■汤秀红 于建军 汤志强 

(1.山东药品食品职业学院; 2. 北京斯贝克科技有限责任公司； 3. 淄博市张店区计量测试所）

摘要：人工智能（ AI） 的快迹发展正在推动计量检测从自动化向智能化转型。 文章系统梳理了 AI“黑箱” 特性和计量学固有的溯源性、不确定度评定原则之间的根本矛盾，提出了 AI赋能计量检测的 4 条核心技术路径，并选取制药行业仪器计量、电力行业设备检测、计量行业仪表检测、钢铁行业现场计量、计量服务平台 5 个典型场景进行分析。研究发现，“AI+计量”的核心价值是让计量从“单点检测”走向“全流程智能管控”。当前，面临 AI检测结果的不确定度难以评定、算法可解释性不足导致溯源链中断，以及AI误判的法律责任归属模糊等关键挑战。未来，需在算法标准化与可信计量、交叉学科人才培养、建立以“计量数字栾生”为代表的新型技术体系3个方向协同突破。

引言

人工智能（AI）在图像识别、信号处理等领域展现出超越传统方法的潜力，但其引人的“黑箱”问题，给计量检测的溯源性和测量不确定度带来了关键挑战。现有研究多聚焦于 AI应用效能，本文首次从计量学基本原理出发，系统剖析了AI算法可解释性和测量溯源性之间的内生冲突，提出了面向未来的可信智能计量框架，并梳理了2018—2026 年的相关文献，从“技术路径一行业应用一核心挑战”3个方面展开评述。

需要说明的是，本文讨论的“计量检测”区别于一般工业质检，其核心在于溯源性和测量不确定度，聚焦 AI 如何影响校准过程、标准器赋值和测量结果的可信度，而非仅识别产品有无缺陷。

1、 AI在计量检测中的应用现状

近年来，世界主要经济体纷纷将计量纳入国家战略。2025年，市场监管总局与工业和信息化部联合印发《计量支撑产业新质生产力发展行动方案（2025一2030年）》，明确提出开展AI算法计量测试关键技术研究，建立覆盖 AI大模型全生命周期的计量评测体系"。同年，国家能源局发布《关于推进“人工智能+”能源高质量发展的实施意见》²，将智能量测体系列为“AI+电网”工程的核心基础。在这些政策支持下，工业领域已成为 AI计量应用的主战场，AI正在从辅助工具转变为计量的一部分。在视觉检测、过程控制等场景，特斯拉上海超级工厂实现了深度数字化渗透。制造执行系统实时采集 2000 多个生产参数，结合 AI视觉检测，使车身焊接合格率达99.98%，比行业平均水平高0.90%。宁德时代新能源科技股份有限公司将 AI深度融入锂电池制造，采用多光谱融合AI检测技术，解决了锂电涂布和卷绕等工序中微米级缺陷的检测难题，缺陷检测的扩展不确定度从 3.5 μm（k=2）降低至 1.2 μm（k= 2），缺陷率从百万分之一（ppm）级别降低至十亿分之一（ppb）级别。

2、AI赋能计量检测的技术路径与核心张力

2.1 四大技术赋能路径

综合现有研究与案例，AI通过以下 4 条路径赋能计量检测：

（1）智能视觉计量：通过卷积神经网络（CNN）提取特征，自动识别并测量几何量和表面缺陷。智能视觉计量的关键在于引入迁移学习，从而减少对大量标注样本的依赖，再通过与坐标测量机（CMM）进行比对，实现测量结果的量值溯源。

（2）多模态数据融合：将超声、红外、振动等多个传感器信息融合，填补单一物理场测量的盲区。在 AI模型层面，多采用基于注意力机制的融合架构优化各模态数据的权重分配，提升复杂环境下多参数测量的复现性。

（3）预测性计量健康管理：利用设备运行中的振动、声纹、温度等时序数据，构建长短期记忆网络（LSTM）或Transformer模型，预测计量器具的剩余用寿命（RUL）或校准失效风险，推动校准策略从“定时校准”向“状态校准”演进”。

（4）业务-流程智能化：依托自然语言处理（NLP）和机器人.流程自动化（RPA）技术，实现客户委托、样品流转、证书生成等环节的自动化运行。例如，可利用 NLP 解析非结构化的检测标准文本，自动生成检测方案。某公司提出一种压力仪表无人检定实验室方案（见图1），通过集中控制中心协调各检定流程节点，完成从人检到出检的全流程自动化作业，同时实现证书上云，远程对接客户需求，优化送检业务流程，推动送检流程由“线下模式”向“线

上模式”升级转变。

2.2 核心张力：算法“黑箱”与计量溯源性的根本矛盾

 2.2.1 不确定度评定困境

传统的不确定度评定一般基于明确的测量模型,例如测量不确定度表示指南（GUM）法。而深度学习模型是不透明、非参数、非线性的，其输出

图 1 压力仪表无人检定实验室方案

结果的不确定度很难用解析方法表达。ISO/IEC TR 24028:2020《信息技术 人工智能 人工智能可信性概述》   讨论了 AI 系统的不确定性，但没有给出与 ISO/IEC Guide 98-3:2008《测量不确定度 第3部分：测量不确定度表示指南（GUM:1995）》兼容的评定方法。目前，学界探索了以下3类不确定度量化路径：

（1）蒙特卡洛丢弃法：该方法兼容性最好，是GUM Supplement 1 推荐方法的直接延伸。通过多次随机失活预测来获取输出分布，满足黑箱模型的数值解法要求，但计算开销大且可能有校准偏差。

（2）深度集成法：作为 GUM A 类评定的工程近似，训练多个独立模型后统计预测分布，只需少量成员就能得到稳健的估计，但严格来说不符合贝叶斯假设。

（3）贝叶斯深度学习法：理论上最契合 GUM 的“不确定度传播”逻辑，但高维参数空间下后验推断的计算成本极高，近似方法准确度有限，实际应用困难。因此，在实际应用中普及度反而不如前两种方法。

除了上述 3 类路径，传统的蒙特卡洛法本身也值得重新关注。GUM Supplement 1 (JCGM 101:2008)   把它作为不确定度评定的通用数值解法。对计量检测而言，最理想的方向是“校准过的蒙特卡洛法”：先在小规模实验中，采用完整抽样法找出 AI 不确定度的统计规律，再将该规律转变为修正公式。在线检测时，只需少量前向传播即可快速估算不确定度。该方向虽尚在探索阶段，但有望在 GUM 框架下，给出一个既严谨又可行的解决方案。

计量溯源要求测量结果通过连续的比值和基准建立关联，而 AI 模型的迭代学习让这条链条变得不透明。需区分两种情形：（1）推理阶段（双重固定），AI 可以看成确定性的变换，只要输入数据溯源性明确，模型版本固化且经过验证，测量结果理论上可以保持溯源性。（2）训练阶段（权重更新），这是中断风险的主要来源。训练数据质量、标注过程、超参数等环节共同决定权重，但彼此间缺少一条可追溯的比较链。如果模型在线更新权重，新旧权重之间不具备量值可比性，历史测量结果的溯源性将难以维持。

3 典型应用场景及案例分析

本文选取5个不同角度的应用场景，以呈现“AI+计量”的实施细节与核心价值，如表1所示。

表1 典型应用场景分析

3.1 案例一：制药行业的预测性校准

南京市计量监督检测院为制药企业构建了一套仪器数字化计量系统，这是解决预测性维护和计量溯源性二者间矛盾的典型案例。该系统通过多协议数据网关无损采集关键设备参数，建立了一个基于LSTM的设备健康评分模型，并引入了联邦学习思想，以解决故障样本不足导致的过拟合问题。系统最终输出校准失效的风险概率和建议复校日期，并通过与标准器核查结果的持续比对进行自我优化，实现了设备管理从被动检修到主动预警的跨越。 

3.2 案例二：电力行业的智能化转型

中国南方电网有限责任公司构建的“大瓦特”AI创新平台，其量子模型通过学习海量历史故障数据和设备台账，可动态评估电能表、互感器等计量设备的运行状态。应用案例显示，该模型将计量异常工单的平均处理时间从2.51天缩短至0.25天；60%的常见故障可实现自动修复和复检。该技术的核心是把期间核查概念程序化，通过AI实现连续的在线计量性能监控。

3.3 案例三：计量行业压力仪表智能检定新

某公司开发的新型压力仪表智能检定机器人（见图2），是解决压力仪表全自动批量校准的典型案例。该智能检定机器人搭载多自由度机械执行机构，搭配定位伺服控制系统，可根据不同规格指针式压力仪表、数字压力仪表的外形尺寸、接口规格，完成仪表精准定位、密封接头自动锁紧与拆卸、待测仪表料仓自动上料、检定后下料分拣。机构重复定位准确度可达±0.02mm  ，可规避人工装夹受力不均导致的仪表接口密封泄漏、表体损伤问题，保障检定装夹工况的一致性。

图 2 压力仪表智能检定机器人

（1）AI图像智能识别技术，针对传统人工表盘目视读数误差大的问题，该智能检定机器人搭载了高清工业相机与定制化表盘图像识别算法，可完成仪表刻度区域分割、指针轮廓提取、刻度坐标标定、压力数值自动解算全流程图像处理，可适配不同量程、不同表盘布局的通用压力仪表，替代人工目视判读，将读数准确度控制在最小分格的 1/10 以内；可自动换算示值误差、回程误差，实现全自动生成检定记录、检定证书。

（2）高精度压力闭环控制技术，采用闭环反馈式压力控制回路，以标准器压力值作为基准量值，实时采集检定回路内部实际压力值，与检定点压力设定值进行动态对比反馈，自动调节压力输出流量与稳压时长。系统可实现阶梯式精准升压、稳压、降压全过程自动控制，压力控制稳定度优于0.005%FS，可满足国家压力计量相关技术规范中各压力检定点的稳压时长与准确度要求。

该案例深度融合了机器人自动上下料技术、AI图像智能识别技术、压力闭环控制技术，解决了传统人工检定操作繁琐、效率低下的问题，实现了压力仪表的全流程无人化检定作业模式。同时，精准数据可自动录入数据库，并支持溯源查询，实现了检定全流程数字化留痕，高度契合数字计量、计量智慧化、计量智能化发展趋势。

4. AI 赋能计量检测面临的挑战与系统性对策

4.1 技术实施门槛：数据孤岛与泛化能力

（1）挑战：AI模型依赖高质量、带溯源性标签的校准数据。但关键样本稀缺，例如失效的数据，导致模型过拟合，泛化性能差，具体表现为：带标签数据成本高、正常数据与故障数据分布不均、跨场景迁移困难。

（2）对策：建立数据－模型联合认证体系，评估准确性、鲁棒性、泛化误差，分两级认证；推广联邦学习和差分隐私等技术；由国家级机构牵头建立行业共享基准数据集；采用物理驱动的数据增强和生成对抗网络（GAN）合成技术，提高有效样本量。

4.2 标准规范缺失：从技术先行到规则制定

（1）挑战：AI 计量应用的标准严重滞后于技术创新。缺失内容涉及辅助校准的流程、计量数据格式、算法性能评价指标、AI系统的安全性要求、模型更新验证规程、不确定度评定报告模板等6个方面。

（2）对策：主导相关国际标准的制定，尽快发布行业技术规范。按风险实施分级管控：低风险仅需功能确认，中风险需测试集验证，高风险要求全流程认证且模型可解释；部署监管大模型，实时分析置信度分布、数据偏离度、跨系统一致性，从定期抽检转向精准监管；建立算法备案和更新报备制度，更新后30天内重新验证。

4.3 法律责任归属空白：AI 误判谁来负责

（1）挑战：AI误判导致损失时，责任方难以界定，现有法规存在监管空白，例如OIML D31:2019《计量器具软件指南》  ，仅要求软件验证，未覆盖自适应AI场景。

（2）对策：建立五方责任划分框架：数据提供者承担数据质量责任，算法开发者承担架构设计责任，模型训练方承担验证责任，部署方承担适配责任，用户承担使用责任，按“谁最能避免错误”的原则分配职责。结合区块链技术建立审计追溯链，存证输入、模型版本、输出、时间戳信息；在《中华人民共和国计量法》修订中增加智能计量专章，明确各方义务；针对高风险应用引入强制责任保险机制。

4.4 人才与组织转型：复合型能力建设

（1）挑战：传统计量人员缺乏 AI 相关技术能力，AI 工程师对计量溯源性缺乏认知，表现为教育脱节、培训不足、岗位缺失。

（2）对策：在仪器科学与技术等学科下设立“智能计量”二级学科，课程涵盖计量核心课、AI基础课、交叉融合课、法规伦理课等；制定“AI计量工程师”三级能力标准并配套认证；建设产教融合创新中心，采用项目制培训；增设特聘岗位和创新基金，吸引交叉学科人才；开发标准化培训课程和工具包。

5、 未来发展趋势

5.1 可信智能计量：融合区块链和可解释 AI

未来，“AI+计量”的核心将围绕“可信”展开。一方面，结合区块链技术形成不可篡改的“审计追踪链”，解决责任追溯问题。但需注意，区块链不能替代物理量值比较链，在线学习的场景下需限定模型更新条件或采用权重冻结。另一方面，发展可解释性AI，为输出提供符合计量逻辑的归因解释，重建溯源链的透明度。

5.2 计量数字孪生：虚拟与实体的闭环

数字孪生技术为打破 AI “黑箱” 提供了全新框架。通过构建被测对象、测量系统、环境的虚拟镜像，AI 代理可在虚拟空间进行大量 “虚拟校准” 实验，评估不同测量策略下的不确定度。最终，以最优策略指导实体测量，并形成虚实结合的闭环优化体系。

5.3 量子传感与 AI 视觉交叉融合

量子传感技术有望在纳米尺度、极微弱场等极端条件下突破传统噪声极限。当前，AI（特别是强化学习）正被用于主动控制系统状态，以实现最优的信噪比。近年来，相关研究进展显著：双拟设变分推断与传感协议（VISTA）在复杂噪声下接近海森堡极限；深度强化学习实现了多维惯性传感；自适应量子接收器持续超越标准量子极限；我国已建成新一代激光波长量子基准，不确定度达  。这些技术未来可用于生物芯片、半导体在线检测等微纳计量场景，解决信号采集难题。

6 结语

AI 技术正在深刻重塑计量检测行业的面貌，其最大的贡献在于推动计量活动从静态、周期性的“点式检测”向动态、连续的“全流程智能管控”跃迁。本文通过系统性分析，厘清了 AI 算法的不可解释性与计量学溯源性之间的内在矛盾这一核心张力，这是现有研究尚未深入触及的关键问题。

未来，“AI+计量”的发展是一项需要在技术、标准、人才3个维度协同推进的系统工程。技术层面，需融合可解释AI、数字孪生和量子传感等前沿技术；标准层面，需加快建立覆盖AI算法认证、不确定度评定的标准体系；人才层面，需大力培养复合型创新人才队伍。