De AI volgde de hele wedstrijd een kaal hoofd. Meer trainingsdata lost dat niet op.

In oktober 2020 bracht een geautomatiseerde camera bij een Schotse voetbalwedstrijd de hele wedstrijd door met het volgen van het kale hoofd van een grensrechter in plaats van de bal. De clip ging viraal. De meeste mensen lachten erom als een grappige storing. Ik keek er om een andere reden keer op keer naar: het systeem was niet kapot. Het deed precies waarvoor we het gebouwd hadden.

Die clip is de meest heldere illustratie die er bestaat van waarom physics-constrained computer vision het enige is wat visiesystemen in productie betrouwbaar maakt — en waarom meer trainingsdata op het probleem gooien, wat ik als eerste probeerde, het niet oplost.

Onder de schijnwerpers van het stadion produceert een kaal hoofd speculaire highlights — heldere, ronde, witte weerkaatsingen — met pixelgradiënten die statistisch niet te onderscheiden zijn van een voetbal. De detector, een standaard CNN uit de YOLO-familie, verwerkte elk frame afzonderlijk en kende 98% zekerheid toe aan "bal" op het hoofd. De echte bal, die met hoge snelheid door schaduwen vervaagde, scoorde 80%. Het systeem volgde het hogere getal. Dat is geen bug. Dat is het model dat zijn eigen ogen gelooft.

Een detector vindt patronen. Hij heeft geen idee dat een "bal" die op een constante 1,7 meter boven de grond hangt, vastzit aan een verticale cilinder en langs de zijlijn loopt, fysiek onmogelijk is.

De oplossing is geen betere dataset. De oplossing is fysica.

Het Kale-Hoofd-Probleem Is Overal — Het Gaat Alleen Niet Altijd Viraal

Ik heb jarenlang visiepijplijnen uitgerold in twee werelden die totaal niet op elkaar lijken: stadionconstructies die een bal volgen, en fab-lijnen die silicium inspecteren. Ze delen één kwaal. Het model ziet een vorm die het herkent en rapporteert die, zonder mechanisme om zich af te vragen of wat het rapporteert wel in de fysieke wereld kan bestaan.

Bij halfgeleiderinspectie is het symptoom geen kaal hoofd — het is het nuisance-defect. KLA bezit ongeveer 63% van de markt voor procesbeheersing, en hun 2900-serie breedbandapparatuur kan kenmerken oplossen die zo klein zijn als 10 nanometer. Detectiegevoeligheid is niet het knelpunt. Het knelpunt is dat één breedbandscan duizenden anomalieën per wafer markeert, en de meeste daarvan zijn stof, oppervlakteartefacten of patroonruis die de yield nooit zullen raken. Elk daarvan moet nog steeds worden geclassificeerd door een deep-learning-model dat is getraind op een bibliotheek van historische defecten.

Dit is wat dat model niet heeft: enig begrip van hoe licht fysiek interageert met een putje versus een vlek versus een procesrest. Dus wanneer een fab overstapt naar een nieuwe procesnode — zeg gate-all-around op 2nm — veroudert de trainingsbibliotheek van de ene dag op de andere en piekt de nuisance-rate. En de kosten van een fout zijn niet abstract. Een yieldverlies van 1% op geavanceerde nodes loopt in de miljoenen, omdat één enkele wafer tienduizenden dollars kan kosten.

De productievloer heeft dezelfde kwaal met een stillere, gemenere presentatie. Op een productielijn met AI-kwaliteitscontrole weet je vrijwel nooit in realtime wanneer het model fout zit, omdat er geen ground-truth-labels naast de camera liggen. Een belichtingshoek verschuift na onderhoud. Een lens beslaat over een paar weken. Een fixture slijt. Foutieve afkeuringen nemen toe en je krijgt herbewerkingslussen, of foutieve goedkeuringen sluipen erin en je krijgt escapes — en je komt er pas achter welke van de twee wanneer een kwaliteitsescape een containment, een quarantaine, een volledige herinspectie afdwingt.

Het model faalde niet luidruchtig. Het dreef in stilte af, en het eerste alarm was een klantretour.

Die stilte is duur. De kosten van slechte kwaliteit bedragen ongeveer 20% van de totale omzet bij de gemiddelde fabrikant. Een defect dat in de planningsfase wordt opgespoord kost ongeveer $100; hetzelfde defect dat in de productie wordt opgespoord kost $10.000. Intel heeft gerapporteerd dat het ongeveer $2 miljoen per jaar bespaart alleen al door met AI-inspectie schroot te voorkomen. Het voordeel is reëel — en juist daarom is de stille-drift-faalmodus zo verwoestend. Het vreet het voordeel op zonder het je te vertellen.

En de overcorrectie is net zo kostbaar als de drift. Ik heb een geautomatiseerde optische-inspectie-installatie van miljoenen dollars stilletjes zien uitschakelen omdat de afstelling zo agressief was dat het goede onderdelen sneller afkeurde dan het slechte opving — het kon geen Knapp-test doorstaan, de standaard die vraagt of je inspectie defecten daadwerkelijk onderscheidt van aanvaardbare variatie. Een systeem dat de yield op papier beschermt en die in de praktijk vernietigt is erger dan geen systeem, want iemand heeft ervoor betaald en iemand wantrouwt nu elke geautomatiseerde beslissing die het aanraakt.

Waarom Lost Meer Trainingsdata Dit Niet Op?

Toen mijn team voor het eerst tegen deze muur aanliep, was ik zeker van het antwoord, en ik zat fout.

De orthodoxie in computer vision is dat edge cases een dataprobleem zijn. Je model faalt op de vreemde gevallen omdat het niet genoeg vreemde gevallen heeft gezien, dus ga je er meer van verzamelen. Ik geloofde dat. Ik stond erachter. We bouwden een veel grotere, veel diversere dataset — andere belichting, andere hoeken, meer van de verwarrende gevallen — en trainden opnieuw. De cijfers van het model op de validatieset waren prachtig. Ik herinner me dat ik het gevoel had dat we de kloof hadden gedicht.

Toen zetten we het op een echte lijn, en een onderhoudsploeg stelde een armatuur bij, en de afkeurbak begon zich te vullen met goede onderdelen.

Niets in onze prachtige dataset dekte precies die nieuwe belichtingsgeometrie, want die geometrie had niet bestaan toen we de data verzamelden. We hadden ook die kunnen gaan verzamelen — en dan de volgende verschuiving najagen, en de volgende lensbeslaging, eindeloos. Toen viel de zin die aan me had geknaagd eindelijk op zijn plek: edge cases zijn geen 5% van het probleem. Ze zijn 80% van de engineeringtijd, 90% van de supportkosten en 100% van de aansprakelijkheid. Je kunt je niet uit een oneindige verzameling opsommen.

Een van mijn engineers wilde blijven aanscherpen — de zekerheidsdrempel verhogen totdat de valse positieven verdwenen. Op een slide werkt het. In de praktijk ruilt het najagen van nul valse positieven ze alleen maar in voor valse negatieven: nu mis je de echte defecten, de echte bedreigingen, de dingen waarvoor je het systeem eigenlijk hebt ingezet om ze te vangen. Na genoeg van die discussies moest ik het hardop zeggen: elke knop die we konden verdraaien was een manier om het falen te verplaatsen, niet om het te verwijderen.

Dit is geen randervaring. Ongeveer 95% van de computervisieprojecten haalt nooit de productie, en de reden is bijna nooit het algoritme — het is precies dit soort implementatie-instorting, de kloof tussen een model dat in het lab werkt en een dat de vloer overleeft. MIT-onderzoek toonde aan dat 95% van de AI-pilots in bedrijven er niet in slaagde binnen zes maanden meetbare ROI te leveren. We stonden op het punt een regel in die statistiek te worden.

Wat Fysicaconstraints Werkelijk Doen

Het keerpunt was klein en achteraf bijna gênant.

In plaats van de detector te vragen zekerder te zijn, plaatsten we voor zijn output een poort die een fysicavraag stelde: kan dit ding zich hebben bewogen zoals je zegt dat het bewoog? Een spoor dat de kinematica schendt van een object met massa en momentum — een detectie die een afstand overspringt die geen bal tussen twee frames kan afleggen — wordt afgewezen voordat het ooit geloofd wordt. We raakten de detector niet aan. De valse-positieven-rate daalde toch.

Dat is het hele idee, en het generaliseert. Een gevolgd object kan niet tussen frames teleporteren. Een echt defect heeft parallax — het verschuift ten opzichte van de achtergrond wanneer het gezichtspunt verandert, op een manier die een schaduw nooit doet. Een schaduw heeft geen diepte. Dit zijn constraints die de fysieke wereld gratis gehoorzaamt, en ze bewegen niet mee wanneer je belichting dat wel doet. De fysieke eigenschappen van een correct gefabriceerd onderdeel veranderen niet wanneer een fixture slijt of een lamp wordt aangestoten. Dat maakt fysica het enige stabiele anker in een systeem waarin alles wat datagedreven is aan het afdrijven is.

Een zekerheidsdrempel verhogen vraagt het model om harder te bluffen. Een fysicaconstraint weigert simpelweg het onmogelijke te geloven.

Dus de vraag die we nu stellen is niet "lijkt dit op een goed onderdeel vergeleken met de trainingsbeelden?" Het is "is dit beeld consistent met de bekende geometrie en het materiaalgedrag van het echte object?" Dat zijn fundamenteel verschillende vragen, en alleen de tweede overleeft een procesnode-overgang of een onderhoudsmoment op een dinsdagmiddag.

Er bestaat een volwassen toolkit hiervoor, en de eerlijke waarheid is dat het meeste ervan in onderzoekspapers leeft in plaats van in verzonden producten. Fysica kan op drie manieren in een visiesysteem worden ingebakken: in de netwerkarchitectuur zelf, in de loss-functie als een fysicagebaseerde penalty tijdens de training, of in de generatie van synthetische data via fysica-accurate rendering. De valkuil — degene die dit buiten de productie houdt — is dat fysica meestal ophoudt op trainingstijd. Het uitgerolde model is nog steeds een puur datagedreven black box op het moment van inferentie, wanneer het er werkelijk toe doet.

Het werk waarop wij leunen dicht die kloof bij inferentie. Moderne tracking koppelt een klassiek Kalman-filter — een decennia-oude methode om te schatten waar een bewegend object zich vervolgens zal bevinden, gegeven de bewegingswetten — aan deep learning, in plaats van voor het een of het ander te kiezen. Benaderingen zoals KalmanNet ondersteunen het filter met een neuraal netwerk voor dynamiek die niet volledig bekend is. Een systeem uit 2026 genaamd Phys-3D dwingt fysiek plausibele 3D-beweging af via pinhole-camerageometrie en rapporteert een telfout van 2,97% zelfs door dichte occlusie en cameratrilling heen. PhyOT gaat verder en behandelt het neurale netwerk zelf als een sensor die een Kalman-opstelling voedt die wordt beheerst door de wetten van Newton. De rode draad: het netwerk stelt voor, en fysica beschikt. De physics-constrained visiesystemen die wij bouwen brengen precies dit soort constraintlaag in het inferentiepad — Kalman-filtering, optical-flow-poorten en fysica-geïnformeerde architectuur — zodat de afwijzing van het onmogelijke live gebeurt, niet in een trainingsnotebook.

Waarom Doen De Grote Leveranciers Dit Niet Gewoon?

Mensen vragen me dit voortdurend, meestal met een zweem van achterdocht — als fysicaconstraints zo overduidelijk juist zijn, waarom leveren Hawk-Eye of KLA ze dan niet als standaard? Het antwoord is dat de marktleiders enige fysica hebben, maar bijna altijd op de verkeerde plek, en de leemtes zijn leerzaam.

Pixellot voegde na het kale-hoofd-tijdperk multi-hypothese-tracking toe die die specifieke klasse fouten grotendeels de kop indrukte — maar hun fysica is post-hoc spoorgladstrijking, geen constraintlaag, dus nieuwe faalmodi (shirt-OCR onder bewegingsonscherpte, buitenspelprojectie op een niet-vlak veld) blijven opduiken. En dit is niet anekdotisch: op SoccerNet, de grootste openbare benchmark voor sporttracking, wordt multi-object-tracking nog steeds gemeten als verre van opgelost bij snelle beweging en zware occlusie, en er is nog geen fysica-bewuste tracker in geïntegreerd. Die lege ruimte is de hele kans. Hawk-Eye, eigendom van Sony, heeft werkelijk sterke geometrische constraints — het trianguleert vanuit zes tot acht gekalibreerde 4K- en 8K-camera's, volgt 29 skeletpunten per speler, en is nauwkeurig genoeg dat de NFL het gebruikt voor first-down-metingen. Maar die precisie kost meer dan een miljoen dollar per locatie en vereist toegewijde infrastructuur. Het is geen laag die je aan je bestaande pijplijn toevoegt; het is een stadionrenovatie.

Aan de industriële kant herhaalt het patroon zich. KLA's defect-fysicamodellen zijn echt maar ingebakken op specifieke procesnodes, en dat is waarom node-overgangen de nuisance-rate doen pieken — en KLA's eigen investering van $2,3 miljard in de volgende generatie inspectie is een teken dat ze weten dat de kloof bestaat. Cognex's ViDi deep-learning-tools zijn uitstekend en kunnen trainen met slechts 5–10 beelden, wat de opzettijd met 90% verkort — maar er is geen fysica bij inferentie, dus ze zijn net zo blootgesteld aan stille drift als wie dan ook. En NVIDIA's Metropolis- en Omniverse-ecosysteem simuleert prachtige fysica — voor het genereren van synthetische trainingsdata. Fysica stopt bij de training; het uitgerolde model is nog steeds datagedreven.

In het hele vakgebied is de kolom "fysica-integratie" ofwel leeg ofwel gericht op de training. Het uitgerolde model, degene die in realtime de beslissing neemt, gokt nog steeds op basis van pixels.

Dat is de kloof waarin wij bouwen. Geen platform, geen stadionrenovatie — een fysicaconstraintlaag die in je bestaande pijplijn zit en het onmogelijke afwijst voordat het duur wordt. Of je nu geautomatiseerde camera's over een veld laat draaien, wafers op 10nm inspecteert of defecten op een lijn classificeert, de constraint houdt stand wanneer de belichting beweegt, want de belichting is precies datgene waar fysica niet van afhankelijk is.

Het Deel Waar Niemand Iets Over Wil Horen Over "Nul Valse Positieven"

Elke koper vraagt me uiteindelijk om nul valse positieven. Ik begrijp het instinct, en ik vertel ze elke keer hetzelfde: het is technisch haalbaar en het zal je waarschijnlijk schaden.

Een systeem naar nul valse positieven duwen verhoogt onvermijdelijk de valse negatieven — het gemiste echte defect, de bedreiging die erdoorheen glipt. Het doel is nooit nul van één soort fout; het is de juiste balans voor de specifieke belangen van jouw toepassing. Wat fysicaconstraints je geven is een betere frontier om op te balanceren. Conventionele reductie van valse positieven — drempelafstemming, kalibratie, autoencoders waarvan onderzoek aantoont dat ze valse positieven overal van 22% tot 87% kunnen verminderen — het opereert allemaal op de zekerheid van het model. Fysica opereert op de realiteit. Het wijst de fysiek onmogelijke detectie af zonder het model schuchterder te maken over de werkelijk dubbelzinnige. Je krijgt minder valse alarmen en je betaalt er niet voor met gemiste defecten, omdat je een categorie fouten hebt verwijderd in plaats van ze in te ruilen.

Er is hier ook een regelgevende rugwind, en het is niet degene die mensen verwachten. De belangrijkste bepalingen van de EU AI Act gaan op 2 augustus 2026 in, en hoewel de meeste industriële inspectie niet wordt geclassificeerd als hoogrisicobiometrische surveillance, duwen de documentatie- en transparantievereisten van de Act breed richting systemen waarvan je de beslissingen kunt uitleggen. Een datagedreven black box die zegt "bal, 98%" kan je niet vertellen waarom. Een systeem dat een detectie afwees omdat die parallax schond, kan dat wel. Falsifieerbaarheid is niet langer alleen goede engineering; het wordt een compliance-houding.

Wat Ik Nu Geloof

Ik begon hieraan met de overtuiging dat computer vision een dataprobleem was en dat het team met de grootste, schoonste dataset zou winnen. Ik leverde een model dat me op een fabrieksvloer ongelijk gaf, ten overstaan van mensen wier doorvoer ervan afhing.

Wat ik nu geloof is smaller en duurzamer. Een visiemodel dat alleen weet hoe dingen eruitzien is permanent één belichtingsverandering, één procesnode, één kale grensrechter verwijderd van je zelfverzekerd iets onmogelijks vertellen. De systemen die de productie overleven zijn degene die ook weten wat de fysieke wereld toestaat — en die elke detectie daaraan toetsen voordat ze handelen.

De markt staat op het punt dit op grote schaal op de harde manier te leren. Computer vision is in 2026 een markt van $33 miljard die met bijna 20% per jaar groeit, agentische visiesystemen beginnen op eigen gezag acties in de echte wereld te triggeren, en hoe autonomer ze worden, hoe minder tolereerbaar een zelfverzekerd onmogelijk antwoord wordt. Je kunt edge-casebeelden blijven verzamelen en de volgende belichtingsverandering, de volgende node-overgang najagen, eindeloos. Of je kunt het model de ene set regels leren die nooit afdrijven. Als je wilt zien hoe wij die constraint in een productiepijplijn bouwen, dan is dat waar ik zou beginnen.

Een bal kan niet teleporteren. Bouw het systeem dat dat weet.