边缘 AI 在质检场景的投入产出模型

先把账算清楚

边缘 AI 质检的收益来自三块：减少漏检带来的后续损失、替代的人工目检工时、全检带来的可追溯性。前两块可以量化，第三块通常被低估。

一个可套用的模型

用变量而不是拍数字，把模型写成可以直接代入自己数据的形式：

年收益 = N x R x (P_after - P_before) x C_defect
        + H x C_labor x 12
        - (C_device + C_deploy) / Y

• N 年产量 · R 检测比例 · P 漏检率 · C_defect 单件缺陷流出成本
• H 每月节省的目检工时 · C_labor 工时成本
• C_device 设备投入 · C_deploy 部署与算法调试投入 · Y 折旧年限

代入自己的数据后，最先变化的通常是 R：从抽检改为全检，收益的基数会成倍放大。这也是边缘推理在质检场景里最直接的杠杆。

什么规模才值得上

经验上，产线节拍越稳定、单件缺陷流出成本越高，越值得上。反过来，多品种小批量、节拍波动大的场景，算法调试成本会吃掉大部分收益，需要更谨慎地评估。

结论不是「边缘 AI 更便宜」，而是「边缘 AI 让全检在经济上变得可行」。