“机器视觉+AI”赋能智能制造，凌云光着力打造工业互联网的关键基础设施

数据智能产业创新服务媒体

——聚焦数智 · 改变商业

---

在资本市场，AI可以说是近几年最热的一个概念。然而，在经历了技术和资本的热潮之后，AI如何真正实现商业落地，业界一直没能给出让人满意的答案。机器视觉作为AI的一个重要细分领域，也需要解答商业落地这个命题。

在数据猿看来，机器视觉厂商可以分为两类：一类是AI+行业，以AI技术出发，探索技术在各个行业中的应用落地，商汤、旷视、云从、依图是这类厂商的典型代表；另一类是行业+AI，本身就有行业属性，再加上AI技术，即将在科创板上市的凌云光（股票代码：688400）是这类厂商的典型代表。

如果说技术和资本看重的是性感的故事，那么商业化落地看重的则是营收、净利润这类实际的财务指标。

相较于“CV四小龙”，凌云光的知名度虽没那么大，但从实际的营收和利润情况来看，其表现可以说相当亮眼。2021年，凌云光的营收已经达到了24亿元，近三年营收的年化增长率（CAGR）为30.9%。我们将凌云光和“CV四小龙”中已经上市的商汤科技（港股）和云从科技（科创板）做个对比，商汤的营收最高，其次是凌云光。2021年，商汤营收是凌云光的近两倍，凌云光的营收是云从科技的2.4倍。从营收增速来看，2020年，凌云光营收增速要高于商汤和云从；2021年，三家的营收增速比较接近，凌云光略微高于商汤，比云从低几个百分点。

商汤、云从、凌云光营收对比 数据来源：财报、招股说明书

除了营收外，净利润也是体现公司商业应用情况的一个关键财务指标。由于行业发展特性，近年来很多机器视觉厂商暂未走出亏损困境。据公告，凌云光近三年实现了持续盈利，净利润年均增速（CAGR）达到62%，超过营收CAGR的一倍。2021年净利润2.1亿元（剔除股份支付），净利率8.75%。

从实际的财务指标看，凌云光的商业落地无疑是比较成功的。在AI行业普遍亏损的情况下，凌云光为什么能实现持续盈利，并且净利润能以62%的年均增速不断成长，是一个值得深挖的课题，这也许有助于回答机器视觉乃至AI厂商如何更好的商业落地这个问题。

懂客户、陪着客户一起进步，是更高级的行业Know-how

在AI应用落地过程中，普遍遇到的一个问题，就是AI厂商对客户业务的理解程度不够。行业客户尤其是中大型行业客户，其业务的复杂度本身就比较高，要真正理解客户业务，对AI厂商提出了很高的要求。

从凌云光的实践看，要让AI真正在客户业务场景中应用落地，AI厂商要努力像客户自身一样了解其业务。以高端智能手机客户为例：凌云光团队要能够理解高端智能手机，了解一部手机的几乎所有零部件，掌握每个零部件的功能/性能指标与生产工艺。只有充分了解高端智能手机是如何设计、制造出来的，才能将机器视觉技术与产品更好地嵌入手机的相应生产流程。

能够做到行业Know-how已属不易，但仅做到这一点还不够，还需要更进一步。客户的业务并不是一成不变的，以高端智能手机为例，每一代手机都不一样，零部件、生产流程都会发生改变。作为技术服务方的AI厂商，就需要随需应变，跟上客户的脚步。而且，要以更先进的技术，去支撑客户的业务演进。某种程度上，AI厂商和客户组成了一个“共生体”，AI厂商的技术产品是跟客户业务共同演进、相互带动的。凌云光的经验表明，为了更好服务客户，AI厂商不仅要了解客户目前的业务情况，还需要掌握其整个的业务演进历史，并预测客户业务调整的方向和节奏，这是更高级的行业Know-how。

当然，越困难的事情就越有价值。真正做到行业Know-how的AI厂商，才能赢得客户的青睐。

要做到这一点，不仅需要过硬的技术实力，合适的市场机遇也不可或缺。要在合适的时机，切入客户的业务环节，然后才能搭上这辆高速行驶的“列车”。凌云光切入高端智能手机产业链，就是一个典型案例。

凌云光之所以能被苹果、工业富联等多家优质客户选中，首先得益于其过硬的技术能力。

在科技领域，国家科学技术进步奖和国家技术发明奖可以说是两块金字招牌，代表了行业的顶尖水平。科创板的上市标准中，尤其关注国家科技进步奖和国家技术发明奖。在《上海证券交易所科创板企业发行上市申报及推荐暂行规定（2021年4月修订）》文件中，第六（二）条规定明确指出，支持和鼓励“作为主要参与单位或者核心技术人员作为主要参与人员，获得国家自然科学奖、国家科技进步奖、国家技术发明奖，并将相关技术运用于主营业务”的企业上市，对这类企业登陆科创板甚至可以适当放宽财务标准。

凌云光先后获得一次国家技术发明一等奖、两次国家科技进步二等奖。其中，凌云光创始人杨艺参与的“立体视频重建与显示技术及装置”项目于2012年获国家技术发明一等奖；凌云光作为主要单位参与的“新一代立体视觉关键技术及产业化”项目于2016年获国家科学技术进步二等奖，“编码摄像关键技术及应用”项目于2019年获国家科学技术进步二等奖。

此外，凌云光还作为牵头单位承担科学技术部国家重大科学仪器设备开发专项“微米级高速视觉质量检测仪开发和应用”项目，独立承担发改委“面向3C产品智能制造的智能相机产业化项目”，自主开发了分辨率从200万到2,000万像素的智能相机、智能处理设备，实现了国产智能相机核心算法、器件等技术平台的产业化。正是因为这些技术积累，凌云光获得了苹果公司、工业富联的认可，并顺利通过其供应商认证。

梳理通用业务流程、打造底层技术平台，为实现快速的行业拓展奠定基础

机器视觉技术产品在进行商业落地过程中，需要应用到不同行业的具体业务场景当中。然而，不同行业的业务千差万别，带有鲜明的行业属性。为一个行业定制的机器视觉解决方案，用到另一个行业可能就会“水土不服”。

某种程度上，机器视觉解决方案要与特定行业的业务进行高度“耦合”，基于行业特性定制解决方案。这就需要解决两个问题：

一方面，客户需求是个性化的，但机器视觉厂商要想获得更好的发展，就要着力打造标准化的产品和平台。标准化的产品平台，才能更快实现规模化的业务扩展。而且，标准化产品的边际成本更低，可以通过规模效应来改善利润情况。如果长期陷入项目定制化的泥潭，机器视觉厂商的业务拓展会比较缓慢，而且营收规模的扩张并不能明显地改善利润情况，这也是目前大量机器视觉厂商陷入亏损泥潭的重要原因。因而，机器视觉厂商必须要找到一个方法，来实现不同行业客户个性化需求和自身标准化技术产品体系之间的平衡。理想的情况是，基于标准化的技术产品，实现产品功能的“模块化”，然后通过不同产品的“组装”快速形成行业解决方案，低成本的满足客户的个性化需求，实现规模效应。

另一方面，作为技术服务供应商的机器视觉厂商，需要具备很强的行业业务理解能力，并把客户的需求快速对应到自身的技术产品体系，构建满足客户业务需求的机器视觉解决方案。这对机器视觉团队提出了很高的要求，不仅要有强大的技术产品团队，还要有能够理解不同行业客户需求的售前、实施、售后、运营等服务团队。

如何解决产品标准化和行业需求个性化之间的矛盾，是机器视觉厂商普遍面临的问题。只有很好地解决以上两方面的问题，才有可能实现快速的行业拓展，将自身优势技术产品，应用于多个行业领域。

那么，凌云光是怎么解决这个棘手的问题呢？

凌云光的做法是，一手抓行业共性业务流程的梳理，一手抓通用技术平台的构建，并将通用机器视觉平台与行业客户的共性业务流程结合起来，低成本的满足多行业客户需求。

工业虽然有很多细分领域，但是在工业生产流程当中，其实有很多共性的业务环节。凌云光团队经过不断的探索，从大量的行业客户服务项目中，抽象出了一整套通用的业务流程。具体来看，可以分为三类共性的业务流程，分别是生产流、质量流、物流。

生产流，在底座组装、手机组装产线、PCB装配等生产流当中，机器视觉产品的作用是实现生产智能化，提升产线自动化和智能化水平，实现智能化生产工艺管理、设备管理、产能管理，在精度、效率、可靠性、柔性等方面赋能生产流程；

质量流，用机器视觉产品对零部件、设备进行测量和检测，比如装配检测、尺寸检测、零件检测等。通过建立科学可度量数字化质量标准、关键制程过程质量控制与优化等方式，实现质量流业务的检测智能化；

物流，通过二维码物流追溯、目标识别等技术，实现物料及产品全流程追溯与管理智能化，提供生产与经营管理智能化建议与辅助决策。

工业制造共性业务流程梳理 资料来源：凌云光

在上述不同业务流程当中，又可以进一步抽象出识别、测量、检测、定位等核心技术。凌云光着力打造通用性的技术平台，提供标准化的技术产品，并实现技术、产品的“模块化”。

有了这样一个通用机器视觉平台和业务流程体系，当服务新行业客户的时候，凌云光就可以将客户复杂的业务需求，解构为多个业务流程。基于通用机器视觉平台，加上部分定制开发，就能够形成一个满足客户需求的完整行业解决方案。

此外，凌云光在长期的行业客户服务实践当中，培养了一个能够快速理解行业需求，并能快速形成针对性解决方案的工程师团队。即使面对全新的行业领域，这个团队依然可以快速完成业务和需求梳理，把握核心诉求，推动解决方案的应用落地。

业务流程体系、通用机器视觉平台、实践经验丰富的工程师团队，是凌云光实现行业拓展的“三板斧”。正是借助这些能力的积累，凌云光才可以将消费电子、显示屏、印刷等行业的优势，快速拓展到锂电、光伏、轨道交通、轻工纺织、生物医疗、食品制造、互动娱乐等行业领域。

只有AI算法还远远不够，要构建“光、机、电、算、软”一体化作战能力

如果将机器视觉技术的行业落地视为一场比赛，那么掌握行业Know-how，只是拿到了“参赛资格”。要想在这场比赛中拿到好的名次，还需要具备一系列的能力。

某种程度上，在AI领域似乎盛行算法崇拜，尤其是深度学习算法崇拜。评价各个AI厂商技术能力的核心标准，就在于其算法模型的精度是99%还是99.9%。仿佛只要模型精度足够高，就万事大吉了。

从实践来看，算法模型很重要，但要实现AI的商业化落地，单靠算法模型是远远不够的。客户要的是能够满足其需求的完整解决方案，而不是某个孤立的算法模型。

一个完备的机器视觉解决方案，需要具备三个层次的技术产品能力，分别是算法层、软件层和软硬件系统层。

1、算法层

诚然，深度学习是此次AI技术创新的核心。在机器视觉领域，常见的人脸识别就是基于深度学习技术来提高识别准确率。但是，深度学习更多应用于人脸识别、语音识别等C端场景。在B端场景中，机器学习技术应用得更加普遍。

据统计，在工业应用领域，深度学习算法占比仅有15%，机器学习算法占比85%。即使将来深度学习算法的应用占比进一步提升，也很难超过30%。因而，打磨机器学习算法，对于推动机器视觉在工业场景中的应用落地，意义重大。

工业机器视觉领域深度学习算法和机器学习算法的应用占比 数据来源：凌云光、数据猿

机器学习和深度学习对训练数据集的依赖程度有较大差别：深度学习更依赖训练数据集来提升模型准确率，而机器学习更侧重于数学能力，即把物理应用场景的业务需求抽象成数学问题的能力。

凌云光针对深度学习和机器学习算法，采取不同的研发策略：深度学习领域，优化算法模型的同时，在消费电子、新型显示、印刷包装、新能源等行业，基于丰富的行业实践与数据训练不断完善AI算法平台。比如，在显示面板领域，凌云光基于扎根行业逾15年、累计检测30多亿片手机屏幕的数据训练，使得AI算法能够对产品进行智能识别、标识、分类与复判，确保检测准确率超过98%，大幅优于人工检测的误判率和漏判率。在机器学习领域，则不追求统一的大模型，而是针对不同场景研发个性化模型，以专用数学公式解决具体的问题。除了常见的深度学习、机器学习算法，还需要针对不同的应用场景，研发个性化AI算法。

AI算法要实际应用，除了准确度、鲁棒性要达标外，算法模型的反应速度也很关键。例如，在一些定位、追溯应用场景中，要求算法在几毫秒内给出识别结果。在识别速度方面，一些机器学习算法比深度学习算法更有优势。

如果把工业场景的AI应用视为一场城市争夺战役，深度学习算法模型相当于大炮，是重武器。大炮很有用，但单靠大炮拿下一座城市是不经济的；而机器学习算法相当于AK47机枪，在“城市巷战”中打击敌人会更加灵活，性价比更高。因而，综合应用深度学习+机器学习，才能更好满足多样化业务场景中对AI算法的需求。

2、软件层

从凌云光的实践来看，机器视觉系统要很好满足客户的业务需求，需要做到“眼睛明亮、脑子聪明、胳膊强壮”。前端的机器视觉算法，只是做到了“眼睛明亮”。要想“脑子聪明”，还需要智能工业软件、工业互联网、知识图谱等技术的配合。

为此，凌云光成立了“知识理性研究院”，开展工业人工智能大数据平台、大数据与认知图谱等技术研究。

依据工信部发布的《工业互联网创新发展行动计划（2021-2023年）》，政府鼓励大型企业加大5G、大数据、人工智能等数字化技术应用力度，全面提升研发设计、工艺仿真、生产制造、设备管理、产品检测等智能化水平，实现全流程动态优化和精准决策。

无论是工业互联网还是智能制造、工业4.0、柔性制造，核心都在于生产流程的数字化、智能化升级。凌云光的做法是，通过机器视觉系统实现客户产品的科学度量，将物理指标数据化，为后续的数据智能分析奠定基础。接下来，通过质量数据管理系统，帮助客户实时记录和监控产品重要工序的质量状态，并通过对质量数据的分析实现管理优化。进一步的，可以结合工艺数据管理系统，通过大数据挖掘和认知图谱等技术释放数据价值，发现流程上的薄弱环节，提升生产效率。

3、软硬件系统层

一个完整的机器视觉解决方案，仅有算法和软件还不够，而是需要涵盖“光、机、电、算、软”五个方面。

创业型AI厂商，往往以算法见长，大数据、工业智能软件能力不足，在“光、机、电”领域的积累就更加匮乏，这是导致其商业落地难题的重要因素。只有补齐“光、机、电”三个环节，并构建软硬一体化解决方案，才能真正推动机器视觉的应用落地。

在商业应用落地方面，凌云光的一个核心竞争力就是构建起了“光、机、电、算、软”一体化解决方案。

凌云光推出了可配置视觉系统和智能视觉装备，两类产品密切配合，可以覆盖整个生产流程的前道工序（来料检）、中道工序（识别、定位、检测）、后道工序（完工检）：可配置视觉系统产品主要应用于生产环节的中道工序，实现生产过程中的识别、对位、测量、检测功能；智能视觉装备一般应用于各生产环节的前道工序（来料检）或后道工序（完工检），对生产出来的产品（含零部件）进行质量达标检测。

智能视觉装备除了“眼睛”和“大脑”还做了“四肢”，具体包括光源、相机镜头、自动化工作台、PLC控制器、I/O卡、机械手臂、设备驾驶舱等部件。值得一提的是，在光源和相机两个核心零部件上，凌云光实现了部分自研，这构成了一个重要的竞争壁垒。

智能视觉装备架构示意图 资料来源：凌云光招股说明

此外，“光、机、电、算、软”是一个有机的整体，各个环节的密切配合，对提升整个系统的性能有重要作用。要实现这个目标，需要在光学成像技术、照明技术、算法技术、软件技术、自动化技术、AI算法、大数据技术、工业智能软件技术等领域都有长期的积累，并实现不同技术的融合发展。

凌云光的技术层级 资料来源：凌云光招股说明

例如，在激光技术与AI算法融合方面，凌云光为激光加工研发了各种毛刺切割引导算法，可大幅提升皮革等柔性产品的切割稳定性和精度。通过“视觉飞拍”、“3D成像与检测”和“深度学习”等技术，可将产线的生产效率从10秒线提升至5秒线，组装精度从0.05mm逐步提升至0.02mm。

总之，机器视觉技术产品的商业应用落地，考验的是“光、机、电、算、软”的体系化作战能力，而不是仅仅依靠算法来实现“单兵突破”。

机器视觉的市场渗透率尚低、未来市场空间足够大，应该进行“价值战”而不是“价格战”

目前，机器视觉市场还处于商业化早期阶段，市场空间足够大，可以容纳各类厂商。

据中国机器视觉产业联盟统计，预计2021年至2023年，中国机器视觉行业的市场规模将以28%的复合增长率增长，至2025年市场规模将达393亿元。

中国机器视觉市场规模 数据来源：中国机器视觉产业联盟

目前中国机器视觉的市场渗透率还不高，主要表现在两个方面：一方面，还有大量的企业没有采购机器视觉产品；另一方面，那些已经采购了视觉系统的企业，也并没有完全满足需求，比如企业本身需要10台机器视觉设备，但目前只部署了2台。假设有15%的企业使用了机器视觉产品，而这些企业只满足了30%的需求，那机器视觉的综合市场渗透率就只有15%*30%=4.5%，还有巨大的发展空间。

放眼全球，机器视觉市场空间更大。全球市场的企业数量是中国的几倍，同时欧美国家机器视觉的市场渗透率又是中国的几倍。据MarketsandMarkets统计，2015-2020年，全球机器视觉器件市场以13.83%的复合增长率增长，2020年市场规模达107亿美元；预计2025年市场规模将达147亿美元。

全球机器视觉市场规模 数据来源：MarketsandMarkets

如果单看视觉器件和可配置视觉系统，市场规模可达数百亿元；如果算上智能视觉装备，则市场规模可达数千亿元。

根据中国机器视觉产业联盟统计，电子、电气是机器视觉最重要的应用领域，其次是半导体。以光伏、锂电池为代表的新能源，以及智能电动汽车领域，市场占比还较小。

2020年中国机器视觉行业下游应用占比资料来源：中国机器视觉产业联盟

然而，新能源和新能源汽车是两个高速增长、规模巨大的蓝海市场，其对机器视觉的需求将呈现爆发式增长。

以新能源汽车为例，依据中汽协的数据，预计未来五年中国新能源汽车销量年均增速40%以上。一辆新能源汽车上有大量的ECU、DCU、传感器、功率电子等电子元器件，汽车零部件数量大大高于智能手机。在汽车零部件、整机的生产过程中，对机器视觉系统和设备有大量的需求。同样的，新能源领域的光伏、锂电池未来五年平均增速很可能都将在40%以上，这也是一个亟待满足的巨大市场。

本质上，机器视觉是一项赋能技术，通过推动其他行业的数字化、智能化升级来实现价值增值。从这个角度来看，以机器视觉为基础的工业智能应用市场空间可达上万亿元。

2021年，我国制造业创造的GDP为31.38万亿元（4.86万亿美元）。如果通过数字化、智能化升级，将我国制造业附加值提升30%，则每年就可以创造出9万亿的市场增量。这部分价值，作为智能制造核心引擎之一的机器视觉厂商，即使只分得总价值增量的10%，也将是9000亿元的大蛋糕。

如果再算上金融、政务、零售、医疗等其他行业，广义的机器视觉（除了核心视觉应用外，还涵盖智能软件、核心零部件和整机系统）市场规模可达上万亿元。

目前，头部机器视觉厂商的营收规模都在几十亿元量级，跟庞大的市场规模相比，还有巨大的发展空间。因而，机器视觉还是一个蓝海市场，而且是一片“汪洋大海”。虽然机器视觉领域已经涌现了大量厂商，但整个市场并不拥挤。

红海市场才需要价格战，蓝海市场更需要“价值战”。机器视觉厂商要想更好满足客户需求，还有大量的问题需要解决，除了不断提升深度学习、机器学习模型的精度、鲁棒性和效率外，光学成像、智能相机、芯片、自动化设备、深度感知、知识图谱、数据挖掘、工业互联网等多个领域都还有很大的进步空间，需要大量的技术、产品和应用创新。与其盯着竞争对手，不如将注意力放在客户身上，将真正解决客户问题、更好满足客户需求作为目标。只要能够真正解决客户的问题，为客户创造价值，客户是愿意付费的，机器视觉厂商也有足够的利润来投入研发和市场拓展，整个机器视觉市场也才能形成正向循环。不然，如果仅以价格战取胜，不仅不能真正解决客户问题，还会扰乱机器视觉市场的发展秩序，最终对行业造成伤害。

目前，国内成立了机器视觉产业联盟（CMVU），该联盟通过制定行业公约、标准以及人才培养的方式，来推动行业的健康发展。加强机器视觉行业标准的制定具有重要价值，通用性的行业标准有助于不同厂商之间产品的融合对接，避免由于视觉厂商各自为战导致的市场割裂。有了统一的行业标准，即使产业链上下游的不同企业、同一企业的不同业务环节采购了不同机器视觉厂商的产品，依然可以实现顺畅的数据流、业务流、价值流。此外，有了统一的测评标准，可以更客观的评价机器视觉产品的优劣，让市场实现良币驱逐劣币。

总结来看，凌云光成功商业化的“密码”：首先，要懂客户业务，具备行业Know-how的能力，并能以自身机器视觉技术去支撑客户的业务演进，满足客户动态变动的业务需求。尤其是要吃透行业头部客户的业务需求，头部客户往往代表最高的技术要求、最全面系统的业务需求，服务好头部客户，对拓展整个行业市场都有重要价值；然后，要围绕客户需求，构建涵盖“光、机、电、算、软”五个方面的一体化解决方案。单单只是AI算法是不够的，还需要智能软件、大数据、知识图谱、光学成像、自动化控制等一系列技术的配合。客户不仅需要明亮的眼睛，还需要聪明的大脑和强壮的肢体。

行业Know-how和体系化作战能力，是攻克AI商业应用落地这个堡垒的必杀技。同时，只要能够真正解决客户问题，机器视觉市场空间是非常大的，视觉厂商完全可以良性竞争，既竞争又合作，共同推动行业的健康有序发展。

文：月满西楼 / 数据猿

联系数据猿

北京区负责人:Summer

电话：[phone](微信)

邮箱：[e-mail]

全国区负责人:Yaphet

电话：[phone](微信)

邮箱：[e-mail]