AI辅助工程：设计预审
AI-DFM可制造性分析
客户问题
客户上传设计文件后，工程师需要人工审查可制造性，耗时且容易遗漏潜在风险。
常优能力
AI-DFM系统自动识别焊盘尺寸、BGA间距、测试点覆盖率、工艺边与定位孔等关键风险点，24小时内输出完整DFM报告。
交付结果
量产前识别风险，减少返工，缩短上市时间。
Input
Gerber文件、BOM清单、PCB规格
Output
DFM风险报告、优化建议
AI-DRIVEN MANUFACTURING
AI驱动的智能电子制造
AI不是单独的大屏展示，而是嵌入工程、质量、供应链、生产和客户服务流程中的效率工具。
研发阶段的问题，往往会在试产阶段集中暴露
在电子产品从概念到样机、从样机到中试、再到批量制造的过程中，风险往往不只来自PCB设计，也来自功能需求、硬件架构、嵌入式软件、器件选型、通信接口、测试覆盖和验证方法。常优通过AI辅助研发，将早期资料评审、软硬件协同、BOM风险、测试验证和试产导入提前连接起来，帮助客户把不确定问题尽早暴露、尽早判断、尽早处理。
需求不清
功能描述不完整，接口和场景未定义
辅助梳理需求、功能边界和资料缺失项
硬件风险
电源、驱动、传感器、接口和保护电路存在不确定性
对硬件方案进行经验匹配和风险提示
软件协同
嵌入式功能、通信协议、控制逻辑与硬件不匹配
提前识别软硬件接口和调试风险
BOM风险
物料交期、替代料、封装和生命周期不确定
提前识别器件风险和替代方向
测试不足
样机阶段才发现测试点、测试治具或验证项目不足
提前规划ICT/FCT、功能和可靠性验证
转产不清
样品能跑，但中试和量产路径不明确
输出样机、中试、试产和量产导入建议
AI先识别，工程师再复核，输出可执行建议
AI辅助研发不是把项目交给系统自动判断，而是把重复性资料识别、经验匹配和风险提示前置，让工程师把更多时间放在关键判断和方案确认上。
01
客户输入
产品需求 / 功能框图 / 原理图 / PCB / Gerber / BOM / 软件需求 / 测试要求
02
AI资料识别
完整性检查 / 关键词提取 / 相似项目匹配 / 风险规则调用
03
软硬件协同分析
硬件方案 / 嵌入式软件 / 通信接口 / 物料器件 / 测试验证
04
工程师复核
研发工程师 / 工艺工程师 / 测试工程师 / 采购工程师联合确认
05
输出建议
资料补充清单 / 方案风险提示 / BOM建议 / 测试计划 / 试产路径
06
下一步行动
申请DFM / 提交RFQ / 样机试产 / 工程沟通
输入越清晰，工程建议越准确
客户可以从任意阶段开始提交资料。即使资料尚不完整，常优也可以先帮助识别缺失项，并判断下一步应先补资料、做工程沟通、申请DFM，还是直接进入RFQ评估。
客户输入资料
需求资料
产品需求、功能说明、应用场景、目标规格
硬件资料
原理图、PCB/Gerber、坐标文件、结构限制、接口定义
软件资料
嵌入式功能说明、通信协议、控制逻辑、调试需求
BOM资料
BOM、MPN、品牌、封装、替代料、目标成本
测试资料
ICT/FCT要求、功能测试、可靠性、电气安全、EMC要求
项目资料
目标数量、目标交期、样机计划、中试计划、历史问题记录
常优输出成果
资料补充清单 — 告诉客户还缺什么资料
需求与功能摘要 — 把客户需求转成工程可评估语言
软硬件风险清单 — 提示硬件、软件、接口、测试和工艺风险
BOM与器件建议 — 提示器件可得性、生命周期、替代料和交期风险
测试验证建议 — 提前规划ICT、FCT、可靠性、电气安全和EMC验证
样机到中试建议 — 给出试产关注点、中试验证和量产准备方向
下一步行动判断 — 建议进入DFM、RFQ、工程沟通或样机试产
AI提高效率，工程师确认结论
AI辅助研发的价值不是替代工程师，而是让资料识别、经验匹配和风险提醒更快发生。最终工程建议必须由常优研发、工艺、测试、质量和供应链团队结合客户项目要求进行复核。
AI 负责
- 资料识别
- 规则匹配
- 风险提示
- 相似项目调用
- 初步建议
工程师负责
- 技术判断
- 方案确认
- 风险取舍
- 试产建议
- 客户沟通
客户获得
- 更短沟通周期
- 更清晰风险
- 更可执行建议
- 更明确下一步
AI背后，是工程经验、验证能力和项目落地经验
AI辅助研发不是孤立的软件功能，它依赖常优在辅助研发、ODM落地、器件采买、生产制造、测试验证和质量追溯中的工程经验。研发团队、实验室验证能力、核心软件与专利经验、制造测试数据，共同构成AI辅助研发的能力基础。
研发团队
研发工程师参与项目早期评审，帮助客户缩短研发沟通周期。
软硬件经验
覆盖硬件方案、嵌入式软件、控制逻辑、通信接口和电源管理等工程场景。
验证能力
提前把ICT、FCT、可靠性、电气安全和EMC等验证要求纳入研发判断。
制造转化
从样品、中试到大批量，结合制造、测试、质量和交付数据持续复用经验。
AI辅助研发在前端，制造AI模块在后端形成闭环
AI辅助研发围绕客户研发过程中的关键节点展开，帮助项目更快完成资料整理、方案判断、软硬件协同、测试规划和试产准备。
01
需求与系统架构梳理
针对客户提供的产品需求、功能描述、应用场景和目标规格，AI辅助提取关键功能、接口、供电、通信、控制和测试要求，形成工程团队可评估的资料结构。
需求摘要
功能边界
资料缺失项
关键风险提醒
下一步资料清单
02
硬件方案辅助评估
围绕电源、控制、驱动、通信、传感器、BMS、保护电路和接口定义，结合常优历史项目经验和制造测试数据，提前提示可能影响样机调试、测试验证和量产稳定性的硬件风险。
硬件风险清单
电源与接口关注点
器件选型建议方向
可测试性提醒
试产关注点
03
嵌入式软件协同
针对MCU、通信协议、传感器采集、电机控制、电源管理、充放电策略、数据存储和异常保护等嵌入式功能，辅助梳理软件任务、接口逻辑和调试风险，减少软硬件联调阶段的反复。
软件功能清单
通信接口关注点
控制逻辑风险提示
调试流程建议
软硬件联调检查项
04
BOM与器件建议
结合BOM、MPN、封装、品牌、生命周期、供应周期、替代料经验和历史项目数据，帮助客户在研发阶段提前识别器件可得性、交期、成本和量产稳定性风险。
BOM风险分级
长交期物料提示
替代料方向
封装匹配提醒
成本与交期影响判断
05
测试与验证规划
结合产品功能、应用环境、质量要求和实验室能力，提前规划ICT、FCT、功能一致性、可靠性、电气安全、EMC等验证项目，避免样机阶段才发现测试覆盖不足。
测试覆盖建议
ICT/FCT关注点
可靠性验证矩阵
电气安全关注项
样机验证清单
06
样品到中试路径建议
根据产品复杂度、物料风险、工艺难点、测试要求和交付目标，辅助形成样机试产、中试验证、问题闭环和量产准备建议，帮助客户把研发成果更快推进到稳定交付。
样机试产建议
中试关注点
问题闭环路径
量产准备清单
RFQ/DFM/试产行动建议
AI辅助供应链：BOM审查
AI-BOM风险识别
客户问题
客户BOM中可能存在替代料选型风险、停产预警缺失、交期不匹配等问题。
常优能力
AI-BOM系统扫描BOM清单，识别替代料风险、停产预警、交期不匹配，提供替代料建议与供应商评估。
交付结果
降低供应链风险，确保物料可用性。
Input
BOM清单、供应商数据库
Output
BOM风险报告、替代料建议
AI辅助制造：贴片工艺
AI-SMT制程优化
客户问题
SMT贴片过程中，焊膏印刷、回流焊温度曲线等参数需要反复调试。
常优能力
AI-SMT系统实时分析SPI、AOI、X-Ray检测数据，自动优化回流焊温度曲线和贴片参数。
交付结果
良率提升，返工率降低，工艺参数可追溯。
Input
SPI/AOI/X-Ray检测数据
Output
工艺优化建议、良率预测
AI辅助质量：自动检测
AI-AOI视觉检测
客户问题
人工目检效率低、一致性差，漏检率高。
常优能力
AI-AOI系统基于深度学习模型，自动识别焊点缺陷、元件偏移、极性错误等，检测速度<1秒/板。
交付结果
检测一致性提升，漏检率降低，支持大规模生产。
Input
PCB图像、检测标准
Output
缺陷报告、检测统计
AI辅助交付：全程追溯
AI-MES智能追溯
客户问题
客户需要知道每个产品的生产历史、物料来源、检测结果，但传统系统查询慢。
常优能力
AI-MES系统一物一码，8节点全记录，AI关联分析快速定位根因。追溯时间从数小时缩短至<2分钟。
交付结果
从记录升级为预防，支持客户审核与质量改进。
Input
生产数据、物料数据、检测数据
Output
追溯报告、质量分析
常见问题
关于AI辅助研发
不是。更准确的表达是：常优基于客户已有需求、设计资料、初步方案或样机资料，提供工程协同、软硬件风险识别、BOM建议、测试规划和试产导入建议。完整产品设计范围需要根据项目另行确认。
AI辅助研发更靠前，覆盖需求、硬件、软件、器件、测试和样机路径。AI-DFM是其中一个后续工程入口，重点检查PCB设计、装配、贴装、焊接和测试点等制造风险。
可以。资料不完整时，系统和工程团队会先输出资料补充清单，并建议下一步是补资料、工程沟通、申请DFM，还是进入RFQ评估。
不是。AI负责提高资料识别、经验匹配和风险提醒效率，最终工程建议必须由常优工程团队复核确认。
缩短研发沟通周期，提前识别软硬件和制造风险，减少样机反复，让客户更清楚从样品到中试再到批量交付应该怎么走。