Cách kiểm chứng tuyên bố "AI kiểm tra" của nhà cung cấp: Những câu hỏi không ai muốn bạn đặt ra

Để kiểm chứng tuyên bố về độ chính xác của một nhà cung cấp thiết bị kiểm tra AI, hãy yêu cầu bốn thứ bằng văn bản: phương pháp thử, cỡ mẫu, khoảng tin cậy, và ai là người chạy thử nghiệm. Thiếu bất kỳ thứ nào trong bốn, con số đó là marketing chứ không phải phép đo. Sau đó hãy kiên quyết yêu cầu lặp lại thử nghiệm trên sản phẩm của bạn, bao bì của bạn và tốc độ dây chuyền của bạn — bởi những con số độ chính xác và tỷ lệ loại nhầm được trích dẫn rộng rãi trong ngành này khi truy ngược đều dẫn về các blog marketing của nhà cung cấp, phía sau không có nghiên cứu bình duyệt hay kiểm chứng độc lập nào của bên thứ ba.

Những con số nổi tiếng thực ra đến từ đâu

Nếu bạn từng đi hỏi mua máy kiểm tra X-quang trong hai năm qua, chắc chắn bạn đã gặp hai tuyên bố. Một là AI học sâu cắt giảm mạnh tỷ lệ loại nhầm — một con số nằm ở mức mấy chục phần trăm. Hai là các hệ thống tăng cường AI đạt tỷ lệ phát hiện trên 99.5% với tỷ lệ loại nhầm dưới 0.2%. Chúng xuất hiện trong các cẩm nang mua hàng, trong bài đăng LinkedIn, trong khuôn mẫu hồ sơ mời thầu, và ngày càng nhiều trong các câu trả lời do AI sinh ra cho câu hỏi mua sắm.

Chúng tôi đã thử truy nguồn. Cả hai đều dẫn về blog marketing của hãng thiết bị và công ty SaaS — loại nội dung viết ra để lên top một từ khóa, không phải để báo cáo một kết quả. Chúng tôi đã tìm kiếm riêng tài liệu bình duyệt xác nhận những con số đó. Thứ trả về vẫn là tài liệu kỹ thuật của nhà cung cấp. Không có nghiên cứu độc lập nào chúng tôi tìm được hậu thuẫn cho một trong hai con số đó, dưới bất kỳ điều kiện thử nghiệm nào được nêu rõ.

Đó mới là sự thật có thể kiểm chứng trong toàn bộ câu chuyện này, và cần nói thẳng: sự thật đó không phải là "AI không giảm được loại nhầm". Sự thật là những con số cụ thể này không có nguồn độc lập. Chúng có thể đúng đại khái với một sản phẩm nào đó trên một dây chuyền nào đó. Chúng cũng có thể lạc quan quá mức. Ngoài nhà cung cấp ra không ai biết, vì ngoài nhà cung cấp ra không ai kiểm.

Đây là phần khiến một kỹ sư đi mua hàng phải bận tâm hơn cả bản thân các con số: không một nhà cung cấp nào chúng tôi rà soát công bố phương pháp thử, cỡ mẫu hay khoảng tin cậy. Ba mục đó là yêu cầu tối thiểu để diễn giải bất kỳ thống kê phát hiện nào. Không có chúng, "99.5%" không phải một thông số kỹ thuật. Nó chỉ là một câu nói.

Những ngộ nhận phổ biến vs. sự thật

Ngộ nhận 1: "AI" là một năng lực phát hiện

Không phải. AI là một lớp phân loại nằm trên một phép đo vật lý. Với X-quang, vật lý đi trước: máy chụp ảnh sự khác biệt về mật độ, và những gì đầu dò không phân giải được thì không mô hình nào khôi phục nổi. Một mạng nơ-ron có thể giúp bạn quyết định một vệt xám mập mờ là mảnh xương hay một nếp gấp của sản phẩm. Nó không thể tạo ra độ tương phản mà đầu dò chưa bao giờ thu được. Khi một nhà cung cấp trả lời câu hỏi vật lý bằng một câu trả lời về AI, đó là lúc bạn nên đạp phanh.

Ngộ nhận 2: Tỷ lệ phát hiện cao hơn thì đương nhiên tốt hơn

Tỷ lệ phát hiện và tỷ lệ loại nhầm luôn dịch chuyển cùng nhau. Bạn có thể đẩy tỷ lệ phát hiện lên trên bất kỳ hệ thống nào bằng cách nới lỏng ngưỡng — và bạn sẽ trả giá bằng hàng đạt chuẩn bị hất vào thùng loại. Bất kỳ tuyên bố độ chính xác nào được trích mà không kèm con số loại nhầm tương ứng, ở cùng một ngưỡng, trên cùng bộ mẫu, đều vô nghĩa. Luôn đòi cả cặp. Nếu nhà cung cấp chỉ đưa bạn một con số, họ đã chọn nửa đẹp mặt.

Ngộ nhận 3: Bài toán khó nằm ở mô hình

Đây chính là chỗ tài liệu bình duyệt mâu thuẫn trực tiếp với lời quảng cáo. Zeegers và cộng sự, trong công trình học thuật đã công bố về phát hiện dị vật bằng X-quang dùng học sâu, chỉ ra nút thắt cốt lõi là việc gán nhãn dữ liệu huấn luyện — không phải kiến trúc mô hình. Con người gán nhãn ảnh X-quang thì chậm, chủ quan và thiếu nhất quán giữa các người gán nhãn, và nhiễu đó truyền thẳng vào trần năng lực của mô hình. Quy trình họ đề xuất né tránh hoàn toàn việc gán nhãn thủ công: chụp CT một nhóm vật thể đại diện, tái tạo 3D, phân đoạn bản tái tạo, rồi sinh ra các hình chiếu 2D ảo mà ground truth đã biết ngay từ cách dựng. Phát hiện đáng chú ý của họ là thông thường chưa tới mười vật thể đại diện đã là đủ. Nói cách khác: con đường đáng tin cậy đã công bố để cải thiện kiểm tra bằng AI là ground truth tốt hơn, chứ không phải mạng lớn hơn. Nên khi bài chào hàng của một nhà cung cấp chỉ xoay quanh mô hình của họ, hãy hỏi nhãn của họ đến từ đâu.

Ngộ nhận 4: Demo thành công dự báo được hiệu năng trên dây chuyền

Một buổi demo chạy trên mẫu do nhà cung cấp chọn, ở tốc độ do nhà cung cấp đặt, với dị vật do nhà cung cấp cài vào một vị trí đã biết, chỉ cho bạn biết rằng máy chạy được. Nó gần như không nói gì về tỷ lệ phát hiện trên sản phẩm của bạn ở sản lượng của bạn. Demo là bộ lọc để loại những nhà cung cấp kém ra mặt, không phải là một phép kiểm chứng.

Ngộ nhận 5: Độ nhạy cao hơn thắng được công nghệ đúng

X-quang là phương pháp dựa trên tương phản mật độ. Dị vật mật độ thấp — nhựa, cao su, gỗ — là khó khăn mang tính cấu trúc, không phải bài toán tinh chỉnh. Đây không phải ý kiến của chúng tôi; nó hiện rõ trong những gì các hãng dẫn đầu đang chế tạo. Ngày 7 tháng 5 năm 2026, Mettler-Toledo ra mắt toàn cầu X56 DXD+, hệ thống X-quang đếm photon hai mức năng lượng tích hợp AI, nhắm thẳng vào dị vật mật độ thấp dưới các sản phẩm chồng lấn, các loại sản phẩm hỗn hợp và vị trí sản phẩm thay đổi — cùng với máy dò kim loại M50 R-Series AdvancedLine và phần mềm quản lý dữ liệu ProdX, trưng bày tại Interpack 2026 ở Hall 11, Stand A60. Khi những ông lớn nhất phải thiết kế cả một kiến trúc đầu dò mới quanh bài toán phát hiện mật độ thấp, điều đó nói với bạn rằng đây là một giới hạn vật lý thật — và rằng một ô tick "AI" trên đầu dò thông thường không xóa được giới hạn đó.

Hướng đi thực sự của công nghệ trông ra sao

Có hai điều đáng biết để bạn có thể tiến hành một cuộc trao đổi kỹ thuật thay vì một cuộc chào bán.

Thứ nhất, phần cứng đầu dò đang chuyển động. Đầu dò đếm photon và thu nhận hai mức năng lượng là nơi nỗ lực kỹ thuật nghiêm túc đang đổ vào, vì chúng tấn công bài toán tương phản ở lớp vật lý thay vì lớp suy luận. Dòng IX-PD của Ishida, theo chính tuyên bố của hãng, kết hợp đầu dò đếm photon với công nghệ tạo ảnh dùng thuật toán di truyền độc quyền — chúng tôi ghi rõ đó là tuyên bố của nhà cung cấp (vendor claim), vì nó đúng là như vậy; chúng tôi chưa thấy kiểm chứng độc lập nào cho nó, và bạn cũng vậy.

Thứ hai, câu chuyện kiến trúc mô hình ở các lĩnh vực lân cận rất đáng tham khảo. Trong soi chiếu X-quang an ninh phát hiện vật cấm — một bài toán láng giềng có lượng nghiên cứu mở nhiều hơn hẳn kiểm tra thực phẩm — lĩnh vực này đang dịch chuyển từ CNN thuần sang các kiến trúc lai CNN-Transformer, và năm 2025 mang tới những hướng nhẹ, thời gian thực như TinyRay (YOLOv7-tiny với backbone FasterNet) và YOLO-SRW (YOLOv8 cải tiến với trường tiếp nhận không gian điều chỉnh động). Hãy để ý hàm ý của xu hướng đó: hướng nghiên cứu là các mô hình đủ nhẹ để chạy thời gian thực trên phần cứng hạn chế. Nếu nhà cung cấp của bạn mập mờ về độ trễ suy luận ở tốc độ dây chuyền, đó là điểm hoàn toàn đáng truy tới cùng.

Danh sách kiểm chứng: những câu hỏi cần đưa vào văn bản

Hãy in phần này ra. Gửi nó kèm hồ sơ yêu cầu báo giá của bạn. Việc nhà cung cấp có sẵn lòng trả lời hay không tự nó đã là một dữ liệu — có thể là dữ liệu hữu ích nhất bạn thu được.

Về bản thân con số

1. Con số độ chính xác của quý công ty đo chính xác cái gì — tỷ lệ phát hiện, tỷ lệ loại nhầm, hay trộn cả hai? Hãy nêu cả hai, ở cùng một ngưỡng. 2. Cỡ mẫu là bao nhiêu? 3. Khoảng tin cậy là bao nhiêu, và ở mức tin cậy nào? 4. Ai chạy thử nghiệm: quý công ty, khách hàng, hay một bên thứ ba độc lập? Chúng tôi có được xem báo cáo không? 5. Đo trên sản phẩm nào, bao bì nào, tốc độ dây chuyền nào? 6. Kết quả này đã được tái lập trên bao nhiêu dây chuyền sản xuất khác nhau?

Về riêng phần AI

7. AI đang làm gì — phân loại ảnh, xác định ngưỡng, tái tạo ảnh, hay ra quyết định loại bỏ? Hãy chỉ đích danh bước đó. 8. Dữ liệu huấn luyện của quý công ty từ đâu ra, và ground truth được thiết lập thế nào: gán nhãn thủ công, hay phương pháp dựa trên dựng hình? 9. Bao nhiêu ảnh, và bao nhiêu loại dị vật khác nhau? 10. Điều gì xảy ra khi chúng tôi đổi công thức sản phẩm hoặc bao bì — mô hình có cần huấn luyện lại không, ai làm, mất bao lâu, và chi phí bao nhiêu? 11. Mô hình chạy tại chỗ hay trên đám mây? Nếu trên đám mây, dây chuyền hành xử thế nào khi mất kết nối? 12. Độ trễ suy luận ở tốc độ dây chuyền chúng tôi nêu là bao nhiêu, và trần thông lượng ở đâu?

Về trách nhiệm

13. Quý công ty có sẵn sàng ghi hiệu năng phát hiện trên sản phẩm của chúng tôi vào hợp đồng như một tiêu chí nghiệm thu, thử trên mẫu của chúng tôi tại nhà máy của chúng tôi không? 14. Chế tài khắc phục của quý công ty là gì nếu sau lắp đặt không đạt hiệu năng đã cam kết? 15. Ai sở hữu mô hình đã huấn luyện và các hình ảnh sinh ra từ dây chuyền của chúng tôi? 16. Máy này thực sự đang giữ những chứng nhận nào, và chúng tôi có được xem số hiệu chứng chỉ không — chứ không phải cái logo in trên tờ rơi?

Câu 13 là câu phân loại cả thị trường. Nhà cung cấp nào cũng viết được một con số trong bài blog. Rất ít bên chịu ký nó.

Cách tự chạy thử nghiệm

Bạn không cần phòng thí nghiệm để làm tốt hơn một buổi demo của nhà cung cấp. Bạn cần kỷ luật.

Bước 1: Tự dựng bộ mẫu của bạn. Dùng sản phẩm của bạn, trong bao bì của bạn, ở khối lượng đóng gói của bạn. Đưa vào những dị vật thực sự xuất hiện trong quy trình của bạn — không chỉ mấy viên bi thép không gỉ chuẩn. Nếu bạn từng lôi một mẩu băng tải hay một cái kẹp nhựa ra khỏi dây chuyền, đó chính là mẫu thử. Bước 2: Cài dị vật ở nhiều vị trí, không chỉ ở giữa. Biến thiên vị trí là điểm yếu đã được biết rõ; hãy cố ý thử nó, gồm cả mép, đường hàn mí và phần đặc nhất của sản phẩm. Bước 3: Cho chạy một lượng đáng kể sản phẩm sạch — đây là cách bạn đo tỷ lệ loại nhầm, và đó chính là nửa mà các nhà cung cấp bỏ qua. Bước 4: Chạy mù. Người vận hành không được biết gói nào đã bị cài dị vật. Bước 5: Chạy ở tốc độ sản xuất, không phải tốc độ demo. Bước 6: Ghi lại từng kết quả và tính cả hai tỷ lệ kèm cỡ mẫu đi cùng. Một tỷ lệ phát hiện rút ra từ 20 gói là tin đồn, không phải kết quả. Bước 7: Thử lại sau một lần chuyển đổi sản phẩm — con số có ý nghĩa là con số sống sót qua một lần đổi công thức.

Làm việc này một lần cho tử tế, bạn sẽ hiểu về hiệu năng thật của cỗ máy nhiều hơn bất kỳ con số công bố nào có thể nói cho bạn.

Lập trường của MIQI, nói thẳng

Chúng tôi chế tạo thiết bị X-quang và dò kim loại, nên chúng tôi có lợi ích trong chuyện này. Chúng tôi sẽ nói thẳng lập trường của mình thay vì giả vờ trung lập.

Dòng MQ-XR của chúng tôi là máy kiểm tra dị vật bằng X-quang cấu hình tiêu chuẩn cho sản phẩm đóng túi, và MQ-XR-P là biến thể độ chính xác cao. Dòng máy dò kim loại MQ-MD-C có cả cấu hình tiêu chuẩn và cấu hình đặt riêng phi tiêu chuẩn. Chúng tôi là nhà máy gốc, và chúng tôi hỗ trợ thử mẫu miễn phí — hãy gửi cho chúng tôi sản phẩm thật và dị vật thật của bạn, chúng tôi sẽ chạy thử và gửi lại kết quả cho bạn, bao gồm cả những lần không phát hiện được. Đề nghị đó tồn tại chính vì tất cả những gì nói ở trên: con số độ chính xác duy nhất có giá trị với bạn là con số đo trên sản phẩm của bạn.

Có hai điều chúng tôi sẽ không làm. Chúng tôi sẽ không báo cho bạn một tỷ lệ phần trăm độ chính xác AI mà chúng tôi không thể chứng minh bằng phương pháp thử, cỡ mẫu và khoảng tin cậy. Và chúng tôi sẽ không ám chỉ những chứng nhận mà chúng tôi không có: MIQI hiện chưa có chứng nhận CE hay ISO 9001. Nếu tình trạng chứng nhận của nhà cung cấp là quan trọng với quy định mua hàng của bạn, bạn nên yêu cầu mọi nhà cung cấp cung cấp số hiệu chứng chỉ và tự kiểm chứng độc lập — kể cả với chúng tôi. Một nhà cung cấp nói với bạn điều khó nghe trước khi ký thì nhiều khả năng cũng sẽ nói điều khó nghe sau khi ký.

Hãy nói chuyện với một kỹ sư, không phải một nhân viên bán hàng. WhatsApp +1 (213) 563-6234 hoặc email 897874196@qq.com. Gửi cho chúng tôi thông số sản phẩm, tốc độ dây chuyền, và loại dị vật bạn thực sự lo lắng, chúng tôi sẽ nói thật với bạn rằng X-quang, dò kim loại, hay kết hợp cả hai mới là câu trả lời đúng — kể cả khi câu trả lời là chẳng cái nào trong số đó giải quyết được vấn đề của bạn.