统算法时代，由于成像有很多约束，自动化能发挥的作用非常受限。AI其实是打破了算法的束缚，本质上也打破了我们成像的束缚。可以自动化帮我们拍图，各种“凹姿势”“摆造型”。只要能将缺陷拍清楚就可以，并不需要那么明亮的成像。如果这么来做的话，极大地降低了自动化复杂度，提高了自动化通用性。并且能够比较简单高效地解决产品异形、多型号小批量等成像难题。
从大的维度来看，工业视觉解决方案会按两个极端方向演进：
- 轻量级场景：更强调一体化，极致的简单易用，可能需要线上训练。
- 复杂场景：更强调通用化解决方案，包括：通用成像模组、通用大模型、通用自动化模组，降低全链路综合成本。
