一家“小巨人”企业的AI视觉大模型豪赌：2年砸数亿，如何成为智能制造领头羊？

本文来源：时代周报 作者：何珊珊

当人工智能席卷而来，AI视觉检测技术作为智能制造的“眼睛”，正从实验室加快走向工业生产一线。一家隐藏在苹果供应链背后的中国公司正崭露头角。

2016年是AI视觉元年，北京领邦智能装备股份公司（下称 “领邦智能”）同期成立。“当时，我预判第四代工业技术会颠覆此前所有技术，让机器像人类一样拥有视觉能力，工业应用前景巨大。” 领邦智能董事长崔忠伟向时代周报记者回忆。

早期，领邦智能凭借AI视觉小模型与角度成像技术结合，研发出稀土零件尺寸外观检测设备，解决了工业产品高亮表面检测难题，售价40万元/台。很快，公司收到来自江西金力永磁科技股份有限公司的第一笔订单，商业价值得以印证。

2018年，领邦智能又意外打入苹果供应链企业。当时，机械生产企业正从手工或半自动化全面转向自动化，苹果也开始要求自己的零部件供应商做全检（即全数检查，区别于抽检），这倒逼供应商提供的零部件质量必须过硬，否则装机易卡机，进而影响出货率。

崔忠伟介绍，领邦智能的设备是当时唯一能实现全检的设备。于是，苹果供应链多家供应商包括杭州美磁、韵升、瑞声等接连下单，领邦智能由此迎来首个小爆发期，年营收稳定在1500万～2000万元，跑通商业变现。

短期爆发并未完全消除创业焦虑。前期技术调配产生的高昂服务成本，几乎占据营收10%，公司长期面临升级限制。2023年，崔忠伟决定研发大模型技术。

“为攻克视觉检测大模型，公司2年内投入数亿元用于研发，几乎耗光前6年利润。”崔忠伟回忆道。此外，领邦智能中标国家专项所获得的国家补贴数千万元，也投入研发中。

由此，领邦智能从设备供应商转型为部件供应商，市场从垂类扩展至水平层。2024年3月，领邦智能发布自研视觉检测大模型；同年9月，领邦智能入选国家级专精特新小巨人企业。

领邦智能董事长崔忠伟，图源：受访者提供

创业的爽与痛：蓝海爽，高成本痛

2016年被业界视为AI视觉元年，深度学习推动计算机视觉突破，应用场景核心任务性能跃升，基于CNN的图像识别精度破纪录；技术也从学术走向应用，商业化加速，消费级产品落地。智能手机成为AI视觉首个规模化载体，人脸识别、照片分类等功能凸显其价值。

同年6月，领邦智能成立。“2016年成立时，AI视觉还是蓝海市场，我们的合同都是先款后货，甚至全款提货。” 崔忠伟回忆创业初期，语气感慨。

2018年是领邦智能发展的首个关键转折点。

此前苹果供应链以终端检测为核心，iPhone组装厂在整机组装完成后，再抽检不合格品，当时主要采用终端抽检方式。约2017年后，苹果要求供应商建实时数据采集系统，以用于分析数据（如良率波动、设备参数）提前识险、异常则全检，不再依赖终端抽检。当时，仅领邦设备能满足全检需求，检测设备供不应求，营收快速实现小爆发。

但2020年，模仿者增多导致市场竞争加剧，小模型弊端集中爆发。

“小模型是专用模型，不同产品、企业的每个规格都需重新标注训练。蓝海时期客户承担标注，AI大模型浪潮来后，市场竞争激烈后，客户要求技术方提供训练服务，服务成本攀升，占营收10%。” 崔忠伟介绍。

他给时代周报记者算账：“一个项目标注训练需一个月，人工成本高。小模型企业毛利虽25%，但扣除10% 服务成本后纯利趋近零，行业陷入标注成本纠纷循环。” 更棘手的是，客户需求饱和后服务难持续，“设备用不好，甲乙双方矛盾不断，这是小模型时代普遍痛点。”

2022年12月初代ChatGPT发布后，崔忠伟第一时间研究，“我们迅速判断，大模型不同于小模型。它会像瓦特蒸汽机一样改变行业。”2023年1月，领邦智能正式启动视觉检测大模型研发。“当时公司账上的钱都是前几年赚的，我们决定全部投入，这是一场豪赌。”崔忠伟说道。

幸运的是，2017年起，领邦智能就有了数据收集意识，至2023年已积累近10亿张工业图片数据，成为后续的研发底气。

“我们当时对数据的意识很简单，虽不知技术路在何方，但坚信数据量够大，模型总会变聪明好用，AI视觉检测会像人类一样。” 崔忠伟说。

这一天很快到来了。

领邦智能的产品和奖项，图源：受访者供图

烧钱的转型路：少样本泛化，重构工业质检逻辑

与所有人工智能企业一样，领邦智能的大模型研发过程堪称 “烧钱”。

开发视觉检测大模型需三大要点，即：数据、算力、人才。数据层面，领邦智能早期已储备搭建数据库；算力方面，此前储备几百张GPU卡；人才方面，领邦智能迅速在美国和北京组建团队，研发人员占比最高峰超 60%。15个月投入数亿元，主要用于算力、人才及数据标注。

崔忠伟坦言，自己也动摇过：“但我知道，不转型就是等死。” 期间，国家补贴缓解了部分研发资金的压力。

2024年3月30日，在重庆智能检测装备产业高质量发展推进会上，领邦智能发布全球首款视觉检测大模型。

崔忠伟介绍，该大模型基于Transformer结构，以超1亿张工业缺陷图像训练，实现 “智能涌现”。

与小模型相比，大模型最大突破是 “少样本跨域泛化”，核心优势即小样本迁移能力，依托超1亿张工业缺陷图像数据库与AI视觉检测技术，即可将能力迁移至工业质检多个陌生领域，最终精准识别对应缺陷，大幅提升各工业场景适用性与普遍性，降低操作复杂度。这在小模型时代不可想象。

同年10月，为推动该技术落地，领邦推出集成大模型的视觉智能体，彻底改变公司定位。“过去我们是基于小模型技术的硬件设备供应商，现在是通用技术提供者，覆盖所有视觉检测场景。” 崔忠伟说。

转型升级也带来直观变化：借助大模型高效提升AI检测能力，设备调试交付周期从一个月缩至三天，人力服务成本占营收比从10%降至1%。

2024年9月，领邦智能入选工信部2024年第六批国家专精特新“小巨人”企业名单。崔忠伟认为，“这标志着我们的技术创新和市场化得到认可。”

目前，领邦智能已拥有62项专利、20项著作权，集中在 “少样本学习”“跨域迁移” 等领域。崔忠伟表示：“我们证明了CNN结构不适合大规模预训练，Google的团队在2017年提出的Transformer深度学习架构，才是视觉类大模型的正确路径。”

“因此，大模型的关键不是参数大小，而是‘大规模预训练 + 智能涌现’。我们的模型能直接对接具体任务，无需中间行业模型，这正是通用性的体现。” 崔忠伟对时代周报记者表示。

未来布局：构建AI视觉检测智能制造生态

在崔忠伟看来，AI视觉大模型的价值不止于质检，更在于重构工业生产生态。

在VisionChina2024（深圳）机器视觉展暨机器视觉技术及工业应用研讨会上，崔忠伟演讲时提到，传统工厂体系分物理层（OT层，机器设备等）与信息层（IT 层，质量数据、工时、良品率等）。过去企业多聚焦OT层单点智能，而领邦智能正打造基于大模型的原生工厂IT系统，重构智能制造底层逻辑。

“传统自动化IT系统依赖预设菜单和规则，没有预设功能就无法实现需求；而智能化 IT系统以对话框替代菜单，能灵活响应各类动态需求。“崔忠伟解释，中小企业无传统系统使用惯性，更易接受智能化IT工具，这将破解中小企业数字化推进受阻的难题。

崔忠伟强调，这一变革意味着软件行业正迎来 “重写时代”，所有传统软件都需迭代升级。值得关注的是，中小企业将成为这场变革的首批受益者。

目前，领邦智能通过调用外部大语言模型重构工厂IT层，结合OT层技术，构建智能制造全景体系。而这一目标是从单一视觉检测升级为覆盖全链条的智能制造解决方案。

崔忠伟认为，大模型的泛化能力让场景拓展成本极低：“一个模型稍加调整就能适配新行业，这就是通用技术的价值。”

作为工信部人工智能产业创新任务揭榜挂帅优胜单位，领邦智能还参与制定了 AI 视觉检测行业标准。“过去行业碎片化，2000 多家企业各做各的，我们希望推动行业标准化。” 崔忠伟说。

把目光望向更长远的目标，崔忠伟希望公司 “成为智能制造的领头羊”。他期望，公司不仅做视觉检测，还要通过大模型重构工厂 IT 系统，推动制造业从自动化走向智能化。