摘要： 展会上，AI 视觉和智能工厂是最热的话题之一。落到烧录工位，问题其实更具体：芯片怎么稳定上料、准确定位、烧对版本、留下数据。自动化烧录系统的价值，不在单次烧录快了几秒，而在于把这些环节串成一条可管理的流程。
今年的 NEPCON ASIA，AI 与自动化是重点议题之一，同期专门设了“智慧工厂与 AI 自动化深度融合论坛”。同期举办的 Vision China 深圳机器视觉展，集中展示 3D 相机、智能视觉装备、AI 视觉软件和视觉检测方案；检测设备厂商也在发布结合测量数据与 AI 的工艺优化方案。
热闹之外，有个问题值得冷静下来想：这些技术，和产线上一台自动烧录机到底是什么关系？
答案没那么玄。自动化烧录系统需要的视觉，首先是“看准”：芯片在不在、方向对不对、位置偏多少。它需要的智能，首先是“管住”：哪个程序、哪个批次、哪颗失败、为什么失败。把这两件事做扎实，比贴上 AI 的标签更有价值。
机器视觉的增长，是观察制造自动化的一个窗口。据机器视觉产业联盟（CMVU）《2026 中国机器视觉报告》，2026–2028 年中国机器视觉行业规模预计从 503.0 亿元增长到 784.0 亿元，年均复合增长率 24.8%；2025 年制造业占机器视觉销售额的 78.0%，其中消费电子是第一大应用领域，占比 30%，半导体（含 PCB）占制造业应用规模的 12.2%。
同一份报告还提到一个趋势：机器视觉正从“单点检测”走向“系统化解决方案”。这和电子产线的变化方向一致——单台设备做得再好，接不上前后工序，价值就打折扣。
从电子产线的角度看，自动化改造集中在五个环节：
物料处理：供料、取放、换料、缓存，减少人工搬运和等待；
机器视觉：定位引导、方向识别、读码，让设备“看得见”物料；
自动检测：外观、标记、尺寸等检查，把不良拦在工位内；
数据采集：设备状态、任务结果、异常记录，从“看屏幕”变成“有记录”；
MES 管理：工单下发、结果回传、批次关联，把单机数据接入工厂系统。
本届同期的机器视觉研讨会，主题也落在视觉检测和定位引导这两类基础应用上。烧录工位要做自动化，绕不开的同样是这五个环节。
离线自动化烧录系统通常位于仓库来料和 SMT 贴装之间：上游接收原厂包装的空白芯片，下游交出已烧录、可直接上贴片机的芯片。在设备内部，一个完整循环大致是：
| 环节 | 做什么 | 关键看点 |
|---|---|---|
| 上料 | 从 Tray、Tape 或 Tube 取出芯片 | 供料方式与来料包装匹配，换料不停机 |
| 识别定位 | 确认芯片位置、方向，引导吸嘴放入烧录座 | 定位精度、方向识别、放置稳定性 |
| 烧录与校验 | 在烧录座中完成 Program 与 Verify | 程序版本正确，失败能识别并分流 |
| 检测与标记 | 按需做外观检查、激光打标或读码 | 区分已烧录芯片，标记内容可读 |
| 下料与数据记录 | 合格品编带或回盘，不良品分流；记录结果 | 出料形态符合下工序，数据可追溯 |
每个环节都有容易被低估的细节：
上料：看似只是搬运，却决定设备能不能连续跑。空盘、缺料、卡料时，设备能不能及时识别、报警并处理，比满料时的速度更关键。
识别定位：对细间距、小尺寸封装，芯片偏移或旋转没落正，轻则接触不良，重则损伤芯片、烧录座甚至机构。
烧录与校验：Program 写入数据，Verify 按设定方式检查写入结果。两者确认的是“数据写对了”，不等于产品质量检测，也不能替代芯片厂的电性测试。
检测与标记：视觉能查出哪些问题，取决于相机、光源、镜头、算法和判定标准，配了视觉不代表能识别所有缺陷。
下料：合格品、失败品、待复检品要有各自的去向，规则要写死在设备逻辑里，而不是靠人分拣。
并不是每个项目都要配齐五个环节。有的只要自动上下料加烧录；有的还要视觉、打标和数据上传。配多少，由芯片、产量和客户要求决定。
真正要设计清楚的，是环节之间的交接：上一步完成后，状态怎么传给下一步？烧录失败的芯片，会不会混进合格品的出料口？打标前，设备怎么确认这颗芯片确实烧录通过了？这些交接规则，决定了一套设备是“几个工位拼在一起”，还是一条真正闭合的工艺流程。
规格书上的 UPH，通常是特定芯片、特定配置下的标示最高值。到了产线，实际产出取决于五个因素。
烧录时间由芯片容量、数据量、算法和校验方式决定。比较速度时，先问清测试条件：什么芯片、多大容量、是否包含 Verify、用什么程序文件、单颗测试还是连续量产。脱离条件的速度数字，没法直接对应产线。
芯片从料盘到烧录座、再从烧录座到出料位，每次取放都要时间。烧录再快，取放和定位跟不上，整机产出照样受限。
多烧录座并行的意义，是让一部分烧录座在烧录时，取放机构去服务其他烧录座。但并行数量不等于产出倍数，还要看哪些动作能重叠、烧录器资源怎么分配、有没有共享机构造成等待。
瓶颈会随芯片变化。烧录时间长的大容量芯片，瓶颈往往在烧录座数量，取放机构要等；烧录时间短的小容量芯片，烧录座很快空出来，瓶颈转到取放速度。同一台设备，换一颗芯片，UPH 可能就是另一个数字。
换芯片型号，可能要调整料盘、烧录座、取放参数、算法和程序文件。单品种 UPH 再高，换型麻烦，也未必适合多品种生产。选型时可以问：
烧录座更换是否方便；
各型号的程序配置是否清晰，参数切换有无权限管理；
换型后是否需要重新验证；
生产任务能否和程序文件关联调用。
缺料、取放失败、接触异常、烧录失败、设备报警，量产现场很难完全避免。关键不在于不出异常，而在于能不能：
识别缺料和取放失败；
区分烧录失败与设备异常；
把不良品分流出去；
保留异常记录；
人工干预后安全恢复。
前三项决定“跑起来有多快”，后两项决定“能跑多久”——这正是 UPH 看不到的部分。
国际标准 ISO 22400-2 定义了制造运营管理中的关键绩效指标，其中设备综合效率（OEE）由三部分相乘：可用率、性能率和质量率。可用率看实际运行时间占计划生产时间的比例，性能率看实际产出速度与设计速度的差距，质量率看合格数量占产出数量的比例。
对应到自动化烧录：
可用率吃掉的是换型、换料、故障停机；
性能率吃掉的是取放等待、微停、低于设计节拍的运行；
质量率吃掉的是烧录失败、校验失败和需要复烧的芯片。
所以评估自动化烧录设备，与其只问“UPH 多少”，不如用目标芯片、实际程序文件和预期的换型频率做一次连续运行测试，把三项损失分别记下来。这样得到的数字，才和产线排产对得上。
先分清分工：机器视觉解决“看见并判断”，自动化烧录系统解决“执行烧录工艺”。两者可以在同一条流程里配合，但功能边界不同。
再分清两种视觉。基于规则的机器视觉，靠模板匹配、边缘提取、尺寸测量等算法工作，适合目标明确、特征稳定的任务，比如定位、方向判断、读码。基于深度学习的 AI 视觉，靠样本训练模型，更擅长处理外观变化大、规则难以穷举的缺陷识别。两者不是替代关系，很多场景是组合使用。
放到烧录工位，视觉主要承担四类任务：
视觉定位：引导吸嘴把芯片准确放进烧录座。效果取决于封装、表面特征、光照、相机分辨率和机构精度，要结合实物评估；
芯片识别：判断方向，必要时读取表面字符或条码，防止错料。但表面字符不等于电气识别，不能凭它判断芯片内部型号、容量或烧录兼容性，后者仍以芯片型号、算法和官方支持资料为准；
过程检查：确认芯片是否正确落入烧录座、有无偏移或残留，打标位置是否正确、字符是否清晰；
质量控制：把检测结果和烧录结果放在一起判定，不合格品分流，数据留档。
这里有一条硬边界：视觉检查不等于芯片功能测试，也不能替代烧录后的 Verify。存储数据是否完整、电气性能是否合格，只能靠校验和电气测试来确认。
前三类任务大多目标明确，基于规则的视觉往往已经够用。AI 视觉的价值，更可能出现在外观缺陷判定这类变化多、规则难写的环节。是否需要 AI，应看检测目标、样本质量、误判率、漏判率、运行速度和模型维护成本，而不是看有没有 AI 标签。
不管用哪种视觉，检测能力都要用代表性样品验证；配了视觉系统，不代表能识别所有缺陷。
往前看，更值得关注的或许不是“视觉有没有 AI”，而是视觉数据、烧录结果和设备状态能不能汇到一起。当失败芯片的图像、烧录座编号、接触次数和校验结果能关联分析时，才有可能提前发现某个烧录座在老化、某批来料有问题——这是数据层面的智能，前提是数据先被完整记下来。
设备完成生产动作，只解决了工艺执行。有批次管理和质量追溯要求的工厂，还要回答：某一批芯片用了哪个程序文件、在哪台设备上烧的、结果如何？
按 ISA-95（IEC 62264）企业与控制系统集成标准的分层模型，MES 位于第 3 层“制造运营管理”，负责协调生产中的人员、设备和物料，并在业务系统（第 4 层）与现场控制（第 1–2 层）之间交换信息。自动化烧录设备属于现场一侧，它要做的是把执行结果按约定交给第 3 层。
板级产品有序列号，追溯单位是一块板。离线烧录的芯片没有序列号，外观也和空白片一样，追溯单位通常是一盘、一卷或一个批次。要把链条接起来，可以围绕这些信息建立关联：
| 数据类别 | 需要关注的信息 |
|---|---|
| 生产任务 | 工单号、产品型号、生产批次、计划数量 |
| 芯片信息 | 芯片料号、封装、原厂批号、来料包装编号 |
| 烧录信息 | 程序文件及版本、算法版本、烧录参数 |
| 设备信息 | 设备编号、烧录座编号、生产时间、设备状态 |
| 结果信息 | Program / Verify 结果、合格数、失败数、复烧次数 |
| 出料信息 | 出料卷盘或料盘编号，必要时的激光打标代码 |
| 异常信息 | 报警代码、失败原因、处理记录 |
需要更细的追溯时，可以通过激光打标在芯片表面写入批次或版本代码，让单颗芯片也能对应到烧录记录。这些字段不必都由烧录设备独立采集，部分可以来自 MES、条码系统或上位机，关键是数据来源、传输方式和责任边界要事先定清楚。
项目实施前，至少要确认五个问题：
任务下发：MES 能否把工单、芯片料号和程序信息传给设备？
程序管理：程序文件和算法版本怎么管，如何防止调错版本？
结果上传：能否按要求上传 Program、Verify 结果和数量？
异常处理：烧录失败、设备报警、通信中断时怎么处理，断网后数据如何缓存和补传？
数据关联：结果能否关联到工单、批次、出料包装，或单颗芯片标识？
如果设备只上传生产数量，却关联不上工单和程序文件，数据采集了，追溯价值仍然有限。
IPC-1782 系列标准涉及电子制造和供应链的可追溯性，可作为讨论追溯层级时的参考。追溯做到哪一层，最终取决于产品风险和客户要求，不必一律追到单颗。
HILOMAX AT3 系列面向芯片的自动化批量烧录，按现有产品资料，主要机型如下：
| 机型 | 产品资料标示 | 结构与配置特点 |
|---|---|---|
| AT3-150C | 最高 2,000 UPH | 最多 32 个 Socket、2 个吸嘴 |
| AT3-350C | 最高 3,000 UPH | 最多 64 个 Socket、8 台烧录器；涉及 3D 视觉、激光标记和 MES 相关配置 |
| AT3-350M4 | 最高 2,500 UPH | 最多 128 个 Socket、4 个吸嘴，直线电机方案 |
三点说明：
表中 UPH 为各型号资料的标示最高值，测试条件未统一说明，不宜横向排序，也不代表某条产线的实际产出；按第三节的思路，实际表现要用目标芯片和连续运行测试来确认。
AT3-350C 资料中的视觉配置为 3D 视觉，本文未将展会上其他厂商展示的 AI 视觉检测功能归于 AT3 系列。
以上参数与功能以对应型号正式规格及项目验证结果为准。
从工艺整合的角度看，选型时可以按这几个问题对号：
烧录时间长、并行需求高的芯片，关注 Socket 数量和烧录器配置；
烧录时间短、取放占主导的芯片，关注吸嘴数量、取放结构和运动方案；
需要区分已烧录芯片或做批次追溯的项目，关注激光标记和数据接口；
小间距封装或定位要求高的芯片，关注视觉定位能力，并用实物验证；
换型频繁的产线，关注换料、换烧录座和程序切换的步骤与时间。
设备参数只是起点。把供料、定位、烧录、检测、标记和数据这几段在目标工艺下串起来跑通，才是自动化烧录系统真正要交付的结果。
视觉负责识别、定位和检查；自动化烧录系统负责执行烧录及相关工艺；MES 负责任务、过程数据和追溯。三者各管一段，协同起来，烧录才真正融入电子产线。
对一台自动烧录机来说，“智能”的地基是三件朴素的事：物料取放稳定，烧录结果可靠，数据记录完整。地基打好了，视觉才能真正把关，数据才能真正被分析。跳过这些去追 AI 标签，换来的多半只是展台上的一个演示。
往后看，产线对自动化烧录系统的要求，会越来越多地落在这几处，而不只是标称 UPH：
多品种芯片和封装的兼容能力；
物料处理与自动取放的稳定性；
烧录、校验和辅助检测的工艺协同；
多工位并行与异常恢复能力；
生产数据采集与 MES 集成能力。
自动化烧录系统的价值，不只是单次烧录快了多少，而是让物料处理、芯片烧录、结果检测和生产数据，成为一条可管理的流程。
如需评估自动化烧录方案，欢迎联系 HILOMAX，带上目标芯片与封装、来料和出货包装形式、目标节拍、换型频率以及追溯要求，结合实际工艺确认配置与验证计划。
下一篇，系列收官：从芯片烧录到生产自动化，看不同场景如何选择烧录方案。
