AI 晶片不能沒有它！產線上的超級鷹眼「AOI」是什麼？

當市場都在關注台積電、日月光、載板三雄、電子五哥持續擴廠時，有一群公司也正默默數鈔票
每新增一條產線，就少不了 AOI設備！

嗨嗨這裡是股溜股溜
今天來帶大家認識AOI ，為什麼它會成為 AI 時代最重要的設備之一？

今天會為大家依序介紹

• AOI的重要性
• 產業應用領域
• 四大挑戰與解決方案

如果有不正確或是需要補充的地方，再請各位產業大大們指教～～

AOI的重要性

產品不是做得出來就好，良率更是掌握一家公司生死的重要關鍵
假設一個晶片共需要堆疊了 5 層，如果每一層的製程良率是 98%，最終成品的良率會變成 98% Ｘ98% Ｘ98% Ｘ98%Ｘ98% ≈90.4%
這表示只要有一層出現的缺陷沒抓出來，整顆價值數千美元的 AI 晶片就直接報廢。

以前 PCB 上的零件很大，作業員還能拿放大鏡慢慢檢查，但當現今的電子元件縮小到微米甚至奈米等級，且產線速度也大幅提升的情況下，光靠人類根本無法精準判斷。
而過去傳統的 AOI 也很笨，常常因為一點點反光或色差，就把沒問題的產品判斷為NG，如果假點率太高，工廠就必須派大量人力去重新檢查那些被機器退件的產品，拖慢產能

近年 AOI 設備已逐步導入 AI Deep Learning。降低誤判與漏判，提升檢測效率。AOI 現在不再只是「高級工業照相機」，它還擁有大腦，能自主學習什麼是「真正的致命瑕疵」，什麼是「不影響功能的色差」。這讓工廠的產線速度與生產效率都大大的增加～

AOI的產業應用領域

不同 AOI 最大的差異，在於檢測項目與技術門檻。
接下來為大家介紹AOI重要的應用領域

1.半導體 AOI（晶圓與先進封裝）

主要應用於晶圓製造、先進封裝（CoWoS、FOPLP、HBM）等高階製程，設備通常需在高等級無塵室運作。

• 檢測精度： 奈米（nm）～微米（μm）級
• 技術門檻：（最高）
• 主要檢測項目：晶圓表面缺陷、Microbump 對位、RDL（重布線層）缺陷、晶片堆疊、Hybrid Bonding 對位
• 代表公司：
  • 德律（3030）
  • 牧德（3563）
  • 由田（3455）

2. IC 載板 / PCB AOI

AI GPU 對 ABF 載板要求越來越高，線寬線距持續縮小，因此載板 AOI 成為近年重要成長市場。

• 檢測精度： 微米（μm）級
• 技術門檻：
• 主要檢測項目：ABF／BT 載板、線寬／線距（L/S）、黃光製程、線路刮傷、斷路／短路、盲孔檢測
• 代表公司：
  • 由田（3455）
  • 牧德（3563）

3. FPD 顯示面板 AOI

主要應用於 LCD、OLED、MicroLED 面板製造，雖然同樣是微米級檢測，但對立體結構、奈米級對位的要求通常低於先進封裝。

• 檢測精度： 微米（μm）級
• 技術門檻：
• 主要檢測項目：亮點／暗點、線路缺陷、玻璃基板刮傷、外觀瑕疵
• 代表公司：
  • 由田（早期主要布局，近年逐步轉向半導體）

4. SMT / PCBA 電子組裝 AOI

主要應用於電子組裝，例如 AI 伺服器、手機、筆電及車用電子等 PCB 組裝製程。

• 檢測精度： 微米（μm）～毫米（mm）級
• 技術門檻：
• 主要檢測項目：零件缺件、極性反向、焊點少錫／多錫、虛焊、溢錫、立碑（Tombstone）
• 代表公司：
  • 德律（3030） SMT廠的標配

AOI的四大挑戰與解決方案

全球工業相機龍頭 Basler 在7月份的技術簡報中指出，隨著先進封裝技術快速演進，AOI 面臨的瓶頸已經不再只是影像解析度，而是整個系統架構的挑戰。
AOI 面臨的四大核心挑戰：

1. Dynamic Range（動態範圍）
2. Depth of Field（景深）
3. Throughput（吞吐量）
4. Signal Reliability（訊號可靠性）

而這四個挑戰，也正好代表未來 AOI 設備競爭力的方向。

一、挑戰一：Dynamic Range（動態範圍）

為什麼越先進的封裝越難拍？
先進封裝表面同時存在高反射金屬以及低對比的缺陷。
如果曝光太高，金屬區直接過曝。如果曝光太低，細小裂痕又完全消失。因此，一張照片很難同時兼顧亮部與暗部。

未來 AOI 必須大量導入 HDR（同時拍出亮部與暗部細節）、高動態範圍成像、Tone Mapping （把 HDR 影像調整成容易觀看、容易分析的畫面）與 Flat Field Correction FFC（修正光線與鏡頭造成的亮度不均，確保整張照片亮度一致）等技術，先在影像端完成最佳化，再交由後端 AI 演算法分析，不僅提升缺陷辨識能力，也能降低後端運算負擔

二、挑戰二：Depth of Field（景深）

AI 晶片越立體，檢測越困難
CoWoS、HBM、Glass Core 等先進封裝技術，讓晶片逐漸從平面走向立體堆疊。
然而，光學系統有一個致命的限制：解析度越高，景深越淺。這代表當相機對焦在上層時，下層的 結構可能已經失焦。

為了解決這個問題，Basler 提出液態鏡頭、焦點堆疊以及傾斜成像等技術方向，希望突破光學景深的物理限制。未來 AOI 的競爭，將不只是比解析度，而是比誰能更有效地完成 3D 量測。

三、挑戰三：Throughput（吞吐量）

AOI真正的瓶頸，其實是資料搬運
許多人認為，只要增加 CPU 或 GPU 算力，就能提升 AOI 效能。
但真正的瓶頸並不在運算能力，而是在資料傳輸。

當 AOI 相機提升到 25MP、甚至更高解析度後，每秒產生的影像資料量相當驚人。如果每張完整影像都回傳到 PC，再交由 CPU 或 GPU 分析，網路頻寬、記憶體與系統延遲很快就會成為瓶頸。

因此，Basler 提出的解法是將更多運算移到相機端或 FPGA，也就是 Edge Computing（邊緣運算）。
相機依序完成：

1. ROI 擷取（只保留重要區域）
2. Blob Analysis（找出疑似缺陷）
3. Feature Extraction（特徵萃取）

只將真正需要分析的資訊傳回主機，大幅降低資料傳輸量與系統負擔。

四、挑戰四：Signal Reliability（訊號可靠性）

真正困難的是如何維持檢測一致性
半導體缺陷往往只有極微弱的亮度差異，但不同光源、不同機台、不同溫度，甚至感測器老化，都可能造成判讀結果不同。
未來 AOI 必須進一步提升色彩校正、Hot Pixel 補償（把假缺陷去除）以及多光源校正能力，讓不同工廠、不同產線都能維持一致的檢測品質，避免誤判或漏判。

到底會由誰率先得到新的入場券呢～～

看懂台股最強 4 大 AOI 設備供應商

AOI是什麼？它在AI的浪潮中扮演什麼重要的角色？
今天來為大家介紹台廠AOI以及設備廠的營收要怎麼看