你能想象吗？一颗直径不到4毫米的小钢球，竟然能难倒一家年产值几亿的轴承厂。

前段时间，我和得到AI学习圈的同学，也是北京凡钢科技的创始人卢无为沟通时，他跟我分享了这么一个案例：他们用AI帮一家山东轴承公司解决了困扰多年的钢球质检难题。当我听到背后的具体细节后，发现这个案例特别有意思。

一、一颗小钢球的质检难题

你可能想不到，就是这么一颗不起眼的小钢球，撑起了多少设备的正常运转。你家里的窗帘滑轨、橱柜滑轮、洗衣机滚筒里，其实都有它的身影。在工业领域，钢球更是轴承里的核心零件，广泛应用在电动汽车、人形机器人等热门产业里。可以说，没有高质量的钢球，就没有可靠的设备。

但就是这么一颗看似简单的小钢球，对它做质检的难度和挑战很大。

卢同学告诉我，他们检测的钢球直径最小只有3.969毫米，而钢球表面的缺陷往往是微米级的——擦伤、划伤、裂纹、凹坑、杂质，这些缺陷用肉眼根本看不清楚。

人工显微镜下看到的钢球

传统的质检方式是人工抽检，比如一批次生产十几万颗钢球，然后按10%左右的比例进行抽检。这个抽检还不是机器直接识别，是通过经验丰富的老师傅借助检测仪来做。

这种检查方式的局限性，我不说你都能想到。

一是效率低得要命。一位有经验的熟手，一小时也只能检查约300颗钢球。你算算，一条生产线一天要生产几万颗钢球，这点检测速度根本跟不上。即使用上显微镜，检验员盯久了眼睛也受不了，准确率很难保证。

更关键的问题是，不同人的判断标准不一致。今天这个检验员觉得合格的钢球，明天换个人可能就判定为不合格。这种主观性，让质检的可靠性成了长期难题。

关键是抽检这种方式，不良率的标准如果定在5%，那只要低于5%的话，质检就算通过了。这套传统方案，是没办法让不良率降到更低的。

卢无为告诉我，他们之前也试过不少办法：多招检验员、提高检测仪的放大倍率、买进口的光学检测仪、提高抽检比例，等等。但这些方法要么成本太高，要么效果有限，始终解决不了“小钢球缺陷微细、批量质检效率低”的难题。

二、AI解决方案三步走

那么问题来了，卢无为他们是怎么用AI解决这个看似无解的难题的呢？

说实话，刚开始他们也是一头雾水，看到什么问题，就去找对应的解决方案。

就拿油污干扰这个问题来说。一开始，卢无为的想法很直接：既然油污影响检测，那就先把油污清理干净再检测。于是，他们花了大量人力物力，专门安排工人在检测前把钢球表面的油污擦拭干净。

这一擦不要紧，问题更多了。抹布带来了新的杂质，有时候是纤维，有时候是静电吸附的灰尘。为了解决这个问题，他们又开始采购各种材质的抹布——无纺布的、超细纤维的、防静电的，甚至还试过医用级别的擦拭布。

结果呢？在实验室里效果还不错，但一回到真实的生产环境，这套方案直接就崩了。为什么？因为他们忽略了一个关键事实：油污其实在保护钢球不被磨损。清理掉油污后，钢球在传输过程中反而容易产生新的划痕。

更要命的是，前期为了这个“清洁方案”，投入了几十万的设备和人力成本。卢无为跟我开玩笑说，那段时间他们几乎每天都在买新抹布，仓库里堆了一屋子各种擦拭用品，“我们简直成了抹布专家，什么材质的都试过。”

转机出现在什么时候呢？当他们决定带油检测的时候。不再跟油污较劲，而是针对油污环境建模，让AI学会在有油污的情况下识别缺陷。这一改变，检测准确率反而大幅提升了。

相机选择也是一样的套路。一开始，卢无为他们想当然地认为，要做微米级的缺陷检测，肯定得用最好的设备。于是直接瞄准了百万元级别的芯片级相机，光是询价就花了好几个月。

但实测下来发现，几万元的工业相机配上定制的光源和镜头，完全能满足他们的检测需求。关键不在硬件有多贵，而在于怎么用好它。

踩过了这一系列“巨额学费”之后，卢无为终于意识到一个问题：不能头痛医头、脚痛医脚，必须先把整个质检流程拆解清楚，找到真正的关键环节。

于是，他重新梳理了整个检测过程，抽象出了3个关键步骤：

第1步：先让AI看得清

要检测微米级的缺陷，首先得拍出高质量的照片。卢无为他们先是在传送带两侧各装了一台高速工业相机，对每颗钢球进行360°连拍。就像医生做全身CT一样，每个角度、每个细节都拍下来。

这听起来简单，但实际操作中问题一大堆。钢球表面有油污、会反光，不同车间的光线条件也不一样。为了解决这些问题，他们给相机加了带罩的可调灯箱，开机自动调亮度，保证无论在哪个车间拍照片都能保持一致的效果。我在下方放了一次次迭代的照片效果，你看，这才叫真正的小细节。

钢球拍照迭代过程

第2步：让AI学得会

有了清晰的照片，接下来就是训练AI识别各种缺陷。钢球的缺陷是依据国家行业标准分类的，哪怕不同规格的钢球，在检验标准方面也是一致的。于是他们才可以在通用大模型的基础上，进行了针对钢球缺陷的专项训练。

但这里有个问题：AI需要大量缺陷样本来学习，人工逐张标注效率太低。卢无为他们用上了半自动标注工具，机器先圈出可疑区域，人快速确认，效率提升了好几倍。这就像有了一个助手帮你预筛选，你只需要做最后的判断。

半自动标注工具

第3步：让AI判得准

最关键的是第三步。他们设计了一套「现场秒判+夜间进修」的模式：白天，AI在工厂现场进行推理，上传相机照片后几乎立刻就能出结果；晚上收工后，把当天的数据上传云端进行训练和优化，第二天模型就能升级成一个“更聪明”的版本。

这种设计很巧妙。现场推理保证了速度，云端训练保证了准确率的持续提升。就像一个员工白天在一线工作，晚上回去学习充电，第二天带着新技能重新上岗。

说到这里，你可能会问：这套系统的效果到底怎么样？

数据很直观：

• AI质检速度每小时5万颗，是人工的100多倍；

• 准确率达到95%左右；

• 原来一条产线要6—7人轮班，现在只需1人盯监控；

• 单条产线的人力成本，从一年40多万降到几万块钱。

但更大的价值在于，工厂实现了从抽检到全检的跨越。过去受限于人力，只能抽检部分钢球，现在每一颗都能被检测到。质量稳定性大幅提升后，客户退货和罚款明显下降，一年能省下近300万。

这不只是效率改进，而是质量管理理念的升级。

三、老师傅从质疑到信任

但是，AI系统上线后，麻烦也接二连三地来了。

工厂里有个老都师傅，这个“都”姓在山东是个挺普遍的姓。他干了几十年质检，被大家称作“火眼金睛”。AI系统刚上线那会儿，老都经常摇头说：“这高科技靠不住。”他不相信机器能比人眼看得准，总觉得AI会误判。

为了让师傅们先接触接触AI，卢无为他们在检测结果上加了“红框热力图”，让师傅们可以直接看到AI判定的依据。就像AI在说：“我为什么觉得这里有问题，你看这个红框标出的区域。”

红框热力图

转机出现在一个大雨天。那天车间特别暗，有一批钢球，AI的热力图标出了缺陷区域，但老都用肉眼和显微镜反复看，都觉得没问题。按照以往的经验，他判断这批球是合格的。

但AI坚持认为有缺陷。最后他们决定把这批球单独挑出来，送到更高精度的设备上复检。结果发现，AI是对的——确实存在非常轻微的裂纹，只是在那种光线条件下，人眼很难察觉。

老都看完检测报告后，态度开始有了变化，说：“在一些环境条件里，AI确实能看见我看不见的东西。我来教它。”

从那以后，老都师傅成了模型的教练。他不再自己做检测，而是把几十年的经验“教”给AI。遇到AI判断不准的情况，他会告诉系统哪里判错了，为什么错了。他的成就感反而更强了——从一个质检工人，变成了AI的老师。

说实话，这是这个案例最打动我的地方，不是技术方案有多先进，而是人和AI如何真正协作。AI不是来抢工人饭碗的，而是来当工人的助手和学生的。老都师傅从质疑AI到成为AI的教练，这个转变过程，我觉得特别有启发性。

四、三个可复制的方法论

听完这个钢球质检的案例，你可能会想：这个案例对我有什么用？我又不做钢球，也没有工厂。

其实，不管你是在制造业、服务业，还是其他行业，只要想让AI在你的业务里真正发挥作用，卢无为他们踩过的坑、总结的经验，都值得参考。我总结了三点，你也可以对照看看：

1. 拆解问题，系统解决

把问题拆解清楚，让每个细分问题都有对应的解决方案。

卢无为他们没有急着上AI，而是先把质检难题拆解成三个具体问题：看得清、学得会、判得准。

你想想，如果一开始就想着“用AI解决钢球质检问题”，这个目标太大太模糊，根本不知道从哪下手。但拆解成具体步骤后，每一步都有明确的技术路径。这种系统性思考，不管在哪个行业都适用。

2. 人机协作，经验传承

重视一线工人的反馈，让他们成为AI的教练。

老都师傅的转变就是最好的例子。从“AI靠不住”到“我来教它”，这种心态的转变，比任何技术突破都重要。

你有没有发现，很多AI项目失败，不是技术不行，而是人不接受。让有经验的老师傅参与进来，不仅能提升AI的准确率，还能解决推广阻力。

3. 数据流动，持续进化

让数据真正流动起来，形成学习闭环。

这是最关键的一点。卢无为他们设计的「现场秒判+夜间进修」模式，让AI能够持续学习、持续进步。就像每天给AI补一节课，让它不断变得更聪明。这种数据闭环，不仅提升了AI的能力，还降低了维护成本。你想想，如果AI不能自我进化，那就只是一个固化的工具，很快就会过时。

五、持续挑战与未来展望

当然，上面说的这套系统，在技术上也不是没有挑战。

卢无为也很坦诚，AI识别层面，虽然目前他们这套系统能做到95%左右的准确率，但剩下的5%很难突破。主要原因是部分缺陷太轻微，受限于光学条件和分辨率；还有一些表面杂质会干扰识别。

为了解决这个问题，他们正在尝试一个新思路：不是让AI识别坏球，而是让AI识别好球。凡是不符合好球标准的，就判为不合格。这个思路听起来很直接，但难点在于“好球”的标准该怎么统一定义。卢无为说，这个问题他们还在摸索。

我也会持续追踪卢无为的进度，有新的突破会第一时间和大家分享。

本文来自微信公众号：快刀青衣 （ID：kuaidaoqingyi520），作者：快刀青衣