0
當前，以智能化為核心的產業(yè)變革正在興起，人工智能技術與社會各領域的融合不斷加劇，并成為助推工業(yè)智能化轉型升級的關鍵燃料。
今年4月，工業(yè)互聯(lián)網產業(yè)聯(lián)盟（AII）發(fā)布的《工業(yè)智能白皮書》顯示，截止到2019年底，在全球20多個經濟體近三年發(fā)布的100份人工智能方面的戰(zhàn)略規(guī)劃或政策文件中，涉及與工業(yè)結合的超過一半以上。美、日、德、歐盟分別發(fā)布《國家人工智能研究和發(fā)展戰(zhàn)略規(guī)劃》《新機器人戰(zhàn)略》《國家工業(yè)戰(zhàn)略2030》《歐盟人工智能》等一系列政策戰(zhàn)略，重點提及產品全生命周期優(yōu)化、先進機器人、自動駕駛、大數(shù)據挖掘等在工業(yè)領域的應用。
那么，人工智能技術與工業(yè)的結合，會給工業(yè)領域帶來哪些改變呢？現(xiàn)階段發(fā)展情況如何？
美國初創(chuàng)公司 Maana 聚焦石油和天然氣領域，推出了Knowledge Platform 的平臺，通過梳理專業(yè)知識打造計算知識圖譜，與機器學習計算模型相結合，為 GE、殼牌、阿美等石油巨頭提供決策和流程優(yōu)化建議；
智能抓取場景中，日本發(fā)那科公司基于深度學習賦予機器人抓取混雜零件的功能，并通過強化學習賦予機器人自學習能力，通過自主訓練 8 小時使散件分揀的成功率達到了 90%；
新松機器人公司利用 5G+ 人工智能的巡檢機器人，實現(xiàn)了全自動巡檢以及異常問題的自主判斷......
隨著人們對于工業(yè)AI的研究不斷深入，逐漸擴展了其在工業(yè)領域可解問題的性能與邊界。近期，雷鋒網通過和業(yè)內人士的交流以及對行業(yè)信息的梳理，整理了有關工業(yè)AI領域備受關注的問題，比如工業(yè)AI的重要玩家和應用落地情況，行業(yè)發(fā)展面臨的障礙等。
工業(yè)AI，也就是工業(yè)智能，其本質是通過人工智能技術與工業(yè)場景、機理、知識結合，實現(xiàn)設計模式創(chuàng)新、生產智能決策等應用。
據 Markets 報告預計，2025 年人工智能制造市場規(guī)模將達 172 億美元，預測期 (2018-2025 年 ) 內的年復合增長率為 49.5%。而埃森哲在比較了人工智能對我國各個行業(yè)部門增加值增速的影響后得出，預計到 2035 年，制造業(yè)因人工智能的應用其增加值增速可以提高 2.0% 左右，是所有產業(yè)部門中提高幅度最大的。
由此可見，工業(yè)AI領域不管是市場容量，還是增速，其表現(xiàn)都足夠出色。也因此，吸引著AI界的科研大牛、科技企業(yè)相繼涌入工業(yè)領域。
2019年6月，閔萬里從阿里云離職，并創(chuàng)辦了北高峰資本和坤湛科技兩家公司。在離職信中他透露：
“我創(chuàng)辦了一個風險投資基金，聚焦傳統(tǒng)產業(yè)(制造業(yè)，農業(yè)，醫(yī)療)周邊，用云智能技術注入和資本加持‘二位一體’的組合型賦能，推動傳統(tǒng)產業(yè)實現(xiàn)數(shù)字化轉型和智能升級。”
而賈佳亞，則是在今年年初創(chuàng)立了一家新的 AI 公司——思謀科技（SmartMore）。目前，該公司已經獲 Pre-A 輪融資，并在深圳和香港分別設立了研發(fā)中心。此前，他不僅是騰訊杰出科學家，也是優(yōu)圖實驗室X-Lab負責人。
雷鋒網了解到，思謀科技專注于智能制造（檢測領域）運用人工智能深度學習算法和計算機視覺技術，在無需改變產線現(xiàn)有的硬件設備下，為用戶提供無人自動化缺陷檢測技術。
這兩人的去留，曾一度引起業(yè)界的廣泛關注。除了考慮到他們的離開會給原公司帶來一些影響，另一方面，他們在創(chuàng)業(yè)時都選擇了工業(yè)制造里面的AI應用這一領域。
而百度，作為國內三大互聯(lián)網巨頭之一，他們早在2010年就開始探索發(fā)展人工智能技術，圍繞百度大腦，其AI應用逐漸在多個領域進行試水，從農業(yè)到工業(yè)，從家庭到汽車，以及翻譯、圖像識別和信息流等產品和服務。
談及百度AI技術在工業(yè)制造領域的應用，李彥宏曾表示，現(xiàn)在很多3C產品在組裝的過程當中都需要人的肉眼去檢驗這些零件的質量，而其中很多零件都非常小，比如iPhone組裝插電的器件就很小，要人的肉眼去看是不是質量過關，是一個很費勁的任務。一般來說，熟練的工人干兩個小時就得下來休息。而百度用計算機視覺的方式做了一個軟硬一體的機器，一臺設備相當于十個熟練工人能夠做的事情，而且它的質量還比人工要更高。
工業(yè)AI應該如何去做，這不僅是BAT系的大佬正在思考的問題，也是工業(yè)企業(yè)更為關注的事。
在2019年業(yè)績交流會上，工業(yè)富聯(lián)將工業(yè)AI作為公司戰(zhàn)略的一部分提到了日程上。工業(yè)富聯(lián)董事長李軍旗表示：
“在過去的一年當中，工業(yè)富聯(lián)明確了公司的戰(zhàn)略方向，這個戰(zhàn)略方向我們把它歸結為‘智能制造+工業(yè)互聯(lián)網’的雙輪驅動戰(zhàn)略。智能制造有‘三硬三軟’，從‘三硬’的裝備、工具和材料加上工業(yè)大數(shù)據、工業(yè)AI和工業(yè)軟件，形成智能制造的整體解決方案，軟硬整合的整體解決方案。在這個基礎上搭建了工業(yè)互聯(lián)網平臺。工業(yè)互聯(lián)網平臺同時需要硬軟整合，也有三硬三軟，云網端再加上三軟里面的工業(yè)大數(shù)據、工業(yè)AI和工業(yè)軟件。”
此外，萌生于美國智能維護系統(tǒng)（IMS）中心的工業(yè)智能公司——天澤智云，在工業(yè)智能上，他們的理解是“3+4”，即融合工業(yè)領域知識、智能建模技術、計算機科學等3個跨學科的融合領域知識，并且還需要分析技術（AT）、運維技術（OT）、數(shù)據技術（DT）、平臺技術（PT）等四大關鍵支撐技術，才能誕生出真正的工業(yè)智能。
而明略科技集團，作為更具行業(yè)“Know-how”的新一代數(shù)據中臺先行者，致力于探索新一代人工智能技術在知識和管理復雜度高的行業(yè)中的落地。在“AI+工業(yè)”方面，他們主要基于設備和裝備物聯(lián)感知動態(tài)數(shù)據的分析挖掘與智能應用，幫助大型組織和企業(yè)高效運轉和加速創(chuàng)新，聚焦交通、電力、制造業(yè)。
有投資人表示，初創(chuàng)公司在人工智能領域還是有很多機會的，但他們需要往更細分的賽道里去專研，去挖掘，這樣才能避開一些大公司，發(fā)揮自己的長處，實現(xiàn)AI與具體工業(yè)場景的相結合......
人工智能是個比較大的話題，包括機器學習、深度學習、計算機視覺等，并且在工業(yè)特定領域中有非常多的業(yè)務場景和技術應用。
目前，騰訊優(yōu)圖在工業(yè)方面的探索，主要專注在計算機視覺領域。他們曾聯(lián)合騰訊云為國內的一家面板生產企業(yè)打造了一個工業(yè)AI的項目，主要內容是為液晶面板做缺電檢測。
據了解，缺電檢測是工業(yè)智能一個比較常見的業(yè)務場景，前期他們的很多模型都是靠算法專家以手工方式去訓練模型。然而，從交付的形態(tài)去說，這些是比較輕量級的交付，因為沒有提供攝像頭的硬件設備，也沒有對客戶生產系統(tǒng)進行調整，僅僅利用視覺AI的算法做了缺陷檢測產品去替代缺陷質檢的環(huán)節(jié)。
最終，騰訊優(yōu)圖上線的這些模型可以保證在跟人的準確率相當?shù)那闆r下達到70%以上的覆蓋率，能夠替代七成以上的質檢工人。
“我們認為，在人工智能產業(yè)化道路上，業(yè)務和技術同樣重要，掌握了好的方法論交付項目才能事半功倍。”騰訊優(yōu)圖實驗室工業(yè)AI項目負責人黃亮表示：
“比如說數(shù)據質量，大家都知道數(shù)據質量在人工智能和模型訓練方面的重要性，你的網絡再先進，你如果沒有好的數(shù)據依然是無法取得好的效果。但是，如何獲取高質量的數(shù)據呢？有很多的方法，我們早期也吃了很多虧，就以缺陷檢測為例，生產線上我們可以看到有很多的缺陷，100多種缺陷。但是我們怎么去采集這些缺陷，我們需要采集多少種缺陷的樣本，每個缺陷我們需要采集多少張圖片，模糊的缺陷我們如何去判定，如果一個圖片有多種缺陷，我們按哪種缺陷判定和標注，這些都是一些很細節(jié)的問題，但是會非常影響模型最終的效果。”
除了計算機視覺，人工智能在工業(yè)領域的應用還包括數(shù)據智能、決策方面的一些應用。明略科技依托他們的數(shù)據中臺和知識圖譜，探索異地專家如何將經驗進行積累和沉淀。
比如明略科技為某家軸承生產廠商構建了產品的知識圖譜以及智能問答與選型的系統(tǒng)，用來解決用戶對軸承以及相關產品信息的咨詢查找對比和推薦的問題，相比于傳統(tǒng)的基于人工的客戶服務，這一套智能問答系統(tǒng)能夠取代人工回答60%-80%重復的、常見的問題。
雷鋒網了解到，不管是液晶面板的缺電檢測，還是用戶對軸承以及相關產品信息的咨詢查找對比和推薦，目前AI主要用在工業(yè)領域的應用數(shù)據的可視化分析、預測性維護等，另外還可用于自動分析設備故障情況等，向著更多細分的工業(yè)場景進行滲透。
然而，當每一位創(chuàng)業(yè)者、變革者拿起AI的工具叩響工業(yè)之門時，撲面而來的不僅有工業(yè)機理、工業(yè)模型的屏障，還有數(shù)據和專業(yè)知識缺乏帶來的一些挑戰(zhàn)。
盡管我們知道AI在工業(yè)領域有眾多場景和可能性，但是，要達到產業(yè)級應用，我們還必須對它有更為清晰的認識，知道工業(yè)AI存在哪些問題。
“人工智能這個詞最早是1956年在達特茅斯會議上出現(xiàn)，其發(fā)展可以說是起起伏伏。如果和上世紀90年代——上一次的人工智能高潮相比，除了算力和數(shù)據，我們在某些領域的進步并沒有那么明顯。”英特爾中國區(qū)物聯(lián)網事業(yè)部首席工程師及首席技術官張宇博士表示：
“算力方面，英特爾一直在摩爾定律的推動下，帶領整個半導體行業(yè)前進，其算力不斷地進行更新。比如超算領域定期頒布的世界500強的超級計算機的榜單，這個榜單第一次發(fā)布在1994年，當時榜單上排名首位的超級計算機浮點運算能力每秒鐘峰值1300億次，而去年年底的榜單排名首位的超級計算機浮點運算能力每秒鐘峰值21億次。”
“算力的提升，對于運行一些比較復雜的算法是很有幫助的。以前一些網絡可能相對比較簡單，層次比較淺，現(xiàn)在可以用我們的算力運行比較復雜的網絡模型得到更好的結果，或者我們可以在消耗網絡模型下，在更短的時間里得到結果，實現(xiàn)更快的迭代，算力確實極大的推動了人工智能的發(fā)展。”
對于另一個推動因素——數(shù)據，張宇博士則是這樣理解的。他表示：
“以ImageNet為例，ImageNet里已經包含了超過1400萬張經過標注的圖片，所以有了這么多大量的圖片，就可以訓練網絡，得到一個可以運行的比較理想的結果。在數(shù)據增長的背后，實際上它的基礎是我們在存儲領域以及通信領域技術的提升。”
4月23日，在工業(yè)互聯(lián)網產業(yè)聯(lián)盟（AII）發(fā)布的《工業(yè)智能白皮書》中提到，當前工業(yè)智能的應用以點狀場景居多、普及范圍有限、還存在許多問題尚無法解決，仍處在發(fā)展的初級階段。工業(yè)智能應用面臨的四大問題分別是：
實時性問題。現(xiàn)有通用計算架構與芯片尚無法滿足工業(yè)實時性所帶來的計算要求，端側推理需求迫切。
可靠性問題。電商平臺的推薦系統(tǒng)達到 60%-70% 的準確率已經算是比較高的精準度，而部分工業(yè)領域、部分工業(yè)核心環(huán)節(jié)對推薦參數(shù)的準確性要求是 100%，一旦參數(shù)出現(xiàn)任何問題，將對生產、制造等環(huán)節(jié)，甚至生命財產安全產生巨大影響。
可解釋性問題。在冶煉、核電等工業(yè)領域核心環(huán)節(jié)所面臨的問題如果期望 通過數(shù)據技術解決，則此類問題的解決必須建立在可靠的工程 / 科學突破上，即需要能夠明確 解釋其背后機理。
適應性問題。通常包括模型間交互、軟硬件適配與算法的數(shù)據、任務適配三類問題。
“就工業(yè)智能來說，總的判斷還是處于起步階段，還沒有達到成熟。”張宇表示：
“重要的原因是，現(xiàn)在的人工智能還是實驗科學，不是一個理論科學。雖然能夠有一些網絡證明它在處理某些問題的時候是有效的，但是還不能夠說明它為什么有效，以及有效的機理是什么。人工智能網絡對我們來說還像一個黑盒子，我們不能預測它有效的原因以及如何進一步優(yōu)化的方向，這些都是我們現(xiàn)在需要進一步提升的地方。如果這些問題不能達到進一步的完善，那么人工智能還不能稱為成熟。”
“同樣地，工業(yè)也是一樣，工業(yè)不過是人工智能的一個分支，在大背景環(huán)境下可以看到有些人工智能網絡可以開始越來越多用到工業(yè)領域，通過我們拿到的一些工業(yè)數(shù)據來訓練它，讓它在某些特定環(huán)境下能夠有效，但是，這個有效也是局部有效而不是全局，因此我們需要不斷地用更多數(shù)據進一步完善和推廣。”
另外，雷鋒網了解到，工業(yè)領域的難點在于工業(yè)領域的應用場景比較碎片化，這和我們熟知的交通領域、安防領域有很大不同。交通領域、安防領域識別的物體相對比較固定，場景也比較固定，這樣可以針對這些場景可以收集大量的數(shù)據，得到一些網絡模型以后，可以在這些場景里大面積推廣。而工業(yè)場景的碎片化很明顯，比如在紡織工廠里做一個產品的識別，在半導體工廠里也做產品的識別，但是它們要檢測的目標是不一樣的，那帶來的問題是需要不同的樣本和設計不同的網絡結構，在設計方面要用不同的方法進行調優(yōu)，同時工業(yè)本身對準確度的要求很高，因而，在工業(yè)領域推廣人工智能的話還有很長的路要走。
而創(chuàng)立了思謀科技的賈佳亞表示：“越是基礎設施、關系到國家社會生產力的部分，越是需要我們的綜合科技能力去全面落地解決經濟生產里的缺人力、淺智能的問題。實現(xiàn)全面系統(tǒng)化、智能化、自動化是思謀瞄準的解決方案。思謀的企業(yè)目標是擺脫單個算法領域的數(shù)據局限，以系統(tǒng)化體系架構開創(chuàng)AI 2.0時代。”
現(xiàn)如今，AlphaGo已經是世界頂尖人工智能科技了，要研發(fā)出比AlphaGo復雜一個數(shù)量級的，能夠替代運營管理任務的人工智能，看上去還是很久遠的事情。就如《1%的征程——阿里云工業(yè)大數(shù)據解決方案》中所述，人工智能科學家們已經在某個輸出指標維度有了一定研究，并且誰也不知道未來的增長是線性的，還是指數(shù)性的？全面的研究成果是百年之后得出，還是十年之后得出？
有專家分析，工業(yè)AI之所以一直都被看做是最難的、也最復雜的應用領域，原因就在于，一方面行業(yè)外延十分廣泛，細分領域很多，要求的專業(yè)知識也很廣泛，因此一直沒能誕生能夠吃透整條產業(yè)鏈的巨頭玩家，而AI技術企業(yè)想要深入進去更是會遇到各種各樣意想不到的難題。
那么，誰將摘下工業(yè)AI這頂“王冠”，成為這個領域的獨角獸企業(yè)？
雷峰網原創(chuàng)文章，未經授權禁止轉載。詳情見轉載須知。
