对机器视觉领域的几点看法

机器视觉赛道作为 AI 领域的一个重要分支，一直被投资机构所关注，也持续不断有创业公司投入进来。但这个赛道感觉一直没有爆发出来，赛道未来的前景大家都是普遍看好的，但赛道爆发的约束条件到底是什么？这个赛道是否有可能产生千亿级市值的公司？如果有可能，发展路径又会是什么？我自己也没想太明白，先分享一下目前对这个赛道的几点认知，作为记录，期待后续自己的迭代

A、从应用场景来看：机器视觉大致分为识别、定位、测量、检测四个应用方向。比如，在一些制备设备中，常常会搭载机器视觉模块，来完成一些高精度的机械操作（螺丝机等）。

但从这几年发展趋势来看，更多的应用场景还是检测，检测的核心目的在于高效判断产品“良率”问题。把原本通过人肉操作的“离线抽检”升级为机器操作的“在线全检”，良率的实时监控与控制是直接与公司利润相关；

B、从行业特点来看：机器视觉大多还是应用于制造业，比如：3C、汽车、半导体等行业。但这些行业本身是有周期性的，这个周期性必然会传导到产线的制备设备，然后再传导到机器视觉设备。因此，机器视觉领域也有比较重的周期性属性；

C、从供应商格局来看：头部阵营必定还是基恩士、康耐视这些老牌国外企业。毕竟发展了几十年，在底层算法库层面，已经沉淀了足够多、面向各场景的算法算子，系统的稳定性和精准性优势也比较大，另外，他们在国内已经培养出一系列的交付合作伙伴，生态圈完善。接下来，类似于 Halcon 这类商业化产品在国内场景应用的渗透率也已经非常高，再低一级别的，OpenCV 等开源产品对小企业和个人开发者也占据了较大的应用空间。

但今几年以来，缺陷检测的需求越来越大，传统机器视觉产品大多还是基于底层的确定性算法来实现，在各类缺陷检测的实际应用中效果不佳，从而催生了神经网络的实现方式。但通过神经网络来落地的前提是必须有场景，有场景才能有数据、才能做标记、才能训练数据沉淀算法。尽管在应用中，神经网络的网络结构也不会太复杂，神经网络层数一般也不会超过 10 层，但场景和数据是实现的前提；

同时，面向这类场景的检测设备，除了算法外，还有一个比较重要的就是光成像系统，毕竟你“看”的越清楚，对算法的要求就会低很多。光成像系统中，工业相机、光源组件等配件都可以外采，核心是工程设计，不仅仅是效果问题，也是成本问题，设计能力的核心是工程经验的沉淀（当然，这个赛道目前还有很多硬骨头，业界并没有特别好的解决方案，比如：3D 玻璃检测等等）

D、从商业打发来看：有两个套路。一个是标准化产品，逻辑很简单，就是提供比基恩士和康耐视稍差的性能、更低的价格，完成基恩士和康耐视存量市场的“替换”。但这个打法一定会面对“先有鸡，还是先有蛋的问题”，你毕竟还是要能够达到基恩士产品 70%-80%的能力，否则替换逻辑很难成立；

还有一类就是场景切入，定制化设备为主。这时，一般需要绑定大客户，先从一个点切入，再不断延展场景。大致打法时：先从产线的一个点去切入，再在这个产线上多点切入，时机成熟时，自己做产线设备，然后拓展场景（产线），拓展行业，通过并购来获取技术或者细分市场。可以看到，不止是机器视觉，制备设备大多也是按照这个逻辑演进；

E、从企业基因来看：包括机器视觉的整个制备设备赛道总体来看都不是那么高大上，对落地能力要求极高，对与客户的协同合作要求极高，这对企业特性也提出了要求，创始人基因决定企业基因，从而创始人应该极具稳扎稳打、服务客户的落地能力。事实也是这样，我们看到已经 3500+亿市值的立讯，创始人以前不过富士康的流水线女工，包括华兴源创的创始人背景也不是那么光鲜，反而，创始人背景相对较好的天准，在上市后的表现到是一般。