光学量测已自动，为何品质放行仍依赖人工？

2026年，“内卷”已成为光学产业逃不开的关键词。

精密光学制造正面临更高规格、更严公差、更多检测项目的挑战，但真正的成本瓶颈并非检测本身，而是检测之后大量重复的人工判定——每次新品导入，品质部门都要面对海量量测数据、复杂规则和严格放行标准，消耗远超预期的工时。

这种“断点”集中在量测完成后的环节：核对规格、执行规则、处理异常、留存依据。而“量测放行AI智能体”能够将分散的数据、规格和经验整合为一致、可追溯的放行准备信息，从而提升放行效率、释放产能。

‍‍‍在光学制造，不同对象对应不同量测项。量测设备已可输出大量数据，但量测完成并不等于放行完成。

在光学制造中，不同对象对应不同的量测项目。

• 单片镜片、棱镜和滤光片通常关注尺寸、面型、偏心、镀膜和外观；

• 镜头与摄像模组则进一步关注 MTF、焦距、后焦、畸变、相对照度、视场和装调结果。

这些指标也不能脱离量测条件单独理解。以 MTF 为例，不同空间频率、视场位置、工作距离、光圈和波长条件，都可能对应不同的性能结果。

然而，量测完成，卻不等同放行完成

在部分光学工厂中，量测设备已经能够自动输出数据和初步 OK或NG 结果。

但在多产品、多客户和多版本并行的环境下，品保工程师仍可能需要：

• 确认产品、客户和适用的规格版本；

• 核对测试条件、单位与量测项目是否完整；

• 计算均值、极差、最差视场等派生指标；

• 处理边界样本、缺项数据和异常曲线；

• 查找对应的图纸、SOP 和客户标准；

• 整理复测、暂缓放行和最终确认记录。

设备端的通过，可能只代表当前设备按照当前测试程序通过，并不必然等于整个批次已经满足所有放行条件。

量测设备输出数据结果后，还需经过规格匹配、规则计算、异常处理、人工确认和记录归档

如果只是固定上下限比对，传统规则已经足够

对于单一产品、单一规格、单站设备的固定上下限判断，Excel 公式、设备软件或传统规则模块通常已经可以完成。

真正需要 AI 智能体协助的，是以下组合问题：

• 多版本规格匹配；

• 派生指标计算；

• 资料查找；

• 异常说明；

• 复测协同；

• 判定记录追溯。

规则负责稳定执行，AI 负责查找、整理和协同

基于 Profet AI 的 Domain TwinTM 平台，企业可以配置 ”光学量测放行 AI智能体 (AI Agent for Optical Metrology Release Decisions)”。

让用户把分散的数据、规格和处理经验，整理成一致、清楚、可追溯的放行准备信息。

该方案并不是让大语言模型直接计算公差，也不让 AI 自行承担最终放行责任，而是采用分层协作方式：

• 受控规则模块：按照预先配置的公式、单位和上下限，执行计算与比对；

• 光学量测放行 AI智能体：AI智能体从企业授权的规格、图纸、SOP 和历史案例中查找相关内容，整理异常说明，并推动复测、暂缓放行和主管复核流程；

• 品保人员：在关键节点确认处理结果，并保留企业现有的品质责任边界。

Profet AI Domain TwinTM 平台，是一个由 生成式AI和预测式AI 双引擎驱动的AI智能体开发与运营平台，支持用户通过无代码编排方式，建立大语言模型驱动的 AI 智能体，并支持权限管理治理、信息安全管理和企业知识检索整合增强，适合将分散的品质数据和协作流程组织起来。此外，通过Domain TwinTM原生内置预测式AI引擎（自动机器学习预测模型建模引擎, AutoML）作为进一步的预测能力增强。

规则执行计算，AI 整理依据，人员确认关键结论

“光学量测放行AI 智能体” 能提供什么？

基于 Profet AI Domain TwinTM 的光学量测放行 AI 智能体 (AI Agent for Optical Metrology Release Decisions) 可以形成：

• 每项关键质量指标的量测值、规格和单项判定结果；

• 批次的放行、暂缓放行或复测建议；

• 对应的规格版本、图纸、SOP 和客户标准；

• 异常项目、可能原因和建议处理方向；

• 可查询、可归档的判定记录和沟通记录。

每一项结论都可以回到对应的原始数据和判定依据，便于工程复核、客户追溯和内部管理。

什么条件的工厂能产生明显价值？

光学量测放行 AI 智能体 更适合以下条件的工厂：

• 产品族、客户和规格版本较多；

• 光学量测结果可通过 Excel、CSV 或系统接口导出；

• 经常发生暂缓放行、复测或客户追溯；

• 品质、工艺、制造和 IT 需要共同参与；

• 愿意先从一个高频产品族开始，再复制到更多产品和工厂。

在量测数据可稳定导出、规格规则已经整理、产品与版本关系明确，而且常规批次占比较高的条件下，平均可实现以下效益：

• 常规批次人工处理工时：降低 40%；

• 规格查找与报告整理工时：降低 50%；

• 端到端放行周期：缩短 20%；

• 客诉处理或审核资料准备时间：降低 50%。

实际改善幅度取决于产品复杂度、数据基础、规则完整度和现有系统情况。

从判定自动化，进一步走向品质风险预警

当企业积累了足够的历史量测数据和后段结果后，还可以进一步使用Domain TwinTM原生内置的预测式AI引擎（自动机器学习预测模型建模引擎, AutoML）作为进一步的预测能力加载，例如建立如下预测模型和应用情境：

• 后段 NG 风险预警；

• 最终性能预测；

• 品质虚拟量测；

• 异常趋势监控；

• 多变量因子且非线性关系的影响因素分析。

AI将经验转为可复制、追溯、持续优化的能力资产

AI 的价值，不是代替品保人员作决定，它更适合承担重复、标准化且容易遗漏的工作，实现把分散的数据、规格和处理经验，整理成一致、清楚、可追溯的放行准备信息。

质量人员则把时间投入异常分析、制程改善和关键风险判断。 

过去，AI 更多扮演分析工具的角色；如今，它开始成为能够执行具体业务流程的智能助手。

对于精密光学制造而言，品质判定并非只是单纯的数据分析，而是一套结合产品规格、检测标准、工艺经验与品质规则的复杂流程。

当这些知识能够逐步沉淀为 AI 的判定能力，企业便能将过去依赖个人经验的工作流程，转化为可复制、可追溯、可持续优化的数字化能力。

随着光学产品规格持续升级，越来越多企业也开始将类似模式延伸至更多量测、比对与放行判断场景，让 AI 不只是提升检测效率更成为品质管理的重要支撑。

未来，AI 在光学制造中的价值，不只是帮助企业看懂数据，而是能够真正参与品质管理的决策辅助，让每一次检测结果都更快速、更稳定，也更值得信赖。