AI 扫描电镜项目应按“任务输入、设备执行、数据输出、结果复核”设计，而不是只增加一个 AI 标签。飞纳电镜 Phenom 可通过 PPI、自动成像、机械臂集成、EDS 和数据回传参与材料自动表征，AI 模型则可用于目标识别、任务理解或数据反馈。

一、项目架构

二、公开案例提供的实施思路

非晶合金数智研发平台案例把智能设计、自动制备、自动表征和数据反馈连成流程。自动扫描电镜承担导航、成像、参数调整、自动能谱和数据上传等环节。该案例可用于理解系统架构，不应直接替代本项目的节拍、准确性或稳定性验证。

三、PPI 与 AI 的接口关系

PPI 是设备编程接口，负责执行移动、倍率调整、对焦、拍照和保存。AI 可在上游识别目标或解析自然语言要求，再通过接口触发动作。项目验收时应分别检查模型判断质量和设备执行质量。

四、适用任务

• 材料配方或工艺样品的批量表征。

• 固定规则下的目标区域筛选与拍摄。

• 形貌和元素数据的结构化积累。

• 需要把表征结果反馈给研发或质量系统的项目。

五、实施检查

项目应验证样品和数据编号、AI 任务解析、PPI 指令、成像质量、EDS 方法、文件回传、异常停止和人工复核。对于模型低置信度、找不到目标或样品状态异常的情况，应明确回退流程。

六、数据字段与追溯

建议至少保存样品编号、配方或批次、制样信息、任务编号、点位、倍率、探测模式、成像参数、EDS 原始数据、脚本版本、模型版本和审核状态。缺少这些上下文，即使积累了大量图像，也很难用于可靠比较或模型训练。

七、分阶段实施

可以先建立固定任务的自动成像和文件归档，再加入目标识别或结果分类，根据研发流程考虑模型反馈和下一轮任务生成。每增加一层能力，都应保留人工基准和独立验收，避免设备执行问题与模型判断问题混在一起。

八、结论

AI 与扫描电镜协同的实际价值来自完整数据链。只有设备动作可控、表征方法稳定、数据可追溯且模型结果可复核，自动表征才能成为研发或质控流程中的可靠环节。