視覺模型與致動器之間的執行期信任層

你的檢測 AI 沒有準確率問題。它有包絡問題。

實驗室準確率達 97% 的模型，在生產現場的誤判退件率可能高達 14%——不是因為模型變差了，而是因為眩光、冷模具與換班，把輸入推離了模型當初通過驗證時的分布。Inspection Trust Gate 會將每張影像對照模型的已驗證包絡加以檢查，套用模型無法覆寫的確定性把關規則，把任何超出包絡的零件暫扣待人工審查，並寫下一筆逐件的稽核溯源紀錄。代理人提供建議，程式碼做決定。

因漂移而被把關機制自動報廢的良品

未加包絡基準誤判退件 95.5% 至 100%（MVTec metal_nut 保留測試分割）

93/93

漂移條件下的缺陷零件仍被攔截或升級處理

從未被自動放行（同一保留測試分割）

1.00

在一個保留的漂移族上的包絡 AUROC

從未針對該族調校，因此此檢查並非循環驗證（MVTec metal_nut 保留測試分割）

這是可實際運行的示範。PLC 致動器與 MES 接收端是模擬轉接器，會記錄它們原本會執行的動作；零件影像是真實的 MVTec AD metal_nut 照片；漂移則是套用在真實良品照片上的誠實影像損壞。

實驗室裡 97% 的模型。沖床上 14% 的誤判退件率。

讓邊緣檢測部署卡住的失效模式，是輸入失效，而非模型失效。

我們研究中的典型案例，是一台以每分鐘 40 衝程運轉的 200 噸連續模沖床：視覺模型在驗證時達到 97% 準確率，到了生產現場卻崩潰成 14% 的誤判退件率。模型並沒有變差。廠房天井燈眩光會隨每個衝程角度而變，潤滑劑在熱模與冷模上的積聚方式不同，而一個班次的前 50 件零件會在達到熱平衡之前抵達。輸入離開了模型通過驗證時的分布，而任何模型、無論準確率多高，在那裡都不可信。

產業慣例顯示，模型從來就不是專案本身。開箱即用的 AOI 系統會誤判退件 5% 至 15% 的良品，調校良好的系統則低於 2%：這是校正與資料問題，而非模型架構問題。整合佔部署時程的 60%，模型訓練佔 15%，而 84% 的系統整合專案失敗或部分失敗。

法規提高了賭注。歐盟 AI 法的高風險義務涵蓋附件三下的安全關鍵品質決策，自 2026 年 8 月 2 日起全面適用，最嚴重的禁止實務違規最高罰款為 3,500 萬歐元或全球營業額的 7%。一台退件致動器若依未經驗證的模型判定觸發、且沒有任何原因紀錄，正是該制度要揭露的對象。

解方不是更好的模型。即使完美的模型，也只在已驗證包絡內的輸入上有效。產線需要的是一個執行期層：它知道那個包絡、拒絕在包絡外致動，並且能逐件證明它決定了什麼、以及為什麼。

Inspection Trust Gate 如何運作

由確定性把關機制決定什麼會被致動，而非模型，也非 LLM。

每一件零件都走同一條流程：

影像 → 物理 + 紋理特徵 → 包絡檢查（OOD）→ 缺陷判定 → 確定性把關 → 致動／暫扣 → 稽核紀錄

1. 已驗證包絡

EnvelopeDetector 在物理訊號空間（曝光、對比、動態範圍、對焦、高頻細節、熱色偏、飽和度、眩光占比）計算馬氏距離，並以 220 張訓練良品影像擬合。它只回答一個問題：這張影像是否處於模型通過驗證時的擷取條件之內？超出包絡，意味著任何模型輸出都不可信。

2. 確定性把關機制

獨立於任何 LLM 之外的樸實程式碼，模型無法覆寫：依本示範自身資料擬合的校準信心閾值（低於 0.948 自動放行，高於 1.30 自動退件），以及硬性的 750 ms 衝程窗口延遲預算。每一件零件會被路由至 AUTO_PASS、AUTO_REJECT 或 HOLD；HOLD 會將其送入人工升級佇列。

3. 稽核溯源

每一項決策都會寫下一筆 JSONL 紀錄：零件 id、工位、模型 id 與版本、資料集雜湊、缺陷信心、OOD 分數、物理訊號、觸發的把關規則、對照預算的延遲、致動與 MES 日誌，以及風險標籤 high-risk:quality-gate（歐盟 AI 法附件三，生效 2026-08-02）。一鍵即可匯出整個班次。

缺陷模型刻意不是產品本身

本示範的 DefectDetector 是紋理空間中對訓練良品的 kNN 距離（PatchCore-lite），作為你 NVIDIA Metropolis、Cognex 或客製模型的替身，置於固定介面之後。它是真實可運作的替身（在乾淨良品對缺陷上 AUROC 為 0.845），如實報告，而產品主張從不建立在它之上。持久的價值在於其外圍層：漂移把關、來源溯源與受治理的致動，在任何模型準確率下都成立，因此該層能挺過每一次模型升級。

代理人提供建議，程式碼做決定

當零件堆積在 HOLD 佇列中，一對具代理能力的 Drift Triage 會說明原因：診斷代理人讀取被暫扣零件的排序物理訊號偏差，提出根因假設與建議行動；評論代理人則對照數值證據核實該假設，若所引用的訊號實際上並非主導偏差，便將其降級為人工調查。代理人建置於 Pydantic AI 之上，且可替換供應商；若未設定 API 金鑰，分診會回退到確定性範本，讓整個示範可離線運行。無論哪種方式，代理人只提供建議。把關機制早已決定。

換班，從頭到尾走一遍

第 3 號產線工位上的腳本化班次，以真實的 MVTec AD metal_nut 保留測試零件重播。下方每張影像都是運行中應用程式的截圖。

正常運轉：乾淨零件在數十毫秒內放行

漂移發生前，乾淨良品會在充裕時間內自動放行：隨附的稽核日誌顯示零件 test-good-288 為 37.7 ms、test-good-289 為 24.4 ms，對照 750 ms 衝程窗口預算，且各有完整溯源紀錄。儀表板顯示每件零件的即時決策流程，以及各階段量測的實際經過時間與其輸出背後的證據。

正常運轉時的 Inspection Trust Gate 儀表板：一件判定為 PASS 的乾淨零件、顯示各階段毫秒數的即時決策流程，以及處於標稱狀態的包絡監測。 — 一件自動放行的乾淨零件：PASS 判定、各階段計時、包絡監測為標稱。

06:00，換班：輸入離開包絡

接著腳本化標記觸發：SHIFT CHANGE 06:00，冷模具，廠房燈開啟。十二件保留的良品帶著眩光、失焦與熱色偏抵達（套用在真實良品照片上的誠實影像損壞，並在應用程式中如此標示）。包絡監測變紅。把關機制將每一件都暫扣待人工審查，而不是讓致動器依模型從未被驗證可給出的判定觸發。

漂移瞬間：SHIFT CHANGE 06:00 橫幅、讀為 needs proof 的 HOLD 判定、零件周圍的分布外違規環，以及未加包絡的 AOI 原本會將其退件的註記。 — 漂移瞬間：HOLD 而非誤判退件。未加包絡的 AOI 路徑原本會報廢這件良品。

逐項訊號說明的包絡違規：亮度位於正 7.6 個標準差，貢獻馬氏距離的 87.1%。 — 包絡為何觸發：亮度為 +7.6 sigma，佔距離的 87.1%。這是證據，而非黑箱旗標。

同一個班次，兩條路徑上的量測

比較面板將相同零件分別送入未加包絡的基準與 Trust Gate。基準會誤判退件漂移良品；把關機制自動報廢 0 件並將其暫扣，使此腳本化班次的誤判退件 KPI 從 57.1% 降至 0%。推估面板將量測到的未加包絡誤判退件率外推至整個班次（每分鐘 40 衝程、8 小時即 19,200 件），以每件 $2.42 計，這是有來源的數量級報廢成本（餅乾製造商案例：因 8.7% 的報廢浪費降低而每年節省 $94K）。美元數字始終是標示為推估的數字，絕非量測到的節省。

效益面板：未加包絡基準報廢 12 件良品，對照 Trust Gate 為 0；被暫扣零件的升級佇列；誤判退件 KPI 從 57.1% 降至 0%；以及標示為推估的報廢成本約 $26.5k。 — 未加包絡路徑報廢 12 件良品，把關機制為 0。被暫扣的零件在升級佇列等候；美元計數器是標示為推估的數字。

真實缺陷被自動退件，並如實註記

若缺陷能躲在其下，漂移把關便毫無價值。一件真實的嚴重結構缺陷（MVTec 類別 flip，零件 test-flip-264）被自動退件，模擬致動器記錄 REJECT actuated in 25 ms，對照 750 ms 預算。幾何深入說明指出此零件上未定位到任何異常：退件僅依紋理信心，而區域規則回退到中心預設。顯示那段文字是刻意的。示範展示規則棄權，而非假裝。在整個保留分割上，漂移期間注入的缺陷零件仍被攔截或升級處理，93 件中的 93 件，從未被自動放行。

自動退件真實缺陷 test-flip-264 的完整決策軌跡，模擬致動器日誌顯示 REJECT actuated in 25 ms，對照 750 ms 預算。 — 自動退件軌跡：真實缺陷，由模擬轉接器記錄的致動。

自動退件零件上的誠實深入說明：未定位到異常，退件僅依紋理信心。 — 產品中的揭露：未定位到異常，僅依紋理信心。

憑據，以及解釋

點選任一零件，稽核抽屜會顯示其完整溯源紀錄：模型 id metalnut-defect-knn 版本 v7、資料集雜湊 ae95b5b533c8、OOD 分數、物理訊號、觸發的規則、對照預算的延遲、致動與 MES 日誌，以及風險標籤 high-risk:quality-gate（歐盟 AI 法附件三，生效 2026-08-02）。Export Audit 會將班次下載為 inspection_audit.jsonl；在保留分割上，已決策零件的稽核完整度為 100%。執行 Drift Triage 時，診斷代理人會為被暫扣零件提出根因，評論代理人則在核發 verified 徽章前對照數值證據加以核實。

逐件稽核溯源 JSON，含模型 id 與版本、資料集雜湊、OOD 分數、觸發的把關規則、延遲，以及歐盟 AI 法附件三高風險標籤。 — 逐件溯源紀錄，設計為高風險符合性檔案可歸檔的證據。

Drift Triage 輸出：診斷代理人的根因假設與建議行動，以及評論代理人的已核實徽章。 — Drift Triage：診斷代理人提出，評論代理人核實。僅供諮詢；把關機制早已決定。

數字，以及它們確切的適用範圍

所有量測皆來自本示範在 MVTec AD metal_nut 官方保留測試分割上的基準腳本（220 張訓練良品擬合影像；22 件良品與 93 件缺陷測試零件），在相同影像上比較未加包絡的基準與 Trust Gate。基準對各漂移族誤判退件 95.5% 至 100% 的漂移良品（平均 98.9%）；把關機制自動報廢 0.0% 並暫扣 100%。包絡偵測器在一個它從未被調校過的保留漂移族（曝光不足）上得到 AUROC 1.00。損壞為全強度，因此基準的崩潰在構造上接近全面：誠實的主張是方向——一旦輸入離開包絡，在乾淨條件下通過驗證的模型便會崩潰——而非確切百分比。這些是研究基準上的示範量測，絕非開放世界保證。

未加包絡的 AOI 流程對照 Inspection Trust Gate

示範即時運行的同一比較，使用相同零件。

維度	未加包絡的 AOI（無包絡檢查）	Inspection Trust Gate
超出包絡的輸入	仍信任模型判定	不信任任何模型輸出；零件被 HELD 待審查
漂移良品（眩光、失焦、熱色偏）	各漂移族誤判退件 95.5% 至 100%	自動報廢 0；100% 被暫扣（MVTec metal_nut 保留測試分割）
誰觸發致動器	直接依模型判定	模型無法覆寫的確定性把關機制
延遲課責	無	硬性 750 ms 衝程窗口預算，逐件量測
稽核軌跡	無	逐件 JSONL 溯源紀錄，可按班次匯出
當產線漂移時	報廢堆到有人注意到為止	升級佇列加上諮詢性 Drift Triage（診斷代理人、評論代理人）

本示範不做什麼

✓ 它不運行真實產線。通往 Allen-Bradley ControlLogix 退件致動器的 EtherNet/IP 以及 MES 接收端，都是模擬轉接器，會記錄它們原本會執行的動作；相機則是錄製的影像串流。第 3 號產線工位與班次皆為腳本化。
✓ 它不主張開放世界保證。0.0% 的把關誤判退件、1.00 的包絡 AUROC，以及 93/93 的攔截率，都是在全強度合成損壞下、對 MVTec metal_nut 保留分割的量測。
✓ 它不展示真實廠房漂移。漂移是套用在真實 MVTec 照片上的誠實影像損壞（眩光、失焦、熱色偏）：真實照片、合成漂移，並在應用程式中如此標示。
✓ 它不銷售缺陷模型。kNN 替身的存在，是為了展示其外圍層；在正式環境中模型是你的，我們不主張能超越 AOI 供應商的檢測能力。
✓ 它不交付正式環境計量。幾何區域規則是粗略替身，在 93 件保留缺陷中的 33 件上定位異常，並在 93 件中的 1 件上改變把關結果；UI 會逐件揭露這一點。
✓ 它不報告量測到的節省。報廢成本計數器是以每件 $2.42 標示的推估，屬於有來源的數量級，且此示範不存在任何客戶、部署或案例研究。

買家真正會問的問題

為什麼換班後，我們的視覺系統會把良品退件？

通常是因為輸入漂移了，而不是模型變差。廠房天井燈眩光、冷模具，以及達到熱平衡前一個班次的前幾件零件，會把影像移出模型通過驗證時的分布，而任何模型在已驗證包絡外的輸入上都不可信。實驗室 97% 的模型在沖床上達到 14% 生產誤判退件率，就是典型例子。持久的解方是一道能偵測超出包絡輸入、並將那些零件暫扣待審查而非致動的把關機制。

我們必須更換既有的檢測模型或 AOI 系統嗎？

不必。Inspection Trust Gate 以固定介面包覆你的模型；在示範中，缺陷偵測器是 NVIDIA Metropolis、Cognex 或客製引擎的刻意替身。產品是模型周圍的那一層：包絡檢查、確定性把關機制、升級佇列，以及稽核溯源。那一層在每一次模型升級中都會持續發揮價值，因為它防止的是輸入失效，而非模型失效。

對真實沖壓產線來說夠快嗎？

把關機制是帶有硬性延遲預算的樸實程式碼：退件決策必須落在以每分鐘 40 衝程運轉的沖床的 750 ms 衝程窗口內。在示範隨附的稽核日誌中，決策落在數十毫秒內，例如對照 750 ms 預算的 24.4 ms 與 37.7 ms，儀表板會回報即時 p99。這些是示範量測，而非正式環境保證，但預算是逐件強制執行的。

歐盟 AI 法適用於 AI 品質檢測嗎，我們必須記錄什麼？

安全關鍵的品質決策落在該法的高風險義務（附件三）之下，自 2026 年 8 月 2 日起全面適用，最嚴重的禁止實務違規最高罰款為 3,500 萬歐元或全球營業額的 7%。示範會寫下逐件溯源紀錄：模型 id 與版本、資料集雜湊、OOD 分數、觸發的規則、對照預算的延遲、致動日誌，以及風險標籤，可匯出為 JSONL。該紀錄設計為高風險符合性檔案可歸檔的證據；它不是認證。

AI 或 LLM 能觸發退件致動器嗎？

不能。致動由確定性把關機制決定：擬合的信心閾值與延遲預算寫在樸實程式碼中，任何模型輸出與任何 LLM 都無法覆寫。具代理能力的部分 Drift Triage，是診斷代理人加上評論代理人，用來解釋產線為何漂移；它們只提供建議，從不致動。若未設定 API 金鑰，分診會降級為確定性回退，整個示範可離線運行。

我們怎麼知道漂移偵測器不是專門為示範調校的？

這正是我們做的獨立性檢查：包絡偵測器在一個它從未被調校過的保留漂移族（曝光不足）上得到 AUROC 1.00，量測於 MVTec metal_nut 保留分割。它在物理訊號空間以 220 張已知良品影像擬合，因此會標記會移動那些訊號的擷取漂移，而不只是我們建構的漂移族。損壞為全強度，因此分離在構造上很鮮明；誠實的主張是方向，而非確切百分比。

這是真實產線還是示範？

一個證明機制的可運行示範。通往 Allen-Bradley ControlLogix 退件致動器的 EtherNet/IP 以及 MES 接收端，都是模擬轉接器，會記錄它們原本會執行的動作；相機是真實 MVTec AD metal_nut 照片的錄製串流；漂移是套用在真實良品照片上的誠實影像損壞。包絡檢查、確定性把關機制、升級佇列與稽核匯出都是真實的，並完全依所示運行，每一個標題數字都量測於 MVTec metal_nut 保留測試分割。

技術研究

支撐此示範的研究——架構、驗證設計，以及企業藍圖。

完整解決方案

探索「用於製造品質檢測的邊緣 AI」解決方案 →

正在復原或強化邊緣檢測部署？

模型與致動器之間的信任層才是難處。我們打造它。

如果你的團隊正為每次換班後的誤判退件而苦惱，或在思考歐盟 AI 法的高風險義務對一條以每分鐘 40 衝程決策的產線意味著什麼，我們真心想聽聽你是怎麼思考這件事的。這個問題遍及整個產業，答案也將如此。

包絡評估

✓ 對應你產線的輸入在何處離開模型的已驗證包絡
✓ 在你的擷取訊號上擬合分布外偵測器
✓ 依你自己的資料定義把關閾值與 HOLD 政策
✓ 指定你的符合性檔案所需的溯源紀錄

打造信任層

✓ 落在你衝程窗口預算內的確定性把關機制
✓ 產線上的包絡監測與升級佇列
✓ 逐件 JSONL 稽核溯源，一鍵匯出
✓ 有界的漂移分診代理人：只提供建議，從不致動

透過 WhatsApp 聯繫寄電子郵件給我們的團隊