機器視覺賽道作為 AI 領(lǐng)域的一個重要分支，一直被投資機構(gòu)所關(guān)注，也持續(xù)不斷有創(chuàng)業(yè)公司投入進來。但這個賽道感覺一直沒有爆發(fā)出來，賽道未來的前景大家都是普遍看好的，但賽道爆發(fā)的約束條件到底是什么？這個賽道是否有可能產(chǎn)生千億級市值的公司？如果有可能，發(fā)展路徑又會是什么？我自己也沒想太明白，先分享一下目前對這個賽道的幾點認知，作為記錄，期待后續(xù)自己的迭代

A、從應用場景來看：機器視覺大致分為識別、定位、測量、檢測四個應用方向。比如，在一些制備設備中，常常會搭載機器視覺模塊，來完成一些高精度的機械操作（螺絲機等）。

但從這幾年發(fā)展趨勢來看，更多的應用場景還是檢測，檢測的核心目的在于高效判斷產(chǎn)品“良率”問題。把原本通過人肉操作的“離線抽檢”升級為機器操作的“在線全檢”，良率的實時監(jiān)控與控制是直接與公司利潤相關(guān)；

B、從行業(yè)特點來看：機器視覺大多還是應用于制造業(yè)，比如：3C、汽車、半導體等行業(yè)。但這些行業(yè)本身是有周期性的，這個周期性必然會傳導到產(chǎn)線的制備設備，然后再傳導到機器視覺設備。因此，機器視覺領(lǐng)域也有比較重的周期性屬性；

C、從供應商格局來看：頭部陣營必定還是基恩士、康耐視這些老牌國外企業(yè)。畢竟發(fā)展了幾十年，在底層算法庫層面，已經(jīng)沉淀了足夠多、面向各場景的算法算子，系統(tǒng)的穩(wěn)定性和精準性優(yōu)勢也比較大，另外，他們在國內(nèi)已經(jīng)培養(yǎng)出一系列的交付合作伙伴，生態(tài)圈完善。

但今幾年以來，缺陷檢測的需求越來越大，傳統(tǒng)機器視覺產(chǎn)品大多還是基于底層的確定性算法來實現(xiàn)，在各類缺陷檢測的實際應用中效果不佳，從而催生了神經(jīng)網(wǎng)絡的實現(xiàn)方式。但通過神經(jīng)網(wǎng)絡來落地的前提是必須有場景，有場景才能有數(shù)據(jù)、才能做標記、才能訓練數(shù)據(jù)沉淀算法。盡管在應用中，神經(jīng)網(wǎng)絡的網(wǎng)絡結(jié)構(gòu)也不會太復雜，神經(jīng)網(wǎng)絡層數(shù)一般也不會超過 10 層，但場景和數(shù)據(jù)是實現(xiàn)的前提；

同時，面向這類場景的檢測設備，除了算法外，還有一個比較重要的就是光成像系統(tǒng)，畢竟你“看”的越清楚，對算法的要求就會低很多。光成像系統(tǒng)中，工業(yè)相機、光源組件等配件都可以外采，核心是工程設計，不僅僅是效果問題，也是成本問題，設計能力的核心是工程經(jīng)驗的沉淀（當然，這個賽道目前還有很多硬骨頭，業(yè)界并沒有特別好的解決方案，比如：3D 玻璃檢測等等）

D、從商業(yè)打發(fā)來看：有兩個套路。一個是標準化產(chǎn)品，邏輯很簡單，就是提供比基恩士和康耐視稍差的性能、更低的價格，完成基恩士和康耐視存量市場的“替換”。但這個打法一定會面對“先有雞，還是先有蛋的問題”，你畢竟還是要能夠達到基恩士產(chǎn)品 70%-80%的能力，否則替換邏輯很難成立；

還有一類就是場景切入，定制化設備為主。這時，一般需要綁定大客戶，先從一個點切入，再不斷延展場景。大致打法時：先從產(chǎn)線的一個點去切入，再在這個產(chǎn)線上多點切入，時機成熟時，自己做產(chǎn)線設備，然后拓展場景（產(chǎn)線），拓展行業(yè)，通過并購來獲取技術(shù)或者細分市場?？梢钥吹?，不止是機器視覺，制備設備大多也是按照這個邏輯演進；

E、從企業(yè)基因來看：包括機器視覺的整個制備設備賽道總體來看都不是那么高大上，對落地能力要求極高，對與客戶的協(xié)同合作要求極高，這對企業(yè)特性也提出了要求，創(chuàng)始人基因決定企業(yè)基因，從而創(chuàng)始人應該極具穩(wěn)扎穩(wěn)打、服務客戶的落地能力。