AI 与光学量测：拟合引擎的下一站

光学膜厚测量四十年的隐形门槛，一直不在光路，在拟合：要懂色散模型、要会判读拟合优度、要能分辨「收敛但错误」（见《拟合优度怎么读》）。过去这套能力长在少数工程师脑子里。AI 正在改变这件事的门槛：拟合的价值重心，正在从「少数人的技能」转向「软件的默认能力」。这篇讲清 AI 在这条链路上真正能做什么、不能做什么。

当前 AI 在光学量测里有三个正在落地的用途。第一个是直接回归：用神经网络从光谱直接预测膜厚和光学常数，跳过迭代拟合过程。它的优势是速度（推理是毫秒级）和抗噪（训练时见过各种坏数据），适合产线的快速分类判断。第二个是模型助手：自动选择色散模型、给出初值、诊断参数相关性，把资深工程师的判读经验变成软件的默认行为，这是对《拟合优度怎么读》里那套人工流程的自动化。第三个是数据质量把关：识别被杂光、振动、背面反射污染的光谱，在拟合之前就把坏数据拦下，比拟合之后看残差更省事。

这三个用途有一个共同的边界：AI 输出的可信度来自训练数据的覆盖度。膜系在训练集里，推断又快又稳；膜系出了训练集，神经网络的错误会错得理直气壮，传统拟合至少还有残差可以诊断，黑盒推断连残差都不给你。所以现实的产品形态是混合的：AI 做初值和分类，物理模型做精细拟合和不确定度评估，两条腿走路。这也是行业主要厂商共同的选择。

用户侧需要注意什么？三个问题问供应商。训练集怎么建的：用的谁的样品、覆盖哪些材料体系，这直接决定 AI 功能在你的膜系上好不好使。推断结果带不带不确定度：只给数字不给置信度的 AI 功能，产线上用起来心惊胆战。离线能不能跑：数据不出厂是很多企业的红线，云端 AI（如悉识科技官网所描述的 AI 算法与云端数据分析方向）需要提供私有化部署选项，这既涉及数据安全也涉及断网稼动率。

对行业的影响判断收尾：AI 不会淘汰拟合工程师，但会重新定义这个岗位，从「会调模型的人」变成「会教模型的人」。量测设备的价值构成也在移动：光路硬件的同质化越来越高，软件和数据的差异化越来越重，选型时的评估重心应该跟着走。