人工智能正在迅速改变计量技术在制造业中的角色。从最初将AI应用于单项检测任务，到如今逐步发展为围绕人工智能、数据以及日益增强的自主决策能力构建测量系统，这一变化正在走向更深层次的转型。
从“AI辅助检测”走向“AI原生计量”，可能成为工业测量领域最重要的发展方向之一。相比于单纯利用AI提升现有检测流程的效率，更长期的机会在于，将测量、结果解读与决策制定设计成一个统一的智能工作流。
这一转型已经开始出现在工业检测的多个环节。例如，ZEISS已通过 ZADD Segmentation应用，将基于AI的缺陷检测集成到INSPECT X-Ray软件中；KEYENCE则在VS平台中，将传统的基于规则的视觉检测与AI检测结合起来；Nikon也推出了采用AI图像分析的自动化显微镜。这些发展表明，AI已经从实验阶段走向实际的质量控制应用。
从自动化走向智能化
传统的自动化检测通常遵循一套可预测的流程：将零件送入测量系统，执行预先设定的检测程序，将结果与规格要求进行比较，最后生成报告。
AI辅助检测则在这一基础上增加了自动特征识别、图像分类、缺陷检测和自适应检测等能力。这些应用能够减少编程工作量，并帮助系统应对更大的零件差异和更复杂的制造条件。
例如，KEYENCE将其AI视觉技术定位为传统机器视觉的延伸，使AI模型能够学习合格零件的外观特征，从而减少持续人工调整检测逻辑的需求。其VS平台允许传统的基于规则的检测与AI检测协同运行。
不过，其底层架构本质上仍然没有改变：检测系统执行预先定义的任务，而AI只是辅助其中一个或多个环节。
AI原生计量：一种不同的路径
在AI原生计量中，人工智能将成为测量架构的基础组成部分。系统有望将传感器数据、CAD模型、历史测量数据、制造信息以及上下文知识结合起来，不仅判断应该测量什么，还可能进一步决定应该如何测量，以及这些测量结果意味着什么。
目前，行业还没有普遍达到这一阶段，但发展方向已经越来越清晰。
AI正在改变缺陷检测
AI在计量领域最成熟的应用之一，是自动化缺陷检测。
ZEISS的ZADD Segmentation利用机器学习对工业CT数据中的缺陷进行检测、分割和评估。这一点尤其重要，因为CT检测能够产生包含噪声和伪影的复杂数据集，使用传统图像处理技术往往很难实现可靠的自动缺陷识别。
ZEISS表示，其系统可以使用预训练或定制AI模型识别孔隙、夹杂等缺陷，应用场景包括铸件、电机定子发卡和电子元件。在特定应用中，该公司称，与传统分析方式相比，其方案可将铸件检测时间缩短最多75%，医疗植入物的检测速度则可提升约10倍。
这已经不再只是对测量流程进行简单自动化。AI正在理解复杂的三维测量数据，并识别原本需要大量人工分析才能发现的特征。
从发现缺陷到理解缺陷
下一步或许更为重要：从缺陷检测进一步走向缺陷理解。
传统检测系统可以识别某个特征是否超出公差，而AI系统则有可能进一步发现这一测量结果与其他工艺变量之间的关联。
因此，目标不再只是判断一个零件“合格”还是“不合格”，而是进一步理解偏差为什么发生，以及应该采取什么措施。
这正是计量技术与制造智能之间联系不断加深的地方。
ZEISS已经在这一方向进行布局。在2026汉诺威工业博览会上，该公司重点展示了精准质量数据、自动化质量流程、数字孪生与基于AI的分析技术相结合，用于优化制造过程。
自动化覆盖完整检测流程
另一个重要趋势，是AI开始覆盖更完整的检测工作流，而不再局限于某一项检测任务。
Nikon于2026年推出的ECLIPSE LV100AMS自动化显微镜，将自动化检测与AI图像分析结合起来。Nikon表示，该系统能够将从图像采集到分析的整个流程实现自动化，以提升检测一致性和速度，同时减少人为错误。
这体现出一个重要变化：AI不再只是用于对图像进行分类，而是可以成为更广泛自动化测量流程的一部分，使数据采集、分析和评估逐步实现一体化。
这正是迈向AI原生计量的重要一步。
打通测量与制造闭环
AI原生计量最终能够带来的机会，是将测量从单纯产生信息的活动，转变为制造过程控制中的主动环节。
以生产航空航天关键部件的机加工过程为例。检测系统发现一系列零件的尺寸正在逐渐发生漂移。与其只是记录偏差，一个智能计量系统可以识别这一趋势，将其与历史数据进行比较，并判断它可能与刀具磨损存在关联。
随后，这些信息可以直接传递给制造系统。
系统可以根据偏差发展趋势自动进行补偿、请求更换刀具、调整加工参数，或者向操作人员发出提醒。
最终形成的架构可以概括为：
制造 → 测量 → 分析 → 预测 → 修正 → 制造
这正是闭环制造的核心，而AI有望让这一闭环变得更加智能和自适应。
数据的重要性
AI原生计量也再次凸显了数字化制造发展过程中越来越重要的一点：测量数据本身就是一种工业资产。单次检测结果脱离上下文的价值有限，而长期积累的数千乃至数百万次测量，则可以揭示制造条件与产品质量之间的关系。
因此，数据架构的重要性也在不断提升。
计量系统需要将测量结果与MES、ERP、PLM、机床、传感器以及生产系统中的信息连接起来。同时，数据还必须保留完整的上下文，包括零件标识、测量不确定度、环境条件、设备状态和溯源信息。
如果缺少可靠且结构化的数据，即使是复杂的AI模型，也可能得出不可靠的结论。
因此，传统计量所强调的准确性、溯源性和测量不确定度仍然不可或缺。AI不会取代这些基础原则，而是建立在这些原则之上。
计量工程师的角色正在改变
AI原生计量也将改变负责操作和管理测量系统的人员角色。
未来的计量专业人员可能不再需要花费大量时间创建重复性的检测程序，而是更多地负责制定测量策略、验证AI模型、解读复杂数据，并确保自动化决策在技术和统计层面保持可靠。
这里需要区分自动化与自主化。
自动化，是系统无需人工干预即可完成一项任务。
自主化，则意味着系统能够在既定边界内评估情况、作出决策并采取相应行动。
对于计量技术而言，这一演进路径可能是：
人工测量 → 自动化检测 → AI辅助检测 → AI原生计量 → 自主质量控制
目前，行业大致处于第三阶段与第四阶段之间。AI辅助检测已经带来切实收益，而真正的AI原生测量架构仍在逐步形成。
信任将成为关键
随着AI更加深入地融入计量体系，制造企业必须有足够的信心相信自动化决策是可靠的。
这尤其具有挑战性，因为传统计量长期建立在标准、校准、不确定度预算和溯源性等高度受控的体系之上，而AI系统则引入了基于统计推断和学习行为的另一套机制。
因此，行业需要建立新的AI赋能测量系统验证方法。
需要回答的问题包括：AI模型是如何训练的？模型性能如何验证？面对此前从未出现的情况时，系统会如何响应？系统作出的决策能否解释？如何识别模型漂移？在整个制造流程生命周期内，如何确保结果始终具备可追溯性？
随着AI从辅助检测决策逐步走向直接参与决策，这些问题的重要性将不断提升。
走向自主质量控制
最终的目标并不是让检测系统单纯发现更多缺陷，而是构建一种能够通过测量持续理解、反馈并改善生产的制造环境。
在这样的环境中，检测系统可以从历史生产数据中学习，识别正在出现的工艺趋势，自适应调整测量策略，预测质量问题，并直接与制造设备进行信息交互。
这将使计量技术从以验证为主的功能，转变为工厂内部主动发挥作用的智能层。
这一变化的意义并不局限于AI本身，它代表了制造业更广泛演进过程中的又一步：从测量到数据，从数据到智能，从智能到预测，再从预测走向自主行动。
AI辅助检测已经开始带来实际价值。下一步的挑战，是探索AI原生计量究竟能够走多远。其核心不在于事后把智能能力添加到测量系统中，而在于让智能成为测量系统运行方式的基础。随着制造业向更高程度的自主化生产迈进，准确测量依然不可或缺，但真正重要的可能是进一步理解这些测量结果意味着什么，并据此采取行动。
作者：Gerald Jones，Metrology News国际站编辑助理
