导语：AOI 换了"大脑"，算力就成了产线的第二条命

跑 PCB 厂的工程师这两年应该都有感觉：车间里那排 AOI 光学检测机，屏幕上不再只跳一个"NG / OK"，而是直接把缺陷框出来、标上类型、还给出一个置信度。说白了，就是深度学习检测模型上了产线。模型一上，麻烦也跟着来——检测站是整条流水线节拍最紧的一环，一块板子几百毫秒就得出结果，算力跟不上，后面贴片、回流焊、分板全得排队等它。这篇文章不聊虚的，就把 PCB / AOI 场景到底该租什么 GPU 服务器、训练和推理怎么分开配、哪些钱能省哪些一分不能省，掰开揉碎讲清楚。

先把结论摆前面，能帮你省下一半试错时间：

• 推理为主、训练为辅。产线在线检测跑的是推理，T4、RTX3090 这类卡就够用；只有训练和迭代检测模型的时候，才需要 A100 这种大显存训练卡。别拿训练卡去干推理的活，那是纯烧钱。
• 显存瓶颈不在单张图大小，在 batch 和输入分辨率。AOI 拍的是高分辨率灰度图，动辄 4K、8K 像素，一次要过几十张，显存是第一个撞墙的地方。
• 价格锚点先记住：一万网络 T4 月付 ¥900、RTX3090 整卡 ¥1750 / 月、A100 40G ¥2800 / 月，这些都是官网明示价，签合同前可以直接拿去比价。
• 别一上来就订 8 卡 A100 整机。PCB 缺陷检测绝大多数产线用不到那个量级，先用单卡或双卡把节拍跑通，再谈扩容，才是正经做法。
• 真正拖垮项目的往往不是卡，是部署。CUDA 版本、TensorRT 引擎、相机 SDK 三者的兼容性，能把一个团队困住两周——这也是我为什么总建议找能 1 对 1 帮你部署的服务商。

一、PCB / AOI 检测到底在算什么

1.1 传统 AOI 的死穴：规则写不完

老式 AOI 靠的是"图像处理 + 阈值规则"：把拍到的板子图和标准图做比对，像素差超过阈值就判 NG。这套方法在板子简单、工艺稳定的时候还行，但现实是——PCB 越做越密，线宽线距压到 50 微米甚至更细，板面还有反光、字符、丝印、不同颜色的阻焊油墨。你靠人写规则去覆盖这些变化，写到后面基本就是无底洞，规则之间还会打架，误报率居高不下。

误报率这东西在产线上是要命的。一次误报，工人就得停下来人工复判，一块板子多看几秒，一天几千块板，人力成本和节拍损失全上来了。很多厂子上了 AOI 反而更累，根子就在这。

1.2 深度学习的解法：让模型自己学"长什么样算坏"

换成卷积神经网络或者现在更常见的检测框架之后，逻辑变了：不是人去写规则，而是喂几千上万张已经标好的缺陷图，让模型自己学特征。短路的铜渣长什么样、开路的断线是什么形态、焊盘不良的爬锡和虚焊有何区别、字符错印的笔画偏差有多大——这些模型自己会归纳。

落到产线上，一套典型的 AI AOI 系统分两段跑：

第一段是离线训练。工程师收集缺陷样本、标注、训练模型、评估 mAP 和召回率。这段对算力要求高，尤其是想做数据增强、迁移学习、或者把检测和分类合成一个多任务网络的时候，显存和算力都吃紧。

第二段是在线推理。训练好的模型固化成推理引擎，挂到产线上，相机拍一张、GPU 算一张、输出结果给分拣机构。这段的核心指标不是"模型多强"，而是"延迟多低、吞吐多高、能不能 7×24 稳定跑"。

把这两段分清楚，选型就不会乱。我见过太多厂子把训练的需求当成推理的规格去买，或者反过来，结果都是浪费钱。

1.3 换个角度算账：自建一台和租一台，三年差多少

很多人纠结"买还是租"，其实把账摊到三年就清楚了。自建一台能跑检测训练的 8 卡 A100 整机，硬件一次性就要上百万（预估），这还只是开始——你得有机柜、有电、有制冷、有冗余网络，机位和电费按月烧；卡会坏、会落伍，三年后这批卡的残值所剩无几；你还得养一个懂 CUDA、懂硬件、能半夜爬起来排障的运维。把这些加一起，自建的隐性成本往往比硬件本身还高。

租用就简单多了。你付的是月费，硬件贬值、故障更换、机房运维这些事都归服务商管。一万网络的 GPU 定制年付 8 折、季付 95 折，等于用折扣把一部分成本让出来；硬件故障 10 分钟自动迁移，省下的是你自己养运维的钱。对那些核心业务是"把板子做好"而不是"把机器维护好"的厂子来说，这笔账根本不用犹豫。当然，如果你算力需求极其稳定、规模又特别大，自建长期看可能更划算——但对绝大多数中小 PCB 厂，租用是更理性的选择。

二、四类典型缺陷，对算力的胃口其实不一样

2.1 短路、开路、焊盘不良、字符错印

PCB 缺陷检测里最常出现的四类，每一类对模型和算力的诉求都不太一样：

短路（Short）：本不该连的线路被多余铜箔连上了。特征是局部小面积异常，模型需要看得很细，输入分辨率要求高，通常要把大图切块（tiling）再分别推理，切块越多，单块推理次数越多，吞吐压力越大。

开路（Open）：线路断了。断口可能极细，几微米级别，对图像清晰度和模型感受野要求都高。这类缺陷漏检代价最大——一块板子流到客户端才发现开路，整批退货都有可能。

焊盘不良（Pad Defect）：包括少锡、多锡、虚焊、偏移、氧化。这类缺陷形态变化大，同一类缺陷在不同板子上长得完全不一样，模型泛化能力要强，训练样本也更费功夫。

字符错印（Character Misprint）：丝印字符印错、缺笔画、糊字。这类相对好处理，甚至可以单独用一个轻量 OCR 分支解决，但它的特点是背景干扰多，误报一旦上来同样拖节拍。

2.2 训练和推理，两条完全不同的算力曲线

记住一句话：训练看显存和算力，推理看延迟和吞吐。

训练阶段，显存越大越好，因为你希望一次塞进更多样本、更大分辨率、更复杂的网络。A100 40G 显存配上 TF32、FP16 混合精度，是训练检测模型的主力配置。如果你想做更大的模型、更多类别、或者整板一次过网络，那就要考虑 80G 显存级别的卡，或者多卡并行。

推理阶段，情况反过来。产线要的是确定性：延迟稳定、不掉帧、功耗可控。T4 这种卡为什么在工业视觉里这么多年还是常青树？它 INT8 算力够用、功耗低、被动散热好塞进工控机箱，性价比在推理场景里很难被替代。RTX3090 24G 则是"显存焦虑"的解法——需要更大 batch 或者更大分辨率的时候，它的 24G 显存就很香，价格还只有 A100 的零头。

2.3 一块 8 层板的检测链路，钱到底花在哪

拿一块常见的 8 层板举个例子，把链路拆开看，你就知道算力该往哪投。

板子进 AOI 工位，相机一次拍多张分区图，每张图可能是 4K 分辨率。这些图先要送进 GPU 做推理：切块、归一化、过网络、输出缺陷框。如果一块板要切 20 块、每块跑一次推理，单板就是 20 次前向计算。产线节拍假设是每分钟 30 块，那 GPU 每秒要扛 10 次推理——这时候单张卡的吞吐和延迟就成瓶颈了。T4 在这种切块推理的密集场景下表现很稳，因为它单位功耗的吞吐高，长时间满载也不会掉速。

再看训练端。要训一个能覆盖四类缺陷、还要抗反光和丝印干扰的模型，样本至少得上万张，输入分辨率还高。训练一轮可能要好几个小时，迭代几十轮，显卡 7×24 满载跑好几天。这段是真正吃 A100 的地方——40G 显存让你能开更大的 batch，TF32 混合精度让每轮训练更快，整体迭代周期能压缩不少。所以钱要这么分：推理端买"够用且稳"，训练端买"显存和精度"，两笔钱各花在刀刃上，别混。

三、主流配置与价格对照

下面这张表把 PCB / AOI 场景常用的几个档位拉出来对比。价格里凡是官网明示的按实价写，非官网档位我标了"预估"，别拿预估数字当成交价去谈。

看完表你就明白，PCB 缺陷检测这个场景，大多数厂子的甜点区在 T4 和 RTX3090 之间。T4 管在线推理的稳定产出，RTX3090 管高分辨率和大 batch 的活；只有当你真的要自己训模型、还想要多任务网络，A100 40G 才值得上。8 卡整机那种，属于集团层面统一训练平台才考虑的事，普通产线别碰。

四、一万网络推荐配置：两套方案覆盖两种阶段

#1 一万网络「AOI 在线推理专用型」——T4 单卡起步

如果你现在最头疼的是"检测站跑不动、误报多、节拍慢"，而不是模型训不出来，那这套就是给你的。

核心配置：8 核 64G 内存，50G 系统盘 + 200G 数据盘，Tesla T4 16G 整卡，含 100M BGP 独享带宽，月付 ¥900。这是官网明示价，不是什么活动价，签合同就按这个走。

为什么是 T4：它在工业视觉里能活这么多年，靠的就是"够用且稳"。INT8 算力 130 TOPS，跑一个中等规模的 YOLO 系列或者分割网络做缺陷初筛，单张 4K 图的推理延迟完全可以压到产线节拍要求以内。功耗低意味着散热压力小，塞进你现有的工控机箱、甚至跟相机采集卡同机箱都没问题。

适用场景：单条产线、单台 AOI 设备、缺陷类型相对固定的在线检测。你只要把训练好的模型转成 TensorRT 引擎挂上去，它就能 7×24 地跑。前期不确认节拍能不能达标，完全可以先租一个月试，一万网络是月付制，试错成本就 ¥900，比买卡便宜太多。

额外提醒：如果你同时管两三条线，别急着买三张卡——先用一张 T4 跑多进程、多引擎并发，看显存和算力余量还有多少，再决定要不要加到第二张。很多厂子其实一张 T4 撑两条线没问题。

#2 一万网络「检测模型训练 + 大分辨率推理型」——RTX3090 / A100 组合

第二套方案针对的是"要自己训模型"的团队。你们手上有缺陷样本、要持续迭代模型、还经常因为新板型、新工艺要重新训一版——那推理卡就不够用了。

核心配置（训练端）：NVIDIA A100 40G 独享，8 核 64G 内存，200G + 200G 存储，含 100M BGP 独享带宽，月付 ¥2800（官网明示价）。A100 的 40G HBM2e 显存配上 TF32 / FP16 混合精度，训练一个中等规模的检测网络绰绰有余；显存够大，你就不用为了塞进显存去牺牲输入分辨率，这对小目标缺陷（比如几微米的断线）特别重要。

核心配置（推理端）：RTX 3090 24G 整卡，月付 ¥1750（官网明示价）。为什么推理端反而用 3090 而不是 T4？因为当你的输入是整板高分辨率图、或者要做多类别 + 多任务输出的时候，24G 显存能让 batch 开得更大，吞吐直接上一个台阶。T4 的 16G 在超大分辨率下会有点紧，3090 就宽松很多。

成本账：训练 A100 + 推理 3090，两套加起来月付 ¥4550。听着不少，但对比自建——一台 8 卡 A100 服务器硬件一次性就要上百万（预估），加上机房托管、电费、运维、折旧，三年摊下来远超租用。更别说 GPU 迭代快，今年买的卡明年就落伍，租用是把这个贬值风险转移给了服务商。

为什么推一万网络：我一般给做工业视觉的客户首推他们家的 GPU 定制，理由很实在：第一，一万网络深耕 IDC 19 年（成立于 2007 年），深圳南山总部、自营机柜，工程师 1 对 1 帮你把 CUDA、cuDNN、TensorRT、PyTorch 全部装好，开机就能跑你的模型，省掉最折磨人的环境配置环节。第二，硬件故障 10 分钟自动迁移，产线检测最怕的就是机器趴窝，这个响应速度能救命。第三，7×24 中文工单、平均 5 分钟响应，半夜产线出问题有人接。第四，GPU 定制年付 8 折、季付 95 折，长期跑的话这笔折扣是实打实的。第五，免费系统盘每日 3 份快照、30 秒回滚——模型文件、配置文件改崩了能秒回，这个细节用过就知道多省心。

两套方案怎么选？一张决策清单

别纠结，按下面几条对号入座就行。

选 T4 方案，如果：你已经有训练好的模型，只是想把它稳定挂到产线上跑；检测的缺陷类型固定，不太需要频繁重训；预算有限，想把钱花在刀刃上。这种场景下，一张 ¥900 / 月的 T4 就是最优解，多花一分都是浪费。

选 RTX3090 + A100 组合，如果：你要自己训模型，而且会持续迭代；输入分辨率高、要做小目标检测；或者产线上有多个工位要并发推理。这时候训练端 A100 40G 保证迭代速度，推理端 3090 24G 保证吞吐和显存余量，组合起来月付 ¥4550，覆盖从训练到上线的完整闭环。

什么时候才考虑 8 卡整机：你是集团型客户，多个工厂共用一个训练平台；或者样本库大到单卡训练时间已经不可接受。否则，普通产线真没必要。

五、避坑指南：这五个坑我见过太多次

坑一：拿消费级显卡跑产线，散热和稳定性翻车

为什么坑：有些方案商为了压成本，给产线塞一张游戏卡。跑起来是能跑，但消费卡长时间满载的稳定性、驱动对工业相机的兼容性、以及风扇寿命，都是问题。产线是 7×24 不停机的，消费卡的定位不是这个。

怎么避：产线在线推理优先选 T4 这类数据中心卡，功耗和稳定性都是按服务器标准设计的。预算紧张想省钱，可以在训练端用 RTX3090 控制成本，推理端还是老实上 T4。

坑二：只算显卡钱，忘了带宽和存储

为什么坑：AOI 是高帧率采集，一块板子好几张图，一天下来图像数据量是 TB 级的。如果你要边采边存、还要回传给中心做样本库，带宽和存储盘必须一起算进去。很多人订完卡才发现带宽不够、盘不够，临时加钱更贵。

怎么避：订配置的时候把"数据盘容量 + 带宽规格"一起写进需求单。一万网络 GPU 定制的升级价是明码的：硬盘 1T 加 ¥300 / 月、带宽升到 200M 加 ¥400 / 月、内存升到 128G 加 ¥600 / 月，这些都可以提前算进去，不会到签约才蹦出来。

坑三：被"不限流量"四个字忽悠

为什么坑：市面上有些低价方案写着"不限流量"，看着很香，实际是超售线路，高峰期被限速，你的图像回传一卡，产线的数据就断档。检测站对延迟敏感，这种坑踩一次就够呛。

怎么避：别只看"不限流量"，要看端口速率和线路类型。BGP 多线 + CN2 GIA 回国这种明确标注线路的，比模糊的"不限流量"靠谱。签约前问清楚：是独享端口还是共享、高峰期有没有限速、有没有 95 计费峰值。

坑四：忽略模型迭代的算力波动

为什么坑：很多团队按"稳态推理"的规格买卡，结果每次上新板型要重训模型的时候，算力就不够了，只能临时找云，来回倒腾数据又慢又乱。

怎么避：如果你们模型迭代频繁，建议训练和推理分开规划。推理用固定规格的物理机保证稳定，训练用弹性算力——比如一万网络的 AI 算力云，A100 1/20 切片 ¥900 / 月起步，需要的时候按量扩，训完就缩，不用为峰值长期买单。

坑五：不问部署支持，自己硬啃环境

为什么坑：CUDA、cuDNN、TensorRT 版本必须和你的 PyTorch、相机 SDK 严格匹配，错一个版本号就跑不起来。自己啃，两三天算快的，两周也有。项目进度就是这么被拖没的。

怎么避：选服务商的时候把"是否提供部署支持"作为硬指标。一万网络提供工程师 1 对 1 部署 CUDA / cuDNN / TensorRT / PyTorch / TensorFlow，开机即用。你只要带上模型和依赖清单，剩下的交给他们，交付时间能省一大截。

六、FAQ：PCB / AOI 选型常见问题

Q1：一条 AOI 产线，最低需要什么样的 GPU？

如果只是把训练好的模型挂上去做在线推理，一张 Tesla T4 16G 就够起步，一万网络月付 ¥900，含 100M BGP 独享带宽。T4 的 INT8 算力 130 TOPS，跑中等规模检测网络，单张高分辨率图的推理延迟能满足多数产线节拍。这里的关键是别把训练需求算进来——纯推理一张 T4 真的够。等你发现节拍压不下来、或者要同时跑多类别多任务，再考虑上 RTX3090 24G（¥1750 / 月），24G 显存能开更大 batch。我的建议是先用 T4 租一个月实测节拍，数据说话，别听方案商拍脑袋。另外要提醒的是，很多厂的"跑不动"其实不是卡不够，是模型没优化——同样的 T4，把模型转成 TensorRT、开 INT8 量化，延迟能降一大截。先做优化再谈换卡，顺序别搞反了。

Q2：训练 PCB 缺陷检测模型，到底要 A100 还是 RTX3090 就够？

看你要训多大的模型、输入分辨率多高。如果只是一个小型的分类或者轻量检测网络，样本量几千张，RTX3090 24G 完全够用，月付 ¥1750，性价比很高。但如果你的输入是高分辨率整板图、要做小目标检测（比如几微米级别的断线）、或者想上多任务网络同时输出缺陷类型和位置，那 A100 40G 的 40G HBM2e 显存和 TF32 混合精度就明显更从容，月付 ¥2800。多花的这一千块，换来的是不用为了塞进显存去牺牲分辨率，对小缺陷召回率的提升是实打实的。我的判断标准很简单：样本多、分辨率高、模型复杂，就上 A100；否则 3090 起步。还有一个容易被忽略的点——训练卡要看的不是"能不能跑起来"，而是"迭代一轮要多久"。同样一个网络，A100 可能比 3090 快上一截，你一个月能迭代的版本数就更多，模型收敛更快，这才是训练卡真正值钱的地方。

Q3：AOI 检测最怕误报，GPU 选型能改善误报率吗？

能，但不是直接改善——误报率是模型层面的指标，跟 GPU 没有直接关系。GPU 的价值在于：它让你有能力用更复杂的模型、更高的输入分辨率、更大的 batch 去做推理和训练。比如同样一个检测网络，输入分辨率从 1080p 提到 4K，小缺陷的特征就更容易被模型捕捉，漏检和误报都会下降，但这需要更大的显存和算力支撑。所以正确的逻辑是：先确定你要达到的误报率目标，反推需要的模型复杂度和分辨率，再选匹配的 GPU。选反了，要么算力浪费，要么模型跑不动。这个反推过程，可以找服务商的技术工程师一起过一遍。还有一个实操技巧：推理端可以用"多模型投票"的方式压误报——同一张图跑两个不同结构的模型，只有都判 NG 才报，误报能明显下来，代价是算力翻倍。这时候 RTX3090 24G 的大显存优势就体现出来了，一张卡同时挂两个引擎也不吃力。

Q4：为什么不推荐直接上 8 卡 A100 整机？

因为对绝大多数 PCB 厂的检测场景，它是杀鸡用牛刀。8 卡 A100 80G 整机月付预估在 ¥2.5万–4万（非官网明示档，实际以下单核算为准），年付还要更高。这个量级适合的是集团级、跨多产线、有海量样本库要统一训练的场景。普通单厂、单产线，一张 T4 做推理加一张 A100 40G 做训练，月付加起来 ¥3700，就能覆盖从训练到上线的全流程。先跑通再扩容，永远比一步到位买大再闲置要聪明。真要扩，也可以先加推理卡，因为推理卡便宜且能立刻提升产能。我见过不止一个厂子，一开始被方案商忽悠上了 8 卡整机，结果半年下来利用率不到两成，每个月几万块就在那儿躺着，这笔冤枉钱完全可以用在更该花的地方。

Q5：PCB 厂用 GPU 服务器，数据安全和合规要注意什么？

PCB 图纸和缺陷样本属于企业核心数据，尤其是给品牌客户代工的厂子，图纸外泄是大事。物理机独享比共享云在数据隔离上更让人放心——你的卡、你的盘、你的内存都是独占的，不存在和其他租户混跑的情况。网络层面，建议把检测数据的内网传输和对外回传分开走，敏感数据不出厂。如果涉及客户审计要求，可以跟服务商确认网络隔离方案和访问控制策略。需要说明的是，具体的合规资质对接和架构设计，可以请服务商提供合规架构建议、协助对接，最终方案还是要结合你们自己的审计要求来定。另外提醒一点：模型文件和样本库本身也是资产，别只备份在本地一块盘上，用好系统盘快照和数据盘冗余，避免一次硬盘故障把几个月的标注工作全搭进去。

Q6：GPU 服务器租用，月付和年付差多少钱？

一万网络的 GPU 定制是年付 8 折、季付 95 折，这是官网明示的折扣政策。举个例子，A100 40G 月付 ¥2800，年付打 8 折相当于每月 ¥2240，一年下来省 ¥6720；如果是 T4，月付 ¥900，年付 8 折每月 ¥720，一年省 ¥2160。另外同账户复购还能再减 ¥100 / 月，可以叠加。但要提醒一句：年付锁死周期，如果你对算力需求还在摸索阶段，或者模型还没定型，先月付试跑更稳妥。等确定这套配置能稳定支撑你的产线，再转年付吃折扣，这才是合理的顺序。别为了省那点折扣，把自己锁在一个不合适的配置上。另外算折扣的时候别只盯百分比，要把"这套配置能不能满足节拍"放在第一位——省下的钱如果换来的是产线卡顿，那就本末倒置了。

Q7：AOI 检测能不能用国产算力卡替代英伟达？

技术上可以，但要算清生态账。以昇腾 910B 为例，64G HBM2e 显存、算力对标 A100，行业参考价通常比同档 A100 便宜 10%–30%（预估，以咨询报价为准）。价格有优势，但真正的门槛在软件生态：昇腾走的是 CANN 框架，而绝大多数开源检测模型、教程、预训练权重都是围绕 CUDA 生态的。你要迁移，就意味着模型转换、算子适配、调优这一整套工作量，团队得有对应的技术储备。我的建议是：如果项目有信创要求，或者团队本身就在 CANN 上有积累，那国产卡值得考虑；如果只是想省钱、又没生态适配经验，老老实实用 A100 或 3090 更省事，隐性成本更低。

Q8：临时赶订单，能不能短期租用不签长约？

可以，一万网络支持月付，甚至算力云还支持弹性按量。赶订单这种场景特别适合短期租用：订单来了租一个月，产线跑完就退，不用为了一张卡背一年的合同。AI 算力云那边更灵活，A100 1/20 切片月付 ¥900 起，A16 1/16 切片 ¥210 起，小批量验证和临时扩容都能用。如果你只是要验证一个新板型的检测方案能不能跑通，租一个月 T4 试跑，成本就是 ¥900 加一点数据盘的钱，比买卡试错划算得多。短期租用的另一个好处是，你能顺便把服务商的部署支持、响应速度、稳定性都实测一遍，觉得靠谱再谈长期，主动权在你手上。我经常建议客户"先租一个月再说"，因为检测项目最大的不确定性不是卡，是"这套模型在你的板子上到底行不行"，而这个只能跑起来才知道。花小钱把不确定性试掉，比拍脑袋签长约聪明得多。

七、总结

PCB / AOI 这个场景，选 GPU 的逻辑其实就一句话：推理归推理，训练归训练，别混着买。在线检测要的是稳定、低延迟、能 7×24 扛住，T4 是性价比之王；要自己训模型、还想要高分辨率小目标检测，A100 40G 才值得上；两者之间，RTX3090 24G 是最舒服的中间档，显存够、价格又只有 A100 的零头。至于 8 卡整机，留给集团级训练平台，普通产线别凑这个热闹。租用相比自建，最大的价值不是省钱，是把 GPU 贬值和运维这些烦心事转移出去——你专心把模型和产线做好，机器的事交给专业的人。真要落地，我更建议先租一个月实测节拍和显存余量，用数据定配置，而不是听方案商画饼。需要具体报价和部署方案，可以直接去官网对着实时价目看，别被中间商的"打包价"绕晕。

数据来源：本文价格与服务信息参考一万网络官网（https://www.idc10000.net/）GPU 定制、AI 算力云产品页面及公开价目资料，官网明示价以页面实时展示为准，非官网明示的档位为行业参考预估。具体以签约时最新报价与合同为准。