不过，最大的瓶颈还是算法模型的构建。利用传统的AI技术，一个产品表面检测模型的构建需要大量样本支撑，每种可能存在的缺陷都要分别采集并标注，通常需要3000或上万张产品图片。

然而，现实工厂中大多数产品都是正常样本，积累并采集带有各种缺陷的样本通常需要数月甚至一年的时间。同时，在这种条件下训练出来的模型还要进行长达几个月的验证。更复杂的是，这种模型难以适应新场景的变化，当切换新产线时，还要进行数据的重新采集和训练。总体来说，传统AI技术存在样本获取难、训练周期长、场景泛化弱的问题。

联想自主研发的Edge AI小样本终身学习技术可以非常好地解决这一难题。一方面，联想边缘大脑小样本终身学习技术不依赖大量的缺陷样本，只需要几十个好的产品即可训练模型；另一方面，模型训练周期非常短，通常一个场景任务的训练时间只有几个小时。

联想研究院人工智能实验室联想大脑研发总监虞文明介绍说，“我们能够充分利用联想算法团队赋予的工业质检知识发现新的缺陷，并借助与质检专家的交互实现本地自学习、签样管理。模型通过不断学习可以自我迭代，越用越好。”

据他介绍，联想边缘大脑中的小样本训练系统已经将小样本技术产品化，可搭载在联想工控机、工作站、服务器等硬件产品，并广泛落地应用在了包括新能源电池、轴承检测、无纺布检测、3C电子、药品、家电等产品的缺陷检测场景中。