工厂流水线上，质检员盯一天零件，眼睛酸了就容易漏掉一道头发丝划痕。现在越来越多产线把这道关交给视觉模型——它不累、不眨眼，微米级缺陷秒抓。老师傅十几年练出的"手感"，正被写成可复制的算法。
传统质检靠人眼加经验：新工人培训几个月才能稳定，夜班疲劳漏检率高，且标准因人而异。AI 视觉进来后，把"合格/不合格"的判断标准化——缺陷样本喂够了，模型比人多双永不累的眼睛。对用工荒的工厂，这是补人，不是替人：它接的是最重复、最伤眼的活。
真正的难点不在模型准，而在"怎么把老师傅的隐性经验变成标注"。老师傅看一眼就知道"这道痕在受力面就废了、在边角没事"，这种判断要拆成坐标、尺寸、位置的规则才能训模型。所以 AI 质检落地慢的那一步，是"知识抽取"，不是算法。谁家能把老师傅的经验翻译成模型语言，谁才真用得起来。
在五金厂管产线的老周跟我聊过转折：刚上模型时老挑"假缺陷"，把正常加工纹当划痕，工人嫌烦。后来他和工程师把"哪些位置算致命、哪些算美观问题"一条条标清，误报率掉了一大截。他说现在最值钱的人，是"既懂工艺、又能把经验翻译成模型语言"的那类——纯老师傅和纯码农都不够。这个岗位，是 AI 逼出来的新角色。
但对中小工厂，落地的最大门槛不是算法，是"首期标注要花多少钱"——请人把几千张良品和缺陷图标好，是一笔不小的一次性投入。所以现在更现实的路径是"先用通用视觉模型做初筛、再人工回填标注"，让模型边用边学，把启动成本摊进日常。谁先把这步走顺，谁就先吃到良率红利，也先在用工荒里松一口气。
对工厂，质检从"人海战术"变"人机协同"：模型初筛、人复核疑难，良率稳了、成本降了。对质检工人，岗位从"盯眼睛"变"管模型加判边界"，要学看懂系统报的缺陷。行动建议很实在：选型别只看识别率，看它能不能让你低成本补标"自家标准"，否则换一款产品模型就废。制造业的 AI，最动人的不是它多准，而是它把老师傅几十年手感，第一次变成了工厂谁都能用的资产。